MicroCloud Hologram Inc. (NASDAQ: HOLO) Aktien stiegen um 4,51 % auf 1,6199 USD während des Donnerstagvormittagshandels, nachdem das Unternehmen die Entwicklung eines Deep Spiking Quantum Neural Network mit dem Namen DSQ-Net bekannt gegeben hatte, das speziell für die Klassifizierung verrauschter Bilder entwickelt wurde. Die Technologie stellt einen gezielten Schritt in Richtung der Integration von Quantencomputing und neuromorphem Engineering dar – zwei Bereiche, die sich weitgehend unabhängig voneinander entwickelt haben, wobei große Akteure wie IBM, Google und Intel separate Forschungsprogramme für Quanten- und gehirninspiriertes Computing verfolgen.

DSQ-Net-Architektur

MicroCloud Hologram entwickelte DSQ-Net auf Grundlage jahrelanger angesammelter Forschung und Entwicklung im Bereich Quantenalgorithmen. Das System führt einen variationellen Quantenschaltkreis als zentralen ergänzenden Trainingsmechanismus ein – eine deutliche Abkehr von früheren Ansätzen, bei denen Quantenschaltkreise ausschließlich für Feature-Mapping genutzt wurden.

Die Architektur bettet Quantenschaltkreise direkt in die Trainingsprozesse spiking-basierter neuronaler Netzwerke ein. Spiking-neuronale Netzwerke, die Informationen mithilfe diskreter zeitlicher Impulse verarbeiten, die lose biologischen Neuronen nachempfunden sind, ließen sich historisch schwer mit standardmäßigen gradientenbasierten Methoden trainieren, da ihre diskreten Feuereignisse nicht-differenzierbar sind. Laut den Ingenieuren des Unternehmens stellt dieses Design nicht-differenzierbare Spiking-Ereignisse und zufällige neuronale Dynamik direkt in Angriff und stellt die Trainierbarkeit von Spiking-Netzwerken auf Systemebene wieder her.

Eingabebilder durchlaufen zunächst ein klassisches Vorverarbeitungsmodul, das Pixeldaten in raum-zeitliche Spike-Sequenzen umwandelt. Innerhalb dieses Rahmens wird Rauschen zu einem Teil des Zeitsignals, anstatt ausschließlich als Störung zu wirken.

Quantenschicht und Genauigkeitsleistung

Das tiefe Spiking-Netzwerk extrahiert hochwertige raum-zeitliche Merkmale aus den kodierten Daten. Zwischenstatistiken der Spikes werden durch ein als Amplitudenkodierung bezeichnetes Verfahren in Qubit-Zustände abgebildet, das es ermöglicht, komplexe Spike-Strukturen effizient mit weniger Qubits darzustellen.

Ein parametrisierter variationeller Quantenschaltkreis entwickelt den kodierten Quantenzustand anschließend weiter. Mehrere einstellbare Quantengatter werden während des gesamten Trainingszyklus gemeinsam mit dem klassischen Optimierer aktualisiert, wobei die Ergebnisse der Quantenmessungen die Anpassung der klassischen Netzwerkgewichte steuern.

In Tests hielt DSQ-Net eine Klassifizierungsgenauigkeit von über 90 % bei bisher unbekannten verrauschten Bildern aufrecht. Das Modell übertraf klassische Spiking-Netzwerke vergleichbarer Skalierung in direkten Vergleichen, und die Leistung verschlechterte sich bei steigendem Rauschpegel allmählicher, wie das Unternehmen berichtete. Diese Ergebnisse wurden selbstberichtigt und nicht durch unabhängige Forscher überprüft.

Validierung und realweltliche Anwendungen

MicroCloud Hologram validierte das Modell mithilfe eines hochpräzisen Quantensimulators statt physischer Quantenhardware – eine Entscheidung, die reproduzierbare Ergebnisse sicherstellen soll, während die Quantenhardware-Technologie noch in einem relativ frühen Entwicklungsstadium verbleibt. Dieser Ansatz ist in der Forschungsgemeinschaft für Quantum Machine Learning verbreitet, wo Hardwareeinschränkungen wie Qubit-Anzahl, Kohärenzzeit und Fehlerraten weiterhin einschränken, was auf physischen Prozessoren ausgeführt werden kann. Die Forscher erstellten mehrere Datensätze mit unterschiedlichen Rauscharten und -intensitäten für umfassende Tests.

Das Unternehmen sieht potenzielle Anwendungsbereiche, die von industrieller Inspektion über Verkehrserkennungssysteme bis hin zu ressourcenbeschränkten Edge-Computing-Geräten reichen. Spiking-Netzwerke eignen sich aufgrund ihrer stromsparenden, ereignisgesteuerten Verarbeitungseigenschaften naturgemäß für solche Anwendungsfälle. Quantenparallelität könnte die gesamte Rechenkomplexität weiter reduzieren, sobald die Quantenhardware ausreift – der Übergang von der Simulation zum physischen Einsatz erforderte jedoch Hardware, die in der Lage ist, die variationellen Schaltkreise zuverlässig im großen Maßstab auszuführen.

Der Durchbruch treibt Quantum Machine Learning auch über rein theoretische Geschwindigkeitsvorteile hinaus und behandelt praktische Herausforderungen wie Rauschen, Unsicherheit und nicht-differenzierbare Dynamik. MicroCloud Hologram positioniert DSQ-Net als Brücke, die die Bereiche Quantencomputing und neuromorphes Computing verbindet. Ob die Architektur von der simulatorbasierten Validierung zu Ergebnissen auf Quantenhardware der nahen Zukunft übergehen kann, bleibt eine offene Frage für das gesamte Fachgebiet.

Quelle: Blockonomi