文章核心观点 - 公司开发基于量子计算的前馈神经网络（QFNN）算法，能克服传统神经网络训练的计算瓶颈，加速训练并增强泛化能力，为深度学习发展开辟新方向 [1][11] 算法介绍 - 公司宣布开发基于量子计算的前馈神经网络（QFNN）算法，核心创新是有效近似向量内积，利用量子随机存取存储器（QRAM）存储中间计算值以实现快速检索 [1] - QFNN训练算法依赖关键量子计算子程序，关键组件是量化前馈和反向传播过程，能在这两个阶段实现指数级加速，使神经网络更快收敛 [2] 算法原理 量子前馈传播 - 经典前馈传播涉及多次矩阵向量乘法，公司量子算法利用量子态叠加和相干性进行操作，将神经元权重和输入数据编码在量子相干态中，通过量子态演化完成矩阵向量运算，能在对数时间内完成计算，降低计算负载 [3] 量子反向传播 - 误差反向传播（BP）是神经网络训练的关键，公司量子算法利用量子相干态计算梯度，使用量子傅里叶变换（QFT）加速梯度计算，使梯度更新比传统方法快二次方倍 [4] 量子随机存取存储器（QRAM） - 经典神经网络训练中每次权重更新需访问和存储大量中间计算结果，QRAM可将这些结果存储在量子态中并高效检索，避免冗余计算，实现指数级加速 [5] 算法优势 降低计算复杂度 - 经典神经网络计算复杂度通常取决于神经元连接数，公司量子算法仅取决于神经元数量，对于有N个神经元和M个连接的网络，经典算法复杂度为O(M)，量子算法降至O(N) [6] - 在大规模神经网络中，连接数常远超神经元数量，该量子算法至少实现二次方加速，能大幅减少深度学习模型训练时间 [7] 抗过拟合 - 公司发现量子算法在训练中对过拟合有天然抗性，量子态的叠加和相干性使每次计算结果引入噪声，在机器学习中像随机扰动，防止模型过拟合训练数据，无需额外正则化技术就能实现更好泛化 [8][9] 应用前景 - QFNN有广泛应用前景，适用于对计算速度和数据规模要求极高的场景，如金融市场分析、自动驾驶、生物医学研究和量子计算机视觉等 [10] - 公司研究为受量子启发的经典算法奠定基础，这些算法借鉴QFNN设计原则，在传统计算机上实现类似计算复杂度优化，虽比真正量子算法有额外二次方计算开销，但为量子计算机未广泛普及的当下提供过渡解决方案 [10] 公司简介 - 公司是全息云综合技术解决方案提供商，专注于全息AR汽车抬头显示软件、3D全息脉冲激光雷达等专业领域，提供全息AR汽车应用、3D全息脉冲激光雷达技术等服务和技术 [13]