Las acciones de MicroCloud Hologram Inc. (NASDAQ: HOLO) subieron un 4,51% hasta $1.6199 durante las operaciones de la mañana del jueves, después de que la empresa anunciara el desarrollo de una red neuronal cuántica de espigueo profundo, denominada DSQ-Net, diseñada específicamente para clasificar imágenes con ruido. La tecnología representa un paso deliberado hacia la integración de la computación cuántica con la ingeniería neuromórfica — dos campos que se han desarrollado en gran medida de forma independiente, con actores principales como IBM, Google e Intel llevando a cabo programas de investigación separados en computación cuántica y computación inspirada en el cerebro.

Arquitectura de DSQ-Net

MicroCloud Hologram desarrolló DSQ-Net basándose en años de investigación e ingeniería acumuladas en algoritmos cuánticos. El sistema introduce un circuito cuántico variacional como mecanismo de entrenamiento auxiliar central — una notable diferencia respecto a enfoques anteriores que utilizaban los circuitos cuánticos únicamente para el mapeo de características.

La arquitectura incorpora circuitos cuánticos directamente en los procesos de entrenamiento de las redes neuronales de espigueo. Las redes neuronales de espigueo, que procesan información mediante pulsos temporales discretos inspirados de forma aproximada en las neuronas biológicas, históricamente han sido difíciles de entrenar con métodos estándar basados en gradientes porque sus eventos de disparo discretos son no diferenciables. Según los ingenieros de la empresa, este diseño aborda directamente los eventos de espigueo no diferenciables y la dinámica neuronal aleatoria, restaurando la entrenabilidad de las redes de espigueo a nivel de sistema.

Las imágenes de entrada pasan primero por un módulo de preprocesamiento clásico que convierte los datos de píxeles en secuencias de espigueo espacio-temporales. Dentro de este marco, el ruido pasa a formar parte de la señal temporal en lugar de funcionar puramente como interferencia.

Capa cuántica y rendimiento de precisión

La red de espigueo profundo extrae características espacio-temporales de alto nivel a partir de los datos codificados. Las estadísticas intermedias de espigueo se mapean a estados de qubits mediante una técnica conocida como codificación de amplitud, que permite representar estructuras de espigueo complejas de manera eficiente utilizando menos qubits.

Luego, un circuito cuántico variacional parametrizado evoluciona aún más el estado cuántico codificado. Múltiples puertas cuánticas ajustables se actualizan conjuntamente con el optimizador clásico durante todo el ciclo de entrenamiento, y los resultados de las mediciones cuánticas guían los ajustes de los pesos de la red clásica.

En las pruebas, DSQ-Net mantuvo una precisión de clasificación superior al 90% en imágenes con ruido no vistas previamente. El modelo superó a las redes de espigueo clásicas de escala comparable en comparaciones directas, y el rendimiento se degradó de forma más gradual a medida que aumentaban los niveles de ruido, según informó la empresa. Estos resultados fueron autoinformados y no han sido verificados de forma independiente por investigadores externos.

Validación y aplicaciones en el mundo real

MicroCloud Hologram validó el modelo utilizando un simulador cuántico de alta fidelidad en lugar de hardware cuántico físico, una decisión destinada a garantizar resultados reproducibles mientras la tecnología de hardware cuántico se encuentra en una etapa relativamente inmadura. Este enfoque es común en la comunidad de investigación de aprendizaje automático cuántico, donde las limitaciones de hardware —incluyendo el número de qubits, el tiempo de coherencia y las tasas de error— siguen restringiendo lo que puede ejecutarse en procesadores físicos. Los investigadores construyeron múltiples conjuntos de datos con diversos tipos e intensidades de ruido para realizar pruebas exhaustivas.

La empresa ve aplicaciones potenciales que abarcan la inspección industrial, los sistemas de percepción de tráfico y los dispositivos de computación perimetral con recursos limitados. Las redes de espigueo son inherentemente adecuadas para estos casos de uso debido a sus características de procesamiento de bajo consumo y orientado a eventos. El paralelismo cuántico podría reducir aún más la complejidad computacional general a medida que el hardware cuántico madure — aunque la transición de la simulación al despliegue físico requeriría hardware capaz de ejecutar de manera confiable los circuitos variacionales a gran escala.

Este avance también impulsa el aprendizaje automático cuántico más allá de las ventajas de velocidad puramente teóricas, abordando desafíos prácticos como el ruido, la incertidumbre y la dinámica no diferenciable. MicroCloud Hologram posiciona a DSQ-Net como un puente que conecta los campos de la computación cuántica y la computación neuromórfica. Si la arquitectura puede transitar de la validación basada en simuladores a resultados en hardware cuántico a corto plazo sigue siendo una pregunta abierta para el campo en general.

Fuente: Blockonomi