WiMi推出使用协作多设备计算的可扩展量子神经网络以提高效率和人工智能集成

WiMi全息云公司（纳斯达克股票代码：WIMI）（“WiMi”或“公司”）是全球领先的全息增强现实（“AR”）技术提供商，今天宣布开发基于多量子设备协同计算的可扩展量子神经网络（SQNN）技术。该技术利用多个小型量子设备作为量子特征提取器，从输入数据中并行提取局部特征。然后，提取的局部特征通过经典通信通道聚集到量子预测器中，以完成最终的分类任务。

该技术旨在通过使多个小型量子设备协同工作来克服当前量子计算硬件的局限性，从而构建高效且可扩展的量子神经网络系统。该技术不仅在理论上达到了与传统量子神经网络（QNN）相当的分类精度，而且还引入了一种优化量子计算资源利用和提高数据效率的新方法。

WiMi SQNN系统的核心架构由三个主要组件组成：

量子特征提取器：量子特征提取器负责从输入数据中提取局部特征。每个量子设备都可以使用变分量子电路（VQC）来编码和转换输入数据来独立执行特征提取任务。由于这些设备独立运行，因此可以灵活地适应不同尺寸的量子设备。例如，更大的量子设备可以处理更复杂的数据模式，而更小的量子设备可以处理更简单的本地特征。

经典沟通渠道：在SQNN框架中，量子特征提取器通过经典通信通道将提取的本地特征传输到中央计算节点。这个沟通过程类似于联邦学习的概念，不同的计算单元独立处理数据，但最终的决策过程依赖于全球信息的集成。

量子预测器：量子预测器作为整个SQNN系统的核心计算单元。它从多个量子特征提取器接收特征信息，并使用量子电路执行最终的分类决策。量子预测器可以采用更复杂的量子电路来优化分类精度，并根据数据的规模动态调整其计算方法。

WiMi的SQNN的技术实现涉及以下步骤：首先，数据预处理和量子编码：在进入量子系统之前，输入数据经过标准化和降维等经典预处理操作。然后使用诸如幅度编码或角度编码的编码方法将数据映射到量子态。然后，子特征提取：每个量子设备使用参数化量子电路（PQC）执行独立的特征提取任务，以转换特征并生成局部特征表示。此外，特征聚集和分类：量子特征提取器的输出通过经典通信通道传输到中心节点。然后，量子预测器聚合这些特征并执行最终的分类任务。最后，参数优化和训练：SQNN采用变分量子优化进行训练。使用梯度下降等经典优化器来调整量子电路参数以最大限度地减少分类误差。

与传统QNN相比，WiMi的SQNN具有以下显着优势：

提高数据利用率：由于SQNN利用多个量子设备进行协作计算，因此它可以更有效地利用数据，而不会由于单个设备的量子位限制而损害数据完整性。

增强的计算规模：通过协调多个小型量子设备，SQNN可以在不依赖单个高性能量子计算机的情况下处理更大规模的计算任务。这种模块化方法还使SQNN更具可扩展性。

优化的计算资源：SQNN允许不同类型的量子设备协同工作，实现更灵活的资源分配。例如，当工作量较小时，只能激活量子特征提取器的一个子集，而对于大规模计算任务，可以利用更多量子设备来提高计算效率。

在多个基准数据集上进行的实验表明，WiMi的SQNN在相同规模下实现了与传统QNN相当的分类准确率。此外，由于SQNN利用多个量子设备进行并行计算，因此与依赖单个量子设备的QNN相比，其训练效率显着提高。

此外，实验结果表明，随着参与量子设备数量的增加，SQNN的分类准确率和计算速度都显着提高。这表明随着量子计算硬件的不断发展，该方法具有很强的可扩展性。

尽管在当前硬件条件下取得了令人鼓舞的实验结果，但仍有几个关键挑战有待解决。例如，优化量子设备的互连以提高效率，同时最大限度地降低通信成本，并进一步完善SQNN的量子电路设计以减少噪音干扰并提高计算准确性。

WiMi的可扩展量子神经网络（SQNN）为量子机器学习提供了创新的解决方案，使多个小型量子设备能够协作执行高效的分类任务。实验结果表明，SQNN具有强大的计算性能和可扩展性，为量子计算与人工智能的融合奠定了坚实的基础。随着量子硬件的不断进步，SQNN有望成为大规模量子机器学习系统的重要组成部分，推动人工智能和数据科学的革命性变革。