WiMi untersucht hybrides quanten-klassisches Convolutional Neural Network-Modell

(SeaPRwire) –   PEKING, 23. Oktober 2025 – PEKING, 23. Oktober 2025––WiMi Hologram Cloud Inc. (NASDAQ: WiMi) (“WiMi” oder das “Unternehmen”), ein weltweit führender Anbieter von Hologram Augmented Reality (“AR”) Technologie, gab heute bekannt, dass sie aktiv ein flaches hybrides quantenklassiches Convolutional Neural Network (SHQCNN) Modell erforschen, das innovative Durchbrüche im Bereich der Bildklassifizierung ermöglicht.
Variationelle Quantenmethoden, als wichtiges technisches Mittel im Bereich des Quantencomputings, bieten effektive Wege für das Design und die Implementierung von Quantenalgorithmen, indem sie die Optimierungsprobleme von Quantenzuständen in klassische Optimierungsprobleme umwandeln. WiMi hat eine verbesserte variationelle Quantenmethode im SHQCNN-Modell eingesetzt, die eine solide Grundlage für den effizienten Betrieb des Modells bei Bildklassifizierungsaufgaben legt. Die verbesserte variationelle Quantenmethode wurde auf der Grundlage traditioneller Methoden in vielerlei Hinsicht optimiert. Erstens kann sie in Bezug auf die Quantenzustandsdarstellung durch die Einführung komplexerer Kombinationen von Quantengattern und parametrisierten Formen die Quantenmerkmale von Bilddaten präziser beschreiben. Zweitens werden im Optimierungsalgorithmus fortschrittliche adaptive Optimierungsstrategien eingesetzt, die Optimierungsparameter dynamisch auf der Grundlage von Echtzeit-Feedback während des Trainingsprozesses anpassen können, wodurch die Konvergenzgeschwindigkeit beschleunigt und die Trainingseffizienz des Modells verbessert wird. Diese verbesserte variationelle Quantenmethode ermöglicht es dem SHQCNN-Modell, die Vorteile des Quantencomputings bei der Bearbeitung von Bildklassifizierungsaufgaben voll auszuschöpfen und gleichzeitig die Komplexitätsprobleme zu vermeiden, die durch zunehmende Schichten in traditionellen QNNs entstehen.
Bei Bildklassifizierungsaufgaben beeinflussen die Qualität und Unterscheidbarkeit der Eingabedaten direkt die Leistung des Modells. Das SHQCNN-Modell verwendet die Kernel-Codierungsmethode in der Eingabeschicht; diese Methode ist wie ein präziser Schlüssel, der die Effizienz der Datenunterscheidung und -verarbeitung verbessert. Die Kernidee der Kernel-Codierungsmethode besteht darin, die ursprünglichen Bilddaten durch nichtlineare Abbildung vom niedrigdimensionalen Raum in den hochdimensionalen Merkmalsraum abzubilden, wodurch Bilddaten, die im niedrigdimensionalen Raum schwer zu unterscheiden sind, im hochdimensionalen Raum leichter zu trennen sind. Durch die Kernel-Codierungsmethode optimiert das SHQCNN-Modell die Datenverarbeitung in der Eingangsphase und stellt hochwertige Eingaben für die Berechnungen der nachfolgenden versteckten Schichten und Ausgabeschichten bereit, wodurch die Klassifizierungsgenauigkeit des gesamten Modells verbessert wird.
Und die verborgene Schicht übernimmt als Kernstück des neuronalen Netzes die wichtige Aufgabe der Merkmalsextraktion und Transformation von Eingangsdaten. In traditionellen QNNs steigt mit zunehmender Anzahl von Schichten die Rechenkomplexität der verborgenen Schicht stark an, was dazu führt, dass der Trainingsprozess extrem schwierig wird. Das SHQCNN-Modell entwirft variationelle Quantenschaltungen in der verborgenen Schicht und löst dieses Problem auf clevere Weise. Variationelle Quantenschaltungen bestehen aus einer Reihe von Quantengattern, die spezifische Transformationen an den eingegebenen Quantenzuständen durchführen können. Verglichen mit den verborgenen Schichten traditioneller Deep Neural Networks haben variationelle Quantenschaltungen eine präzisere Struktur und eine geringere Rechenkomplexität. Durch die rationale Gestaltung der Typen und der Anordnungsreihenfolge von Quantengattern können variationelle Quantenschaltungen innerhalb weniger Schichten eine effektive Extraktion von Bildmerkmalen erreichen. Gleichzeitig können die Parameter der variationellen Quantenschaltung durch klassische Optimierungsalgorithmen trainiert werden, wodurch das Modell in die Lage versetzt wird, eine adaptive Optimierung auf der Grundlage verschiedener Bildklassifizierungsaufgaben durchzuführen, was die Generalisierungsfähigkeit des Modells weiter verbessert.
Die Ausgabeschicht ist als finales Modul des neuronalen Netzes für die Klassifizierungsentscheidungen über die von der verborgenen Schicht extrahierten Merkmale zuständig. Das SHQCNN-Modell verwendet den Mini-Batch-Gradientenabstiegsalgorithmus in der Ausgabeschicht; diese innovative Anwendung des Algorithmus bringt erhebliche Verbesserungen für das Parametertraining und die Lerngeschwindigkeit des Modells. Der Mini-Batch-Gradientenabstiegsalgorithmus ist eine Variante des Gradientenabstiegsalgorithmus. In jeder Iteration wird nicht die Gesamtheit der Trainingsdaten verwendet, sondern zufällig ein kleiner Batch von Daten aus dem Trainingsdatensatz für die Berechnung ausgewählt. Verglichen mit dem traditionellen Batch-Gradientenabstiegsalgorithmus hat der Mini-Batch-Gradientenabstiegsalgorithmus eine höhere Berechnungsgeschwindigkeit und eine bessere Konvergenz. Im SHQCNN-Modell kann der Mini-Batch-Gradientenabstiegsalgorithmus durch häufigere Gewichtungsaktualisierungen die Parameter des Modells zeitnah anpassen, wodurch sich das Modell schneller an Änderungen in den Trainingsdaten anpassen kann.
Das von WiMi erforschte flache hybride quantenklassische Convolutional Neural Network Modell (SHQCNN) weist durch die integrierte Anwendung einer Reihe fortschrittlicher Technologien wie verbesserte variationelle Quantenmethoden, Kernel-Codierungsmethoden, variationelle Quantenschaltungen und Mini-Batch-Gradientenabstiegsalgorithmen erhebliche Vorteile in Bezug auf Stabilität, Genauigkeit und Generalisierung auf und wird neue Lösungen für den Bereich der Bildklassifizierung bringen. Mit der kontinuierlichen Weiterentwicklung der Quantencomputertechnologie und der kontinuierlichen Ausweitung der Anwendungsszenarien wird das SHQCNN-Modell sein enormes Potenzial in weiteren Bereichen unter Beweis stellen.

Über WiMi Hologram Cloud
WiMi Hologram Cloud Inc. (NASDAQ: WiMi) konzentriert sich auf holografische Cloud-Dienste und konzentriert sich hauptsächlich auf professionelle Bereiche wie 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 und Metaverse Holographic Cloud Software. Es deckt mehrere Aspekte der holografischen AR-Technologien ab, darunter die holografische AR-Technologie im Fahrzeug, die holografische 3D-Puls-LiDAR-Technologie, die holografische Vision-Halbleitertechnologie, die holografische Softwareentwicklung, die holografische AR-Virtual-Advertising-Technologie, die holografische AR-Virtual-Entertainment-Technologie, die holografische ARSDK-Zahlung, die interaktive holografische virtuelle Kommunikation, die holografische Metaverse-AR-Technologie und die virtuellen Metaverse-Cloud-Dienste. WiMi ist ein umfassender Anbieter von holografischen Cloud-Technologielösungen. Für weitere Informationen besuchen Sie bitte .
Übersetzungshinweis
Die Originalversion dieser Ankündigung ist die offiziell autorisierte und einzig rechtlich bindende Version. Wenn es Unstimmigkeiten oder Bedeutungsunterschiede zwischen der chinesischen Übersetzung und der Originalversion gibt, hat die Originalversion Vorrang. WiMi Hologram Cloud Inc. und verwandte Institutionen und Einzelpersonen übernehmen keine Garantie für die übersetzte Version und übernehmen keine Verantwortung für direkte oder indirekte Verluste, die durch Ungenauigkeiten bei der Übersetzung entstehen.
Investorenanfragen richten Sie bitte an:
WIMI Hologram Cloud Inc.
E-Mail: pr@wimiar.com

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

“`