公司技术发布 - 公司发布用于混合图神经网络的**可学习量子光谱滤波器技术** 提出了一种全新的量子-经典混合图神经网络基础架构 [1] - 该技术将图卷积和池化操作融合到一个完整的量子计算过程中 通过将图拉普拉斯算子映射到可训练的量子电路 使图信号处理获得指数级压缩能力和新的计算视角 [1] - 技术通过振幅编码或概率编码将输入信号加载到量子态 量子电路基于图结构执行光谱变换 输出态的测量结果自然形成一个n维概率分布向量 其中n = log(N) 实现卷积与池化的统一功能 [2] 技术原理与优势 - 量子测量过程本质上是一种结构化非线性映射 能够克服经典GNN池化操作中复杂的结构搜索问题 量子态坍缩自动实现了经典网络中难以模拟的非线性行为 [3] - 对于具有**一百万个节点**的网络 经典光谱卷积在内存和时间上几乎无法运行 而此量子电路仅需约**20个量子比特** 计算成本对于大型图仍可控 [4] - 技术采用基于对数编码的光谱近似方法 即使用 n = log(N) 个量子比特来表示原始的N维特征空间 所构建的希尔伯特空间维度为2^n 理论上能与N维空间进行一一映射 [7] 工程实现与算法基础 - 量子电路的训练通过**经典-量子混合优化**完成 经典优化器计算损失函数对电路参数的梯度 并通过参数移位规则计算量子电路的可微性 [8] - 公司证明 通过QFT结构的量子电路 可以近似图的特征空间 关键在于两个发现：1) 可在图的邻接矩阵与量子门之间构建有效映射 2) QFT中的分层旋转逻辑天然包含多尺度滤波结构 [6] - 整个系统形成一个端到端可训练的混合GNN 量子电路从编码的高维输入信号中提取光谱特征 输出可由经典网络进一步处理的低维特征 [8] 行业应用与前景 - 大规模图学习一直是工业领域的难题 社交媒体、交通流网络、互联网连接图等领域各有**数千万甚至数亿个节点** 经典GNN通常需要大量显存、长时间矩阵乘法、复杂稀疏矩阵管理和海量卷积滤波器参数 [9] - 量子光谱滤波器提供了一种颠覆性解决方案 随着节点数指数级增长 所需量子比特仅对数级增长 这使其成为未来量子-经典GNN的自然选择 [10] - 在当前量子硬件即将进入中等规模阶段之际 这种**量子比特需求低、结构利用率高**的方法提供了极佳的实现可能性 [10] 公司战略与资源 - 公司认为 与其等待量子硬件完全成熟 更重要的是提前构建量子前沿算法基础设施 此量子光谱滤波器建立了完整的研究路线 为未来硬件发展奠定了算法基础 [11] - 公司致力于全息技术的研发与应用 业务包括基于全息技术的激光雷达解决方案、全息数字孪生技术服务等 [14] - 公司专注于量子计算和量子全息等发展 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、量子计算技术、量子全息技术以及人工智能AR等前沿技术领域的衍生和技术开发 [14]

多机器人系统行业挑战 - 多机器人系统在现代工业制造中成为提升生产效率的关键技术 通过部署多个机械臂可在不显著增加成本和空间的前提下大幅缩短任务执行时间并提高整体产能[1] - 实际部署面临根本性挑战 即如何在共享且充满障碍物的环境中高效安全地协调多个机器人完成多项任务[1] - 多机器人协同需同时解决三个核心子问题 包括运动规划、任务调度和任务分配 每个问题单独求解已属计算难题 而三者的耦合关系更让传统方法难以突破[3] 传统解决方案局限性 - 传统基于采样的运动规划算法在低维度场景中表现尚可 但当机器人数量超过4个且障碍物复杂度提升时计算时间呈指数级增长[1] - 任务调度问题类似经典的旅行商问题 属于PSPACE完全问题 计算复杂度随任务量呈指数上升 即使采用近似解法也需预设大量规则且难以适配动态场景[3] - 任务分配问题中每个任务的成本并不是独立的 而是依赖于其他任务的分配和调度结果[3] - 传统方案通常将三者拆分迭代求解 先人工分配任务再规划调度顺序最后计算运动路径 这种模式不仅依赖数百甚至数千小时的人工经验 还常为了计算可行性牺牲解决方案的质量和完整性[4] RoboBallet技术创新 - RoboBallet是一种基于神经网络与强化学习的新范式 结合了图神经网络和强化学习 旨在自动化地解决多机器人的任务分配、调度和运动规划问题[4] - 核心创新在于其场景的图表示和基于GNN的策略网络 将整个协同场景抽象为动态图 其中节点表示每个机器人个体 边表示机器人之间的交互关系[5] - GNN能够高效处理这种结构化信息 无论图中增加了多少任务或障碍物 GNN的核心处理逻辑不变 学会了如何理解一对元素之间的关系 这种关系归纳偏差使得模型具备极强的泛化能力[5] - 采用强化学习框架训练策略网络 使用TD3算法 使模型能够生成多机械臂轨迹同时解决任务分配、调度和运动规划等子问题 将昂贵的在线计算转移到离线训练阶段[7] - 设计了包含任务完成奖励和碰撞惩罚的奖励机制函数 任务完成奖励基于已解决任务比例的变化 碰撞惩罚则对可能导致碰撞的动作施加负奖励[7] - 采用HER技术通过在失败回合中重新标记目标来生成额外的训练数据 从而提供更丰富的学习信号[7] - 在程序化生成的随机环境中对模型进行训练 每一轮训练开始时系统会随机生成机器人的位置、长方体障碍物的布局和任务目标位姿 通过数百万次随机环境交互使模型学会协调多个机器人高效无碰撞地完成所有任务[7] 性能表现与效率 - 在计算效率方面表现突出 在NVIDIA A100 GPU上即使是8个机器人40个任务30个障碍物的最大配置每个规划步骤仅需约0.3毫秒 在CPU上运行也能实现3倍于实时的规划速度[8] - 这种高效性使得RoboBallet可用于实时重新规划、动态响应环境变化等需要快速决策的场景[9] - 增加机器人数量能够显著提高任务执行效率 在优化布局的条件下机器人从4台增至8台平均执行时间从7.5秒减少到4.5秒降幅达40%[12] 实验验证结果 - 评估围绕两个关键指标展开 包括整体轨迹执行时间和轨迹质量[11] - 在缩减规模的问题设置中进行对比实验 比较对象为基于RRT-Connect和穷举调度的基准算法[11] - 实验结果表明尽管基于强化学习的方法并不具备理论上的完备性 但其所得轨迹在成本方面与基线方法相当甚至在多数情况下表现更优 而基线方法则需要消耗数量级更多的计算资源且依赖较强的简化假设[11] - RoboBallet在训练和推理阶段均展现出良好的可扩展性 训练所需步数并未随机器人或任务数量的增加呈指数增长 推理时间则与机器人数量的平方、任务及障碍物的数量成线性关系[11] - 能够将从小规模训练中学到的协作模式推广到更大规模场景[15]

技术进展 - Korro Bio采用机器学习优化化学修饰的寡核苷酸设计，模型在20%的体外数据上测试，预测精度在体外编辑的7%以内[29] - 通过引入新化学修饰，Korro Bio的模型在8种未见修饰的寡核苷酸中提高了整体错误率[56] - Korro Bio的模型在序列单体特征上表现出r = 0.78的相关性，而在原子特征上为r = 0.66[48] - 通过迭代设计批次，机器学习显著提升了mRNA编辑的效果[33] - Korro Bio的模型在化学修饰模式对体外编辑的影响上，相关性达到r = 0.80[28] - 在新目标和细胞系的模型中，寡核苷酸-靶标相互作用特征显著提升了模型的预测能力[71] - Korro Bio的模型在新修饰的滴定实验中，编辑相关性为r = 0.72[64] - 通过对化学修饰的深入理解，Korro Bio能够提高ADAR引导寡核苷酸的药理学[10] - 机器学习的应用使得Korro Bio能够在化学修饰的引入上进行大规模测试[52] - Korro Bio的模型在序列、化学修饰与体外编辑之间的关系理解上取得了显著进展[29]