Le azioni di MicroCloud Hologram Inc. (NASDAQ: HOLO) hanno registrato un aumento del 4,51% a $1,6199 durante le contrattazioni del giovedì mattina dopo che l'azienda ha annunciato lo sviluppo di una Deep Spiking Quantum Neural Network, denominata DSQ-Net, progettata specificamente per la classificazione di immagini rumorose. La tecnologia rappresenta un passo deliberato verso l'integrazione del quantum computing con l'ingegneria neuromorfica — due campi che si sono sviluppati in gran parte in modo indipendente, con importanti attori come IBM, Google e Intel che perseguono programmi di ricerca separati nel computing quantistico e in quello di ispirazione cerebrale.

Architettura DSQ-Net

MicroCloud Hologram ha sviluppato DSQ-Net sulla base di anni di ricerca e ingegneria accumulata sugli algoritmi quantistici. Il sistema introduce un circuito quantistico variazionale come meccanismo di addestramento ausiliario principale — un allontanamento significativo dagli approcci precedenti che utilizzavano i circuiti quantistici esclusivamente per il feature mapping.

L'architettura incorpora i circuiti quantistici direttamente nei processi di addestramento delle reti neurali spiking. Le reti neurali spiking, che elaborano le informazioni utilizzando impulsi temporali discreti modellati in modo approssimativo sui neuroni biologici, sono storicamente state difficili da addestrare con metodi standard basati su gradienti perché i loro eventi di spiking discreti non sono differenziabili. Secondo gli ingegneri dell'azienda, questo design affronta direttamente gli eventi di spiking non differenziabili e la dinamica neuronale casuale, ripristinando la addestrabilità delle reti spiking a livello di sistema.

Le immagini di input passano prima attraverso un modulo di pre-elaborazione classico che converte i dati dei pixel in sequenze di spike spazio-temporali. All'interno di questo quadro, il rumore diventa parte del segnale temporale anziché funzionare puramente come interferenza.

Livello Quantistico e Prestazioni di Accuratezza

La rete spiking profonda estrae caratteristiche spazio-temporali di alto livello dai dati codificati. Le statistiche intermedie degli spike vengono mappate in stati di qubit attraverso una tecnica nota come amplitude encoding, che consente di rappresentare in modo efficiente strutture di spike complesse utilizzando meno qubit.

Un circuito quantistico variazionale parametrizzato fa quindi evolvere ulteriormente lo stato quantistico codificato. Più porte quantistiche regolabili vengono aggiornate in congiunzione con l'ottimizzatore classico durante l'intero ciclo di addestramento, con i risultati delle misurazioni quantistiche che guidano le regolazioni dei pesi della rete classica.

Nei test, DSQ-Net ha mantenuto un'accuratezza di classificazione superiore al 90% su immagini rumorose non viste in precedenza. Il modello ha superato le reti neurali spiking classiche di scala comparabile nei confronti diretti e le prestazioni sono degradate più gradualmente all'aumentare del livello di rumore, secondo quanto riportato dall'azienda. Questi risultati sono auto-riportati e non sono stati verificati in modo indipendente da ricercatori di terze parti.

Convalida e Applicazioni nel Mondo Reale

MicroCloud Hologram ha convalidato il modello utilizzando un simulatore quantistico ad alta fedeltà anziché hardware quantistico fisico, una decisione intesa a garantire risultati riproducibili mentre la tecnologia hardware quantistico si trova in una fase relativamente immatura. Questo approccio è comune nella comunità di ricerca del quantum machine learning, dove le limitazioni dell'hardware — tra cui il numero di qubit, il tempo di coerenza e i tassi di errore — limitano ancora ciò che può essere eseguito sui processori fisici. I ricercatori hanno costruito diversi set di dati con vari tipi e intensità di rumore per condurre test approfonditi.

L'azienda individua potenziali applicazioni che spaziano dall'ispezione industriale, ai sistemi di percezione del traffico, ai dispositivi di edge computing con vincoli. Le reti spiking sono intrinsecamente adatte a tali casi d'uso grazie alle loro caratteristiche di elaborazione a basso consumo e basata su eventi. Il parallelismo quantistico potrebbe ridurre ulteriormente la complessità computazionale complessiva man mano che l'hardware quantistico matura — sebbene il passaggio dalla simulazione all'implementazione fisica richiederebbe hardware in grado di eseguire in modo affidabile i circuiti variazionali su larga scala.

Il risultato spinge inoltre il quantum machine learning oltre i vantaggi di velocità puramente teorici, affrontando sfide pratiche come rumore, incertezza e dinamiche non differenziabili. MicroCloud Hologram posiziona DSQ-Net come un ponte che collega i campi del quantum computing e del neuromorphic computing. La possibilità che l'architettura passi dalla convalida basata su simulatore a risultati su hardware quantistico a breve termine rimane una questione aperta per l'intero settore.

Fonte: Blockonomi