WiMi Mempelajari Model Jaringan Neural Konvolusional Kuantum-Klasik Hibrida

(SeaPRwire) –   BEIJING, 23 Oktober 2025 — BEIJING, 23 Oktober 2025––WiMi Hologram Cloud Inc. (NASDAQ: WiMi) (“WiMi” atau “Perusahaan”), penyedia Teknologi Augmented Reality (“AR”) Hologram global terkemuka, hari ini mengumumkan bahwa mereka secara aktif mengeksplorasi model jaringan saraf konvolusional kuantum-klasik hibrida dangkal (SHQCNN), yang membawa terobosan inovatif di bidang klasifikasi gambar.
Metode kuantum variasi, sebagai sarana teknis penting di bidang komputasi kuantum, menyediakan jalur efektif untuk desain dan implementasi algoritma kuantum dengan mengubah masalah optimasi keadaan kuantum menjadi masalah optimasi klasik. WiMi telah mengadopsi metode kuantum variasi yang ditingkatkan dalam model SHQCNN, meletakkan dasar yang kuat untuk operasi model yang efisien dalam tugas klasifikasi gambar. Metode kuantum variasi yang ditingkatkan telah mengalami optimasi multi-faceted berdasarkan metode tradisional. Pertama, dalam hal representasi keadaan kuantum, dengan memperkenalkan kombinasi gerbang kuantum dan bentuk parameter yang lebih kompleks, ia dapat lebih tepat menggambarkan fitur kuantum data gambar. Kedua, dalam algoritma optimasi, strategi optimasi adaptif tingkat lanjut digunakan, yang secara dinamis dapat menyesuaikan parameter optimasi berdasarkan umpan balik real-time selama proses pelatihan, mempercepat kecepatan konvergensi dan meningkatkan efisiensi pelatihan model. Metode kuantum variasi yang ditingkatkan ini memungkinkan model SHQCNN untuk sepenuhnya memanfaatkan keuntungan komputasi kuantum saat menangani tugas klasifikasi gambar, sambil menghindari masalah kompleksitas yang dibawa oleh peningkatan lapisan dalam QNN tradisional.
Dalam tugas klasifikasi gambar, kualitas dan kemampuan pembedaan data input secara langsung memengaruhi kinerja model. Model SHQCNN mengadopsi metode pengkodean kernel di lapisan input; metode ini seperti kunci yang presisi, meningkatkan efisiensi pembedaan dan pemrosesan data. Inti dari metode pengkodean kernel adalah untuk memetakan data gambar asli dari ruang berdimensi rendah ke ruang fitur berdimensi tinggi melalui pemetaan nonlinier, membuat data gambar yang sulit dibedakan di ruang berdimensi rendah lebih mudah dipisahkan di ruang berdimensi tinggi. Melalui metode pengkodean kernel, model SHQCNN mengoptimalkan pemrosesan data pada tahap input, menyediakan input berkualitas tinggi untuk perhitungan lapisan tersembunyi dan output berikutnya, sehingga meningkatkan akurasi klasifikasi seluruh model.
Dan lapisan tersembunyi, sebagai bagian inti dari jaringan saraf, melakukan tugas penting ekstraksi fitur dan transformasi data input. Dalam QNN tradisional, seiring bertambahnya jumlah lapisan, kompleksitas komputasi lapisan tersembunyi meningkat tajam, yang menyebabkan proses pelatihan menjadi sangat sulit. Model SHQCNN mendesain sirkuit kuantum variasi di lapisan tersembunyi, dengan cerdik memecahkan masalah ini. Sirkuit kuantum variasi terdiri dari serangkaian gerbang kuantum, yang dapat melakukan transformasi spesifik pada keadaan kuantum input. Dibandingkan dengan lapisan tersembunyi dari jaringan saraf dalam tradisional, sirkuit kuantum variasi memiliki struktur yang lebih ringkas dan kompleksitas komputasi yang lebih rendah. Melalui perancangan rasional jenis dan urutan pengaturan gerbang kuantum, sirkuit kuantum variasi dapat mencapai ekstraksi fitur gambar yang efektif dalam lebih sedikit lapisan. Pada saat yang sama, parameter sirkuit kuantum variasi dapat dilatih melalui algoritma optimasi klasik, memungkinkan model untuk melakukan optimasi adaptif berdasarkan tugas klasifikasi gambar yang berbeda, lebih meningkatkan kemampuan generalisasi model.
Lapisan output, sebagai modul terakhir dari jaringan saraf, bertanggung jawab atas keputusan klasifikasi pada fitur yang diekstraksi oleh lapisan tersembunyi. Model SHQCNN mengadopsi algoritma penurunan gradien mini-batch di lapisan output; penerapan inovatif algoritma ini membawa peningkatan signifikan pada pelatihan parameter dan kecepatan pembelajaran model. Algoritma penurunan gradien mini-batch adalah varian dari algoritma penurunan gradien. Dalam setiap iterasi, alih-alih menggunakan semua data pelatihan, ia secara acak memilih sejumlah kecil data dari set pelatihan untuk perhitungan. Dibandingkan dengan algoritma penurunan gradien batch tradisional, algoritma penurunan gradien mini-batch memiliki kecepatan perhitungan yang lebih cepat dan konvergensi yang lebih baik. Dalam model SHQCNN, dengan melakukan pembaruan bobot lebih sering, algoritma penurunan gradien mini-batch dapat tepat waktu menyesuaikan parameter model, memungkinkan model untuk beradaptasi lebih cepat terhadap perubahan data pelatihan.
Model jaringan saraf konvolusional kuantum-klasik hibrida dangkal (SHQCNN) yang diteliti oleh WiMi, melalui penerapan terintegrasi dari serangkaian teknologi canggih seperti metode kuantum variasi yang ditingkatkan, metode pengkodean kernel, sirkuit kuantum variasi, dan algoritma penurunan gradien mini-batch, memiliki keuntungan signifikan dalam hal stabilitas, akurasi, dan generalisasi, dan akan membawa solusi baru di bidang klasifikasi gambar. Dengan pengembangan berkelanjutan teknologi komputasi kuantum dan perluasan berkelanjutan skenario aplikasi, model SHQCNN akan menunjukkan potensi besarnya di lebih banyak bidang.

Tentang WiMi Hologram Cloud
WiMi Hologram Cloud Inc. (NASDAQ: WiMi) berfokus pada layanan cloud hologram, terutama berkonsentrasi pada bidang profesional seperti in-vehicle AR holographic HUD, 3D holographic pulse LiDAR, head-mounted light field holographic devices, holographic semiconductors, holographic cloud software, holographic car navigation, metaverse holographic AR/VR devices, dan metaverse holographic cloud software. Ini mencakup berbagai aspek teknologi AR hologram, termasuk in-vehicle holographic AR technology, 3D holographic pulse LiDAR technology, holographic vision semiconductor technology, holographic software development, holographic AR virtual advertising technology, holographic AR virtual entertainment technology, holographic ARSDK payment, interactive holographic virtual communication, metaverse holographic AR technology, dan metaverse virtual cloud services. WiMi adalah penyedia solusi teknologi cloud hologram yang komprehensif. Untuk informasi lebih lanjut, silakan kunjungi .
Penafian Terjemahan
Versi asli dari pengumuman ini adalah versi yang diotorisasi secara resmi dan hanya mengikat secara hukum. Jika ada ketidaksesuaian atau perbedaan makna antara terjemahan bahasa Mandarin dan versi asli, versi asli yang akan berlaku. WiMi Hologram Cloud Inc. dan lembaga serta individu terkait tidak memberikan jaminan mengenai versi terjemahan dan tidak bertanggung jawab atas kerugian langsung atau tidak langsung yang disebabkan oleh ketidakakuratan terjemahan.
Pertanyaan Investor, silakan hubungi:
WIMI Hologram Cloud Inc.
Email: pr@wimiar.com

ICR, LLC
Robin Yang
Tel: +1 (646) 975-9495
Email:

“`