MicroCloud Hologram Inc.（NASDAQ: HOLO）の株価は木曜日の午前取引中に4.51%上昇し1.6199ドルとなった。これは同社がノイズ画像の分類に特化して設計された深層スパイキング量子ニューラルネットワーク「DSQ-Net」の開発を発表したことを受けての動きである。この技術は、量子コンピューティングと神経模倣型エンジニアリングの統合に向けた意図的な一歩を示している。両分野はこれまでほぼ独立して発展しており、IBM、Google、Intelなどの主要プレイヤーはそれぞれ独自の量子コンピューティングおよび脳型コンピューティング研究プログラムを推進してきた。

DSQ-Netのアーキテクチャ

MicroCloud Hologramは、長年にわたり蓄積された量子アルゴリズムの研究とエンジニアリングを基盤としてDSQ-Netを開発した。本システムは、変分量子回路を中核的な補助学習メカニズムとして導入しており、量子回路を特徴マッピングのみに利用していた従来のアプローチからの大幅な転換となっている。

本アーキテクチャは、量子回路をスパイキングニューラルネットワークの学習プロセスに直接組み込んでいる。スパイキングニューラルネットワークは、生物学的ニューロンを大まかにモデル化した離散的時間パルスを用いて情報を処理するが、その離散的な発火イベントが非微分可能であるため、標準的な勾配ベースの手法では学習が困難という歴史的課題があった。同社のエンジニアによれば、この設計は非微分可能なスパイキングイベントとランダムなニューロンダイナミクスに直接取り組み、システムレベルでスパイキングネットワークの学習可能性を回復させるという。

入力画像はまず古典的前処理モジュールを通過し、ピクセルデータが時空間スパイクシーケンスに変換される。このフレームワーク内では、ノイズは純粋な干渉としてではなく、時間信号の一部として扱われる。

量子レイヤーと精度パフォーマンス

深層スパイキングネットワークは、エンコードされたデータから高レベルの時空間特徴を抽出する。中間スパイク統計は振幅エンコーディングと呼ばれる手法を通じてキュービット状態にマッピングされ、これにより複雑なスパイク構造をより少ないキュービットで効率的に表現できる。

次に、パラメータ化された変分量子回路がエンコードされた量子状態をさらに発展させる。学習サイクル全体を通じて、複数の調整可能な量子ゲートが古典的最適化器と連動して更新され、量子測定結果が古典的ネットワーク重みの調整を導く。

テストにおいて、DSQ-Netは未見のノイズ画像に対して90%以上の分類精度を維持した。このモデルは直接比較において同等規模の従来型スパイキングネットワークを上回り、ノイズレベルの上昇に伴う性能低下もより緩やかであったと同社は報告している。なお、これらの結果は自己報告であり、第三者機関の研究者による独立検証は受けていない。

検証と実世界での応用

MicroCloud Hologramは、物理的量子ハードウェアではなく高忠実度量子シミュレータを用いてモデルの検証を行った。これは、量子ハードウェア技術が比較的未成熟な段階にある中で、再現可能な結果を確保することを目的とした決定である。このアプローチは量子機械学習の研究コミュニティ全体で一般的であり、キュービット数、コヒーレンス時間、エラー率などのハードウェアの制約が、物理プロセッサ上で実行可能な処理を依然として制限している。研究者らは、多様なノイズの種類と強度を特徴とする複数のデータセットを構築し、徹底的なテストを実施した。

同社は、産業検査、交通認識システム、およびリソースが制約されたエッジコンピューティングデバイスにまたがる応用の可能性を見込んでいる。スパイキングネットワークは、低電力でイベント駆動型の処理特性により、こうしたユースケースに本質的に適している。量子ハードウェアの成熟に伴い、量子並列性が全体的な計算複雑性をさらに低減する可能性がある。ただし、シミュレーションから物理的デプロイメントへの移行には、変分回路を大規模かつ確実に実行できるハードウェアが必要となる。

この成果はまた、量子機械学習を純粋に理論的な高速化の優位性を超えて推し進め、ノイズ、不確実性、非微分可能なダイナミクスといった現実的な課題に対処するものである。MicroCloud HologramはDSQ-Netを、量子コンピューティングと神経模倣型コンピューティングの両分野を結ぶ橋として位置付けている。本アーキテクチャがシミュレータベースの検証から近期の量子ハードウェア上での結果へと移行できるかどうかは、関連分野全体にとって未解決の課題である。

出典：Blockonomi