fr.wedoany.com Rapport : WiMi Hologram Cloud Inc. (WiMi) a dévoilé une technologie de réseau neuronal convolutif hybride quantique, en proposant et en mettant en œuvre un schéma de convolution par noyau quantique (QKC) adapté aux dispositifs quantiques bruyants à échelle intermédiaire (NISQ) actuels, offrant ainsi une voie réalisable pour l'ingénierie des modèles de classification d'images améliorés par le quantique.
L'objectif principal de cette technologie n'est pas d'intégrer directement des circuits quantiques dans les réseaux neuronaux classiques, mais de repenser la méthode de calcul de l'extraction des caractéristiques et de la réduction de dimensionnalité en partant des opérations de convolution intensives en calcul. WiMi explique que les couches de convolution classiques reposent sur des fenêtres glissantes et des sommes pondérées linéaires pour extraire les caractéristiques locales, tandis que le calcul quantique possède des propriétés de représentation dans un espace de Hilbert de haute dimension et de parallélisme quantique. Si les blocs d'images locaux peuvent être mappés en états quantiques et que le mélange des caractéristiques est réalisé par une évolution d'intrication contrôlée, il est possible d'obtenir une capacité d'extraction de caractéristiques équivalente, voire plus expressive, avec un nombre de paramètres réduit.
WiMi souligne que sa méthode de pooling proposée est essentiellement un mécanisme de redistribution et de sélection de l'information, permettant une compression dimensionnelle sans élimination explicite de l'information, réduisant ainsi la charge de calcul des circuits quantiques et des réseaux classiques ultérieurs.
Sur le plan de l'architecture système globale, ce QCNN hybride adopte une conception hiérarchique classique-quantique collaborative. Le réseau neuronal classique est responsable de la normalisation préliminaire des données d'entrée, de l'ajustement dimensionnel et de la décision de classification finale, tandis que la couche de convolution quantique est intégrée aux positions clés d'extraction des caractéristiques, agissant comme un module d'accélération quantique. Cette conception permet au modèle de tirer parti de la chaîne d'outils d'apprentissage profond classique mature tout en introduisant des avantages quantiques aux nœuds de calcul critiques, évitant ainsi les problèmes d'extensibilité des modèles entièrement quantiques dans les conditions matérielles actuelles.
En termes de mise en œuvre technique, WiMi a réalisé une implémentation complète, de la construction de circuits quantiques et de l'entraînement paramétrique à l'intégration avec les frameworks d'apprentissage profond classiques, en utilisant le framework de développement de calcul quantique Qiskit. La couche de convolution quantique est encapsulée en une interface de module réutilisable, pouvant être directement intégrée dans les flux de travail d'apprentissage profond existants. Pendant l'entraînement, une stratégie d'optimisation hybride est adoptée : l'algorithme de rétropropagation classique est utilisé pour mettre à jour les paramètres du réseau classique, tandis que la règle de décalage de paramètres est utilisée pour estimer les gradients des circuits quantiques, permettant un entraînement conjoint de bout en bout. Cette approche résout le défi de la propagation des gradients entre les composants quantiques et classiques.
Lors de la phase expérimentale, WiMi a choisi l'ensemble de données de chiffres manuscrits MNIST comme tâche de référence pour évaluer systématiquement le modèle QCNN hybride. Les résultats montrent que, même avec une réduction significative du nombre de paramètres par rapport aux modèles CNN traditionnels, ce modèle hybride atteint une précision de classification comparable à celle des modèles classiques. Il est particulièrement remarquable que, après avoir remplacé certaines couches de convolution classiques par des couches de convolution quantiques, l'échelle des paramètres et la complexité de calcul du modèle sont efficacement contrôlées, tout en maintenant une performance de convergence stable, ce qui indique que la convolution par noyau quantique est pratiquement réalisable dans des tâches réelles.
Grâce à l'analyse des états quantiques intermédiaires et des résultats de mesure, WiMi a validé l'efficacité du mécanisme de pooling quantique basé sur l'intrication dans le processus de réduction dimensionnelle. Les expériences montrent que le pooling quantique non seulement compresse les dimensions des caractéristiques, mais préserve également les informations discriminantes clés nécessaires à la tâche de classification. Cette découverte offre un nouveau point d'entrée pour la recherche sur l'interprétabilité des réseaux neuronaux quantiques et jette les bases pour une extension à des ensembles de données et des tâches plus complexes.
Cette technologie de réseau neuronal convolutif hybride quantique constitue une étape importante pour WiMi dans la réalisation de son objectif stratégique à long terme de déploiement d'une intelligence artificielle améliorée par le quantique. En mettant l'accent sur une faible profondeur, une modularité et une haute compatibilité avec l'écosystème d'IA existant, cette technologie offre une voie réaliste pour le passage du calcul quantique du laboratoire à des applications pratiques. WiMi indique qu'à l'avenir, elle explorera davantage le potentiel d'application de cette architecture pour des images à plus haute résolution, des données multicanal et d'autres tâches perceptuelles, tout en optimisant continuellement la conception des circuits en fonction des développements du matériel quantique.
La publication de la technologie de convolution par noyau quantique du réseau neuronal hybride de WiMi marque une étape importante dans le passage de l'apprentissage automatique quantique de la validation de concept à la mise en œuvre technique, démontrant la valeur pratique du calcul quantique dans des tâches réelles de reconnaissance d'images et offrant une conception claire pour la construction de systèmes de calcul quantique-classique collaboratifs. Avec l'amélioration continue des performances du matériel quantique et la maturation des outils de développement, le cadre QCNN hybride construit par WiMi devrait jouer un rôle dans un plus large éventail d'applications d'IA, devenant un composant important des technologies de calcul intelligent de nouvelle génération.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
