文章核心观点 MicroCloud Hologram Inc (HOLO) 发布了一项面向序列学习任务的量子机器学习核心技术——量子循环神经网络 (QRNN)，该技术通过其核心组件量子循环块 (QRB) 的硬件高效构建以及交错堆叠的网络设计，系统性解决了量子循环模型难以在含噪声中等规模量子 (NISQ) 设备上运行的工程瓶颈，标志着量子深度学习模型在标准化和可部署性方面迈出了关键一步[1] 技术突破与创新 - 公司针对行业痛点，系统性地重新审视了量子循环神经网络的构建逻辑，基于“模块化”、“可重复性”和“低相干时间消耗”三大工程原则，提出了以量子循环块 (QRB) 为基本单元来重新定义量子循环网络的构建[1] - 量子循环块 (QRB) 是核心创新之一，其设计为高度结构化、参数可控的量子子电路模块，在物理实现上采用硬件高效的量子门集结构，充分考虑了当前主流超导和离子阱量子计算平台在两量子比特门数量、连接拓扑和噪声特性方面的限制，从而在保持足够表达能力的同时，从源头上降低了对量子比特相干时间的依赖[1] - 在信息流机制上，该QRNN模型借鉴了经典循环神经网络中隐藏状态的概念，但并非简单的一对一映射，而是利用量子态作为隐藏状态的天然优势，将历史信息编码到量子态的振幅和相位结构中，并通过QRB内的参数化量子操作实现状态更新[1] 工程实现与设计 - 为降低整体电路深度，公司采用了量子循环块交错堆叠的网络结构设计，该设计允许相同的量子电路结构在时间维度和特征维度上被重复利用，这不仅显著减少了实际需要执行的量子门数量，也避免了电路深度随时间步数线性增长的问题，这对于相干时间通常是限制量子算法可执行规模首要因素的NISQ设备尤为关键[1] - 在训练层面，公司的QRNN采用了混合量子-经典变分优化框架，量子电路负责序列特征的高维映射和动态演化，而参数优化过程则由经典计算资源处理，这种训练方式与当前量子计算软硬件生态系统的发展现状相契合，并为未来大规模部署提供了现实路径[1] 性能表现与意义 - 在多种典型的序列学习任务中，包括时间序列分类、趋势预测和细粒度变化捕捉场景，该模型在预测准确性上全面超越了经典循环神经网络，特别是在预测时间序列中细微变化细节方面表现出更强的敏感性，使其能更准确地捕捉序列内的非线性动态特征[1][2] - 该技术不仅在模型结构上提供了一个有望被广泛采用的量子循环网络标准范式，也在工程实现上充分考虑了NISQ时代的实际约束，通过量子循环块的模块化设计、交错堆叠的网络构建方法以及混合量子-经典训练机制，在性能、可扩展性和硬件适应性之间实现了良好平衡[2] - 随着量子计算硬件的不断演进，该QRNN模型有望在不久的将来成为首批实现量子优势的学习模型之一，为量子人工智能的产业化奠定坚实基础[2] 公司业务与财务概况 - 公司致力于全息技术的研发与应用，其全息技术服务包括基于全息技术的全息激光雷达 (LiDAR) 解决方案、全息LiDAR点云算法架构设计、技术全息成像解决方案、全息LiDAR传感器芯片设计以及全息车辆智能视觉技术，为提供全息高级驾驶辅助系统 (ADAS) 的客户提供服务[2] - 公司还提供全息数字孪生技术服务，并拥有专有的全息数字孪生技术资源库，该资源库结合了全息数字孪生软件、数字内容、空间数据驱动的数据科学、全息数字云算法和全息3D捕捉技术，以3D全息形式捕捉形状和物体[2] - 公司专注于量子计算和量子全息等前沿领域的发展，拥有超过30亿元人民币的现金储备，并计划从现金储备中投入超过4亿美元用于区块链开发、量子计算技术开发、量子全息技术开发以及人工智能AR等前沿技术领域的衍生品和技术开发[2] - 公司的目标是成为全球领先的量子全息和量子计算技术公司[2]