NachrichtenAktienWiMi Hologram Cloud (WIMI): Aktien steigen um 3,03 % nach Vorstellung der Drei-Qubit-Wechselwirkungsschicht für quantenneuronale Netze

WiMi Hologram Cloud (WIMI): Aktien steigen um 3,03 % nach Vorstellung der Drei-Qubit-Wechselwirkungsschicht für quantenneuronale Netze

Autor: Blockonomi·

Wichtige Erkenntnisse

  • WiMi Hologram Cloud hat ein quantenbasiertes faltendes neuronales Netz vorgestellt, das auf Drei-Qubit-Wechselwirkungsschichten aufbaut.
  • Laut Unternehmen soll das Design die Ausdruckskraft verbessern und stärkere Verschränkungen erzeugen, während die Schaltkreistiefe gering bleibt.
  • Klassische Daten werden mittels Blockpartitionierung für Bilder und Winkelkodierung für eindimensionale Daten in Quantenzustände kodiert.
  • WiMi erklärte, dass das Modell nach Anpassungen der Trainingsinitialisierung bei binären und Mehrklassen-Klassifizierungsaufgaben stabil konvergiert.
  • Das Unternehmen plant, die Rauschrobustheit und die Hardwarekompatibilität weiter zu testen, bevor es sich dem Einsatz auf echten Quantengeräten nähert.
WiMi Hologram Cloud (WIMI): Aktien steigen um 3,03 % nach Vorstellung der Drei-Qubit-Wechselwirkungsschicht für quantenneuronale Netze

Die Aktien von WiMi Hologram Cloud Inc. (WIMI) stiegen in der Handelssitzung am Donnerstag um 3,03 % – ein Zuwachs von 0,04 US-Dollar auf 1,37 US-Dollar –, nachdem das Unternehmen einen neuen Quantencomputing-Entwurf vorgestellt hatte, der auf einem hybriden quanten-klassischen Modell basiert. WiMi erklärte, dass die Technologie direkt auf klassische Datenklassifizierungsaufgaben abzielt; die Aktie hielt ihre Gewinne im stabilen Handel zur Mittagszeit nach der Vorstellung des Quanten-Machine-Learning-Designs.

Durchbruch bei quantenneuronalen Netzen

WiMi Hologram Cloud hat ein quantenbasiertes faltendes neuronales Netz (Quantum Convolutional Neural Network) vorgestellt, das auf Drei-Qubit-Wechselwirkungsschichten aufbaut. Das Design soll die Ausdruckskraft und die Erzeugung von Verschränkungen in Quantenmodellen steigern; die Forscher des Unternehmens beschrieben die Struktur als einen Schritt hin zu Vielteilchen-Wechselwirkungsmodellen.

Die neue Wechselwirkungsschicht arbeitet Seite an Seite mit den standardmäßigen Faltungseinheiten des Netzes. Gemeinsam extrahieren diese Komponenten Merkmale aus den Eingabedaten und begrenzen dabei Schaltkreistiefe und Komplexität – ein Gleichgewicht, das laut WiMi das System hardwarefreundlich und praktikabel hält. Dieser Kompromiss ist zentral für das Quanten-Machine-Learning, ein Forschungsfeld, das Quantenschaltkreise auf Machine-Learning-Aufgaben anwendet: Die heutigen Quantenprozessoren bleiben verrauschte Geräte mit begrenzter Qubit-Anzahl, weshalb Designs, die nützliche Verschränkungen bei geringer Schaltkreistiefe erzeugen, diejenigen sind, die sich auf vorhandener Hardware ausführen lassen.

Nach Angaben der Forscher des Unternehmens erweitern Drei-Körper-Wechselwirkungen den erreichbaren Quantenzustandsraum erheblich. Diese Erweiterung behebt eine häufige Einschränkung der Ausdruckskraft früherer quantenneuronaler Netze, sodass das Modell komplexere Datenmuster effizient erfassen kann. Ob sich Fortschritte dieser Art in einen Vorteil gegenüber klassischen neuronalen Netzen bei praktischen Datensätzen übersetzen, bleibt in der gesamten Branche eine offene Forschungsfrage.

Technisches Design

Die Architektur verarbeitet Informationen mit einem hybriden quanten-klassischen Ansatz. Klassische Daten werden zunächst über eine Kodierungsstrategie in Quantenzustände abgebildet: Bilddaten basieren auf Blockpartitionierung, eindimensionale Daten auf Winkelkodierung. Laut Unternehmen ermöglicht dieser Kodierungsschritt, klassische Informationen innerhalb des Quantennetzes darzustellen und zu verarbeiten.

Verschränkungsanalysen zeigten, dass die Drei-Qubit-Schicht bei geringer Schaltkreistiefe starke, mehrskalige Verschränkungen erzeugt. WiMi erklärte, dass diese Fähigkeit dem Netz hilft, nichtlineare Korrelationen innerhalb der Eingabedaten zuverlässig zu erfassen, und zudem die Stabilität bei vorhandenem Rauschen unterstützt.

Das Training kombiniert klassische Optimierer mit den Parametern der Quantenschaltkreise durch gemeinsame Iteration. Die Ingenieure passten die Initialisierungsstrategien an, um Probleme mit verschwindenden Gradienten und Instabilitäten zu beheben; das Unternehmen berichtete, dass das Modell infolgedessen sowohl bei binären als auch bei Mehrklassen-Klassifizierungsaufgaben stabil konvergiert.

Unternehmenshintergrund und nächste Schritte

WiMi Hologram Cloud agiert als globaler Anbieter von Hologramm-Technologie für erweiterte Realität und hat seinen Forschungsbereich in letzter Zeit um Anwendungen des Quantencomputings erweitert, wobei das Unternehmen in diesem Bereich eine Reihe von Forschungsankündigungen veröffentlicht hat. Die aktuelle Veröffentlichung baut auf dieser breiter angelegten technischen Strategie und Roadmap auf und beschreibt Arbeiten auf Forschungsstufe: Das Unternehmen positioniert den Einsatz auf echten Quantengeräten als künftigen Schritt und nicht als aktuelles Angebot.

WiMi erklärte, das Modell für größere Anwendungen skalieren zu wollen. Zu den künftigen Zielen gehören höherdimensionale Bilddaten und die Analyse komplexer Zeitreihen, während die crossmodale Datenfusion ein wichtiges Gebiet für die weitere Entwicklung bleibt.

Das Unternehmen erklärte, die Rauschrobustheit und die Hardwarekompatibilität auch künftig weiter zu testen. Diese Bemühungen zielen darauf ab, das Modell von der Theorie hin zum Einsatz auf echten Quantengeräten zu bringen – ein Fortschritt, der laut WiMi die langfristigen Ambitionen des Unternehmens im Quantencomputing unterstützt.

Dieser Artikel erschien erstmals auf Blockonomi.