WiMi ศึกษาแบบจำลองโครงข่ายประสาทเทียมคอนโวลูชันควอนตัม-คลาสสิกแบบไฮบริด

(SeaPRwire) –   ปักกิ่ง, 23 ตุลาคม 2568 — ปักกิ่ง, 23 ตุลาคม 2568––WiMi Hologram Cloud Inc. (NASDAQ: WiMi) (“WiMi” หรือ “บริษัท”) ผู้ให้บริการเทคโนโลยี Hologram Augmented Reality (“AR”) ชั้นนำระดับโลก ประกาศในวันนี้ว่าพวกเขากำลังสำรวจรูปแบบโครงข่ายประสาทเทียมคอนโวลูชันแบบไฮบริดควอนตัม-คลาสสิกตื้น (SHQCNN) อย่างแข็งขัน ซึ่งนำมาซึ่งความก้าวหน้าทางนวัตกรรมในด้านการจำแนกประเภทภาพ
วิธีการควอนตัมแปรผัน ซึ่งเป็นวิธีการทางเทคนิคที่สำคัญในสาขาการประมวลผลควอนตัม มอบเส้นทางที่มีประสิทธิภาพสำหรับการออกแบบและการนำไปใช้ซึ่งอัลกอริทึมควอนตัม โดยการแปลงปัญหาการเพิ่มประสิทธิภาพของสถานะควอนตัมให้เป็นปัญหาการเพิ่มประสิทธิภาพแบบคลาสสิก WiMi ได้นำวิธีการควอนตัมแปรผันขั้นสูงมาใช้ในรูปแบบ SHQCNN ซึ่งวางรากฐานที่มั่นคงสำหรับการทำงานที่มีประสิทธิภาพของโมเดลในงานจำแนกประเภทภาพ วิธีการควอนตัมแปรผันขั้นสูงได้รับการปรับปรุงในหลายแง่มุมโดยอิงจากวิธีการแบบดั้งเดิม ประการแรก ในแง่ของการแสดงสถานะควอนตัม โดยการแนะนำการผสมผสานที่ซับซ้อนยิ่งขึ้นของเกตควอนตัมและรูปแบบพารามิเตอร์ ทำให้สามารถอธิบายคุณสมบัติควอนตัมของข้อมูลภาพได้อย่างแม่นยำยิ่งขึ้น ประการที่สอง ในอัลกอริทึมการเพิ่มประสิทธิภาพ มีการใช้กลยุทธ์การเพิ่มประสิทธิภาพแบบปรับตัวขั้นสูง ซึ่งสามารถปรับพารามิเตอร์การเพิ่มประสิทธิภาพแบบไดนามิกตามผลตอบรับแบบเรียลไทม์ในระหว่างกระบวนการฝึกอบรม ซึ่งช่วยเร่งความเร็วในการบรรจบกันและปรับปรุงประสิทธิภาพการฝึกอบรมของโมเดล วิธีการควอนตัมแปรผันขั้นสูงนี้ช่วยให้รูปแบบ SHQCNN สามารถใช้ประโยชน์จากข้อดีของการประมวลผลควอนตัมได้อย่างเต็มที่เมื่อจัดการกับงานจำแนกประเภทภาพ ในขณะที่หลีกเลี่ยงปัญหาความซับซ้อนที่เกิดจากการเพิ่มจำนวนเลเยอร์ใน QNN แบบดั้งเดิม
ในงานจำแนกประเภทภาพ คุณภาพและความสามารถในการแยกแยะของข้อมูลอินพุตส่งผลโดยตรงต่อประสิทธิภาพของโมเดล รูปแบบ SHQCNN ใช้วิธีการเข้ารหัสเคอร์เนลในเลเยอร์อินพุต วิธีนี้เหมือนกับกุญแจที่แม่นยำ ซึ่งช่วยเพิ่มประสิทธิภาพในการแยกแยะและประมวลผลข้อมูล แนวคิดหลักของวิธีการเข้ารหัสเคอร์เนลคือการแมปข้อมูลภาพต้นฉบับจากพื้นที่มิติที่ต่ำไปยังพื้นที่คุณสมบัติที่มีมิติสูงผ่านการแมปแบบไม่เชิงเส้น ทำให้ข้อมูลภาพที่ยากต่อการแยกแยะในพื้นที่มิติที่ต่ำสามารถแยกออกจากกันได้ง่ายขึ้นในพื้นที่มิติที่สูงกว่า ด้วยวิธีการเข้ารหัสเคอร์เนล รูปแบบ SHQCNN จะปรับปรุงการประมวลผลข้อมูลในขั้นตอนอินพุต โดยให้ข้อมูลอินพุตคุณภาพสูงสำหรับการคำนวณของเลเยอร์ที่ซ่อนอยู่และเลเยอร์เอาต์พุตที่ตามมา ซึ่งจะช่วยปรับปรุงความแม่นยำในการจำแนกประเภทของโมเดลทั้งหมด
และเลเยอร์ที่ซ่อนอยู่ ซึ่งเป็นส่วนหลักของโครงข่ายประสาทเทียม จะรับหน้าที่สำคัญในการดึงคุณสมบัติและการแปลงข้อมูลอินพุต ใน QNN แบบดั้งเดิม เมื่อจำนวนเลเยอร์เพิ่มขึ้น ความซับซ้อนในการคำนวณของเลเยอร์ที่ซ่อนอยู่จะเพิ่มขึ้นอย่างรวดเร็ว ทำให้กระบวนการฝึกอบรมเป็นเรื่องยากอย่างยิ่ง รูปแบบ SHQCNN ออกแบบวงจรควอนตัมแปรผันในเลเยอร์ที่ซ่อนอยู่ ซึ่งแก้ปัญหานี้ได้อย่างชาญฉลาด วงจรควอนตัมแปรผันประกอบด้วยชุดของเกตควอนตัม ซึ่งสามารถทำการแปลงเฉพาะบนสถานะควอนตัมอินพุต เมื่อเทียบกับเลเยอร์ที่ซ่อนอยู่ของโครงข่ายประสาทเทียมเชิงลึกแบบดั้งเดิม วงจรควอนตัมแปรผันมีโครงสร้างที่กระชับกว่าและความซับซ้อนในการคำนวณที่ต่ำกว่า ด้วยการออกแบบประเภทและลำดับการจัดเรียงของเกตควอนตัมอย่างมีเหตุผล วงจรควอนตัมแปรผันสามารถบรรลุการดึงคุณสมบัติของภาพที่มีประสิทธิภาพภายในจำนวนเลเยอร์ที่น้อยลง ในขณะเดียวกัน พารามิเตอร์ของวงจรควอนตัมแปรผันสามารถฝึกอบรมผ่านอัลกอริทึมการเพิ่มประสิทธิภาพแบบคลาสสิก ทำให้โมเดลสามารถทำการเพิ่มประสิทธิภาพแบบปรับตัวตามงานจำแนกประเภทภาพที่แตกต่างกัน ซึ่งจะช่วยปรับปรุงความสามารถในการสร้างทั่วไปของโมเดล
เลเยอร์เอาต์พุต ซึ่งเป็นโมดูลสุดท้ายของโครงข่ายประสาทเทียม มีหน้าที่รับผิดชอบในการตัดสินใจจำแนกประเภทคุณสมบัติที่ดึงออกมาจากเลเยอร์ที่ซ่อนอยู่ รูปแบบ SHQCNN ใช้อัลกอริทึม mini-batch gradient descent ในเลเยอร์เอาต์พุต การประยุกต์ใช้นวัตกรรมของอัลกอริทึมนี้ทำให้เกิดการปรับปรุงที่สำคัญในการฝึกอบรมพารามิเตอร์และความเร็วในการเรียนรู้ของโมเดล อัลกอริทึม mini-batch gradient descent เป็นรูปแบบหนึ่งของอัลกอริทึม gradient descent ในแต่ละการวนซ้ำ แทนที่จะใช้ข้อมูลการฝึกอบรมทั้งหมด จะสุ่มเลือกชุดข้อมูลขนาดเล็กจากชุดการฝึกอบรมสำหรับการคำนวณ เมื่อเทียบกับอัลกอริทึม batch gradient descent แบบดั้งเดิม อัลกอริทึม mini-batch gradient descent มีความเร็วในการคำนวณที่เร็วกว่าและการบรรจบกันที่ดีกว่า ในรูปแบบ SHQCNN โดยการอัปเดตน้ำหนักบ่อยขึ้น อัลกอริทึม mini-batch gradient descent สามารถปรับพารามิเตอร์ของโมเดลได้ทันเวลา ทำให้โมเดลสามารถปรับตัวเข้ากับการเปลี่ยนแปลงในข้อมูลการฝึกอบรมได้เร็วขึ้น
รูปแบบโครงข่ายประสาทเทียมคอนโวลูชันแบบไฮบริดควอนตัม-คลาสสิกตื้น (SHQCNN) ที่วิจัยโดย WiMi โดยการประยุกต์ใช้เทคโนโลยีขั้นสูงต่างๆ เช่น วิธีการควอนตัมแปรผันขั้นสูง วิธีการเข้ารหัสเคอร์เนล วงจรควอนตัมแปรผัน และอัลกอริทึม mini-batch gradient descent มีข้อได้เปรียบที่สำคัญในแง่ของความเสถียร ความแม่นยำ และการสร้างทั่วไป และจะนำมาซึ่งโซลูชันใหม่ๆ ในด้านการจำแนกประเภทภาพ ด้วยการพัฒนาอย่างต่อเนื่องของเทคโนโลยีการประมวลผลควอนตัมและการขยายตัวอย่างต่อเนื่องของสถานการณ์การใช้งาน รูปแบบ SHQCNN จะแสดงให้เห็นถึงศักยภาพอันยิ่งใหญ่ในสาขาอื่นๆ อีกมากมาย

เกี่ยวกับ WiMi Hologram Cloud
WiMi Hologram Cloud Inc. (NASDAQ: WiMi) มุ่งเน้นไปที่บริการคลาวด์โฮโลแกรม โดยมุ่งเน้นหลักไปที่สาขาวิชาชีพ เช่น AR holographic HUD ในรถยนต์, 3D holographic pulse LiDAR, อุปกรณ์โฮโลแกรม light field แบบสวมศีรษะ, เซมิคอนดักเตอร์โฮโลแกรม, ซอฟต์แวร์คลาวด์โฮโลแกรม, ระบบนำทางรถยนต์โฮโลแกรม, อุปกรณ์ metaverse holographic AR/VR และซอฟต์แวร์คลาวด์ metaverse holographic ครอบคลุมเทคโนโลยี holographic AR หลายด้าน รวมถึงเทคโนโลยี in-vehicle holographic AR, เทคโนโลยี 3D holographic pulse LiDAR, เทคโนโลยี holographic vision semiconductor, การพัฒนาซอฟต์แวร์โฮโลแกรม, เทคโนโลยี holographic AR virtual advertising, เทคโนโลยี holographic AR virtual entertainment, การชำระเงิน holographic ARSDK, การสื่อสารเสมือนจริง holographic แบบโต้ตอบ, เทคโนโลยี metaverse holographic AR และบริการคลาวด์เสมือน metaverse WiMi เป็นผู้ให้บริการโซลูชันเทคโนโลยีคลาวด์โฮโลแกรมที่ครอบคลุม หากต้องการข้อมูลเพิ่มเติม โปรดไปที่ .
ข้อจำกัดความรับผิดชอบในการแปล
ต้นฉบับของประกาศนี้เป็นฉบับที่ได้รับอนุญาตอย่างเป็นทางการและมีผลผูกพันทางกฎหมายเท่านั้น หากมีความไม่สอดคล้องกันหรือความแตกต่างในความหมายระหว่างการแปลภาษาจีนกับต้นฉบับ ให้ยึดตามต้นฉบับ WiMi Hologram Cloud Inc. และสถาบันและบุคคลที่เกี่ยวข้องไม่รับประกันเกี่ยวกับฉบับแปลและจะไม่รับผิดชอบต่อความสูญเสียทางตรงหรือทางอ้อมที่เกิดจากความไม่ถูกต้องในการแปล
หากมีข้อสงสัยจากนักลงทุน โปรดติดต่อ:
WIMI Hologram Cloud Inc.
อีเมล: pr@wimiar.com

ICR, LLC
Robin Yang
โทร: +1 (646) 975-9495
อีเมล:

“`