公司核心动态 - 微美全息（WiMi Hologram Cloud Inc）宣布正在研究将量子机器学习应用于图像分类，其研究的混合量子神经网络架构将通过经典与量子方法的协同创新，提升图像分类的效率和准确性 [1] - 该混合量子神经网络架构通过经典卷积层与并行量子层的创新融合，构建了适配NISQ设备的混合计算系统，实现了经典计算能力与量子并行能力的精确互补 [2] - 微美全息未来将继续深耕量子机器学习算法与架构的创新，利用量子技术的突破性力量引领人工智能产业进入高效计算的新时代 [6] 技术架构与设计 - 核心设计逻辑在于模块化分解，由经典卷积块和混合密集部分两大核心模块组成，形成从数据预处理到预测输出的完整优化链 [2] - 经典卷积块承担特征提取和维度压缩的核心任务，通过多层卷积操作和池化机制对输入图像数据进行逐层特征抽象，将高维图像数据转化为适合量子层处理的低维特征向量 [2] - 混合密集部分采用经典全连接层与并行参数化量子电路（PQC）的协同设计，承担模型的最终预测任务 [3] - 通过并行化PQC部署，使多个量子电路同步执行特征处理任务，利用量子叠加和纠缠特性实现多组特征的并行计算，显著减少整体计算时间 [3] - 量子层与经典全连接层之间的协同训练通过参数平移规则等量子-经典混合优化策略实现，将量子电路的测量结果反馈给经典优化器，实现量子门参数和经典层权重的联合迭代优化 [4] 技术优势与性能 - 量子力学的叠加特性使每个量子比特能同时携带多种状态信息，纠缠特性实现量子比特间的非局域相关性，两者结合赋予量子算法天然并行计算能力，处理高维数据时计算复杂度呈指数级降低 [1] - 混合量子神经网络凭借经典架构与量子算法的协同优化，成为NISQ时代最有前景且可实际部署的技术路径，避免了全量子神经网络对大规模容错量子硬件的依赖 [1] - 相比传统经典CNN和单一量子模型，并行PQC设计和经典-量子协同处理机制在降低模型参数规模的同时，显著提升高维特征的处理速度，特别适用于涉及海量图像数据的实时分类场景 [5] - 经典卷积层的特征预处理能力与量子电路的抗噪声特性互补，使模型在复杂数据环境和量子硬件噪声干扰下仍能保持稳定的分类性能 [5] - 模块化设计允许灵活适配不同规模的NISQ设备，随着量子硬件技术迭代，可通过增加量子比特数和优化PQC结构持续升级性能 [5]