MicroCloud Hologram Inc. annonce une avancée technologique majeure : une méthode de classification multi-classes reposant sur le réseau de neurones quantique convolutionnel (QCNN) intégrant un apprentissage hybride quantique-classique. Cette innovation illustre non seulement l'immense potentiel de l'informatique quantique dans la reconnaissance d'images et les tâches de classification complexes, mais ouvre également une nouvelle voie pour le développement de l'intelligence artificielle dans l'ère post-Moore. Le contexte de ce lancement s'inscrit dans la généralisation rapide de l'apprentissage profond dans des domaines tels que la vision par ordinateur, la reconnaissance vocale ou le traitement du langage naturel, où les réseaux neuronaux classiques se heurtent progressivement à des limites en matière de puissance de calcul, de consommation énergétique et de complexité des modèles.
Pour les données d'entrée, des échantillons partiels sélectionnés du jeu de données MNIST, en particulier quatre types d'images de chiffres manuscrits, ont été utilisés pour l'entraînement et la validation. Le codage des données s'effectue à l'aide de huit qubits, complétés par quatre qubits auxiliaires afin de soutenir le processus de calcul et d'optimisation, constituant ainsi un cadre de calcul quantique alliant efficacité et évolutivité. Sur le plan de la conception du modèle, HOLO a proposé un nouveau modèle de perceptron quantique.
Ce modèle place l'évolution et la mesure de l'état quantique au coeur de son fonctionnement, en introduisant le concept d'extraction de caractéristiques des réseaux neuronaux convolutionnels dans la structure du circuit quantique. Contrairement aux neurones traditionnels qui s'appuient sur des fonctions d'activation non linéaires pour modéliser des schémas complexes, le perceptron quantique génère naturellement des mappages de caractéristiques en haute dimension grâce aux effets de superposition et d'intrication des portes quantiques, ce qui lui confère la capacité d'exprimer des fonctions complexes dans un espace de paramètres réduit. Les optimisations supplémentaires du circuit incluent la réduction des opérations de portes redondantes, l'amélioration de la structure d'intrication entre les couches, et l'introduction de portes de rotation paramétrées après la couche convolutionnelle pour renforcer l'extraction non linéaire des caractéristiques. Ainsi, même dans les conditions matérielles limitées de l'ère NISQ (calcul quantique à bruit intermédiaire et échelle intermédiaire), le modèle conserve expressivité et stabilité.
Le circuit quantique prend en charge le codage de l'état quantique et l'évolution des échantillons d'entrée, puis fournit les résultats de mesure sous forme de distribution de probabilités quantiques. Ces résultats sont ensuite transmis à l'unité de calcul classique, normalisés via la fonction d'activation softmax, pour finalement former les probabilités de classification. Le système utilise ensuite la fonction de perte par entropie croisée pour mesurer l'écart entre les prédictions et les étiquettes réelles, mettant à jour de façon itérative les paramètres du circuit quantique à l'aide d'un optimiseur classique. Cette conception exploite à la fois les avantages du calcul quantique pour la modélisation des caractéristiques et l'expérience éprouvée du calcul classique pour les algorithmes d'optimisation, améliorant ainsi significativement l'efficacité de l'entraînement et la vitesse de convergence du modèle.
Les résultats expérimentaux montrent que, dans le scénario de classification en quatre classes, la performance du réseau de neurones quantique convolutionnel de HOLO est comparable, en termes de précision, à celle des réseaux neuronaux convolutionnels classiques à échelle de paramètres équivalente. Cette conclusion atteste non seulement de la faisabilité des réseaux neuronaux quantiques dans des tâches pratiques, mais renforce également la valeur de l'apprentissage automatique quantique en tant que direction technologique d'avenir. La technologie de HOLO ne se limite pas à une simple transposition de modèle, mais constitue une avancée innovante issue d'optimisations profondes au niveau du circuit quantique.
L'introduction du perceptron quantique permet de maîtriser efficacement la complexité du circuit, évitant ainsi l'accumulation de bruit liée à des opérations de portes redondantes ; la structure optimisée des couches d'intrication accroît significativement la capacité d'expression du modèle, lui permettant de capturer des corrélations plus complexes entre les données. Ces points d'innovation établissent des bases solides pour l'application à grande échelle des réseaux neuronaux quantiques à l'avenir. HOLO prévoit également d'optimiser la scalabilité des circuits quantiques lors de ses prochains travaux de recherche et développement, en explorant la combinaison de réseaux convolutionnels quantiques multi-couches avec des structures profondes à résidus.
La technologie de classification multi-classes de réseau de neurones quantique convolutionnel de HOLO, fondée sur l'apprentissage hybride quantique-classique, démontre non seulement les avantages uniques de l'informatique quantique en intelligence artificielle, mais apporte également de nouvelles solutions pour surmonter les goulets d'étranglement du développement de l'apprentissage profond. Avec le progrès conjoint du matériel et des algorithmes quantiques, cette technologie devrait sortir du laboratoire pour s'orienter vers des applications industrielles, devenant ainsi une force majeure dans la construction de la société intelligente de demain.
















