微雲全息公司（NASDAQ: HOLO）股價在週四上午交易時段上漲4.51%至1.6199美元，此前該公司宣布開發出一種名為DSQ-Net的深度脈衝量子神經網路，專為雜訊影像分類而設計。該技術代表了將量子運算與神經形態工程整合的深思熟慮之舉——這兩個領域過去基本上是獨立發展的，IBM、Google和Intel等主要業者各自推動量子與仿腦運算研究計畫。

DSQ-Net架構

微雲全息在多年累積的量子演算法研究與工程基礎上開發了DSQ-Net。該系統引入變分量子電路作為核心輔助訓練機制——這與早期僅將量子電路用於特徵映射的方法有顯著不同。

該架構將量子電路直接嵌入脈衝神經網路的訓練過程中。脈衝神經網路利用模仿生物神經元的離散時間脈衝來處理資訊，但由於其離散發放事件不可微分，歷來難以使用標準梯度方法進行訓練。根據該公司工程師的說法，此設計直接應對不可微分的脈衝事件與隨機神經元動態，在系統層面上恢復了脈衝網路的可訓練性。

輸入影像首先通過一個經典預處理模組，將像素資料轉換為時空脈衝序列。在此框架下，雜訊成為時間信號的一部分，而非單純的干擾。

量子層與準確率表現

深度脈衝網路從編碼資料中提取高階時空特徵。中間脈衝統計量通過一種稱為振幅編碼的技術映射到量子位元狀態，使複雜的脈衝結構能以更少的量子位元高效表示。

隨後，參數化變分量子電路進一步演化編碼後的量子狀態。在整個訓練週期中，多個可調量子閘與經典優化器同步更新，量子測量結果則引導經典網路權重的調整。

在測試中，DSQ-Net在先前未見過的雜訊影像上維持了超過90%的分類準確率。該公司報告指出，在直接比較中，該模型優於同等規模的經典脈衝神經網路，且隨著雜訊水平增加，性能下降更為平緩。這些結果為公司自行報告，未經第三方研究人員獨立驗證。

驗證與實際應用

微雲全息使用高保真量子模擬器而非實體量子硬體驗證該模型，此決策旨在確保結果的可重現性，因為量子硬體技術仍處於相對不成熟的階段。這種做法在量子機器學習研究社群中相當普遍，其中量子位元數量、相干時間和錯誤率等硬體限制仍制約著可在實體處理器上執行的內容。研究人員建構了包含不同雜訊類型和強度的多個資料集，以進行全面測試。

該公司認為潛在應用涵蓋工業檢測、交通感知系統以及受限的邊緣運算設備。脈衝網路因其低功耗、事件驅動的處理特性，天然適合此類應用場景。隨著量子硬體日趨成熟，量子並行性可進一步降低整體運算複雜度——然而，從模擬過渡到實體部署，將需要能夠可靠地大規模運行變分電路的硬體。

該突破也推動量子機器學習超越純理論上的速度優勢，著手解決雜訊、不確定性和不可微動態等實際挑戰。微雲全息將DSQ-Net定位為連接量子運算與神經形態運算領域的橋樑。該架構能否從模擬器驗證過渡到近期量子硬體上的實際成果，仍是更廣泛領域中一個開放性問題。

來源：Blockonomi