Акции MicroCloud Hologram Inc. (NASDAQ: HOLO) выросли на 4,51% до $1,6199 в ходе утренних торгов в четверг после того, как компания объявила о разработке глубокой спайковой квантовой нейронной сети, получившей название DSQ-Net, специально предназначенной для классификации зашумлённых изображений. Эта технология представляет собой осознанный шаг на пути интеграции квантовых вычислений с нейроморфной инженерией — двух областей, которые развивались в значительной степени независимо, при этом такие крупные игроки, как IBM, Google и Intel, ведут отдельные исследовательские программы в области квантовых и нейроинспирированных вычислений.

Архитектура DSQ-Net

MicroCloud Hologram разработала DSQ-Net на основе многолетних накопленных исследований и инженерных разработок в области квантовых алгоритмов. Система использует вариационную квантовую схему в качестве ключевого вспомогательного механизма обучения — заметное отличие от более ранних подходов, в которых квантовые схемы применялись исключительно для отображения признаков.

Архитектура встраивает квантовые схемы непосредственно в процессы обучения спайковых нейронных сетей. Спайковые нейронные сети, обрабатывающие информацию с помощью дискретных временных импульсов, моделируемых по образцу биологических нейронов, исторически было сложно обучать стандартными градиентными методами, поскольку их дискретные события активации недифференцируемы. По словам инженеров компании, данная конструкция напрямую решает проблему недифференцируемых спайковых событий и случайной нейрональной динамики, восстанавливая обучаемость спайковых сетей на системном уровне.

Входные изображения сначала проходят через классический модуль предварительной обработки, который преобразует пиксельные данные в пространственно-временные последовательности спайков. В рамках этого подхода шум становится частью временного сигнала, а не выступает исключительно как помеха.

Квантовый слой и точность

Глубокая спайковая сеть извлекает высокоуровневые пространственно-временные признаки из закодированных данных. Промежуточные статистические характеристики спайков отображаются в состояния кубитов с помощью метода, называемого амплитудным кодированием, который позволяет эффективно представлять сложные спайковые структуры с использованием меньшего числа кубитов.

Затем параметризованная вариационная квантовая схема дополнительно эволюционирует закодированное квантовое состояние. Множество настраиваемых квантовых вентилей обновляются совместно с классическим оптимизатором на протяжении всего цикла обучения, а результаты квантовых измерений определяют корректировку весов классической сети.

В ходе тестирования DSQ-Net сохраняла точность классификации выше 90% на ранее не наблюдавшихся зашумлённых изображениях. Модель превзошла классические спайковые сети сопоставимого масштаба в прямых сравнительных испытаниях, а снижение производительности при увеличении уровня шума происходило более плавно, сообщила компания. Эти результаты являются самостоятельно заявленными и не прошли независимую проверку сторонними исследователями.

Валидация и практическое применение

MicroCloud Hologram валидировала модель с использованием высокоточного квантового симулятора, а не физического квантового оборудования — решение, принятое для обеспечения воспроизводимости результатов, пока технология квантового оборудования находится на относительно ранней стадии развития. Такой подход широко распространён в исследовательском сообществе квантового машинного обучения, где аппаратные ограничения, включая количество кубитов, время когерентности и частоту ошибок, по-прежнему ограничивают возможности выполнения вычислений на физических процессорах. Исследователи сформировали несколько наборов данных с различными типами и уровнями интенсивности шума для проведения всестороннего тестирования.

Компания видит потенциал применения в промышленной дефектоскопии, системах распознавания дорожной обстановки и периферийных вычислительных устройствах с ограниченными ресурсами. Спайковые сети изначально хорошо подходят для подобных задач благодаря низкому энергопотреблению и обработке данных, управляемой событиями. Квантовый параллелизм мог бы дополнительно снизить общую вычислительную сложность по мере развития квантового оборудования — однако переход от симуляции к физическому развёртыванию потребует оборудования, способного надёжно выполнять вариационные схемы в масштабе.

Этот прорыв также продвигает квантовое машинное обучение за рамки чисто теоретических преимуществ в скорости, решая практические задачи, такие как шум, неопределённость и недифференцируемая динамика. MicroCloud Hologram позиционирует DSQ-Net как мост, связывающий области квантовых и нейроморфных вычислений. Вопрос о том, сможет ли архитектура перейти от валидации на симуляторе к результатам на ближайшем физическом квантовом оборудовании, остаётся открытым для всей отрасли.

Источник: Blockonomi