MicroCloud Hologram Inc. (NASDAQ: HOLO) 股价在周四上午交易时段上涨4.51%至1.6199美元，此前公司宣布开发了一种名为DSQ-Net的深度脉冲量子神经网络，专为噪声图像分类而设计。该技术代表着将量子计算与神经形态工程相结合的刻意一步——这两个领域在很大程度上是独立发展的，IBM、谷歌和英特尔等主要企业分别在量子计算和类脑计算研究项目上进行独立探索。

DSQ-Net架构

MicroCloud Hologram 在多年积累的量子算法研究和工程基础上开发了DSQ-Net。该系统引入了变分量子电路作为核心辅助训练机制——这与此前仅将量子电路用于特征映射的方法形成了显著区别。

该架构将量子电路直接嵌入脉冲神经网络的训练过程中。脉冲神经网络利用 loosely 基于生物神经元的离散时间脉冲来处理信息，由于其离散放电事件不可微，历来难以使用标准基于梯度的方法进行训练。据公司工程师介绍，该设计直接应对不可微的脉冲事件和随机神经元动力学，在系统层面恢复了脉冲网络的可训练性。

输入图像首先经过一个经典预处理模块，将像素数据转换为时空脉冲序列。在此框架下，噪声成为时间信号的一部分，而非纯粹的干扰。

量子层与准确率表现

深度脉冲网络从编码数据中提取高层时空特征。中间脉冲统计量通过一种称为振幅编码的技术映射为量子比特状态，该技术能够以更少的量子比特高效表示复杂的脉冲结构。

随后，参数化变分量子电路进一步演化编码后的量子状态。在整个训练周期中，多个可调量子门与经典优化器同步更新，量子测量结果指导经典网络权重的调整。

在测试中，DSQ-Net在未见过的噪声图像上保持了超过90%的分类准确率。在直接对比中，该模型优于同等规模的经典脉冲网络，且随着噪声水平增加，性能下降更为缓慢，公司报告称。这些结果为公司自行报告，尚未经过第三方研究人员的独立验证。

验证与实际应用

MicroCloud Hologram 使用高保真量子模拟器而非物理量子硬件来验证模型，这一决定旨在确保结果的可复现性，同时量子硬件技术仍处于相对不成熟的阶段。这种方法在量子机器学习研究界较为常见，因为硬件限制（包括量子比特数量、相干时间和错误率）仍然制约着在物理处理器上可执行的操作。研究人员构建了包含不同噪声类型和强度的多个数据集，以进行全面测试。

公司认为潜在应用涵盖工业检测、交通感知系统和受资源限制的边缘计算设备。脉冲网络因其低功耗、事件驱动的处理特性，天然适用于这些场景。随着量子硬件的成熟，量子并行性可能进一步降低整体计算复杂度——但从模拟过渡到物理部署，将需要能够大规模可靠运行变分电路的硬件。

这一突破还推动量子机器学习超越了纯理论上的速度优势，直接应对噪声、不确定性和不可微动力学等实际问题。MicroCloud Hologram 将DSQ-Net定位为连接量子计算与神经形态计算领域的桥梁。该架构能否从基于模拟器的验证过渡到近期量子硬件上的实际结果，对整个领域而言仍是一个悬而未决的问题。

来源：Blockonomi