维度网讯，微美全息云股份有限公司（WiMi）发布混合量子卷积神经网络核心技术，提出并实现了一种适用于当前含噪中等规模量子（NISQ）设备的量子核卷积（QKC）方案，为量子增强图像分类模型的工程化提供了可行路径。

该技术的核心目标并不在于直接将量子电路嵌入到经典神经网络中，而是从计算密集的卷积操作入手，重新思考特征提取和降维的计算方式。WiMi介绍，经典卷积层依赖滑动窗口和线性加权求和完成局部特征提取，而量子计算具备高维希尔伯特空间表示和量子并行性的特性，若能将局部图像块映射为量子态，并通过受控纠缠演化实现特征混合，则可能在更低参数规模下获得等效甚至更具表现力的特征提取能力。

WiMi指出，其提出的池化方法本质上是一种信息重新分配与选择机制，可在不明确丢弃信息的情况下实现维度压缩，从而减轻后续量子电路和经典网络的计算负担。

在整体系统架构上，该混合QCNN采用经典-量子协同的分层设计。经典神经网络负责输入数据的初步归一化、维度调整与最终分类决策，量子卷积层则嵌入关键的特征提取位置，作为量子加速模块发挥作用。这种设计允许模型充分利用成熟的经典深度学习工具链，同时在关键计算节点引入量子优势，避免了全量子模型在当前硬件条件下的可扩展性问题。

在技术实现方面，WiMi基于Qiskit量子计算开发框架，完成了从量子电路构建、参数化训练到与经典深度学习框架集成的完整工程实现。量子卷积层被封装为可重用模块接口，可直接嵌入现有深度学习训练工作流。训练过程中采用混合优化策略：经典反向传播算法用于更新经典网络参数，参数平移规则用于估计量子电路梯度，实现端到端联合训练，这一路径解决了量子与经典组件间的梯度传播挑战。

实验阶段，WiMi选择MNIST手写数字数据集作为基准任务，对混合QCNN模型进行了系统评估。结果显示，在与传统CNN模型相比参数数量显著减少的条件下，该混合模型仍能达到与经典模型相当的分类精度。尤为值得关注的是，用量子卷积层替换部分经典卷积层后，模型的参数规模和计算复杂度得到有效控制，且保持了稳定的收敛性能，表明量子核卷积在实际任务中具备实用可行性。

通过对中间量子态和测量结果的分析，WiMi验证了基于纠缠的量子池化机制在降维过程中的有效性。实验表明，量子池化不仅压缩了特征维度，还保留了分类任务所需的关键判别信息，这一发现为量子神经网络的可解释性研究提供了新的切入点，并为扩展到更复杂的数据集和任务奠定了基础。

这项混合量子卷积神经网络技术是WiMi围绕可部署量子增强人工智能长期战略目标迈出的重要一步。通过强调低深度、模块化以及与现有人工智能生态的高度兼容性，该技术为量子计算从实验室走向实际应用提供了一条现实路径。WiMi表示，未来将进一步探索该架构在更高分辨率图像、多通道数据及其他感知任务中的应用潜力，并结合量子硬件发展不断优化电路设计。

WiMi混合神经网络量子核卷积技术的发布，标志着量子机器学习从概念验证向工程实施迈出了重要一步，展示了量子计算在真实图像识别任务中的实用价值，也为构建量子-经典协同计算系统提供了清晰的设计思路。随着量子硬件性能的持续提升和开发工具的不断成熟，WiMi构建的混合QCNN框架有望在更广泛的人工智能应用中发挥作用，成为下一代智能计算技术的重要组成部分。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com