WiMi تدرس نموذج شبكة عصبية تلافيفية هجينة كمية-كلاسيكية

(SeaPRwire) –   بكين، 23 أكتوبر 2025 — بكين، 23 أكتوبر 2025––أعلنت شركة WiMi Hologram Cloud Inc. (NASDAQ: WiMi) (“WiMi” أو “الشركة”)، وهي مزود عالمي رائد لتقنية الواقع المعزز المجسم (“AR”)، اليوم أنها تستكشف بنشاط نموذج شبكة عصبية التفافية هجينة كمومية-كلاسيكية ضحلة (SHQCNN)، مما يحقق اختراقات مبتكرة في مجال تصنيف الصور.
توفر الطرق الكمومية التباينية، كوسيلة تقنية مهمة في مجال الحوسبة الكمومية، مسارات فعالة لتصميم وتنفيذ الخوارزميات الكمومية عن طريق تحويل مشاكل تحسين الحالات الكمومية إلى مشاكل تحسين كلاسيكية. وقد تبنت WiMi طريقة كمومية تباينية معززة في نموذج SHQCNN، مما يضع أساسًا متينًا للتشغيل الفعال للنموذج في مهام تصنيف الصور. وقد خضعت الطريقة الكمومية التباينية المعززة لتحسينات متعددة الأوجه بناءً على الطرق التقليدية. أولاً، فيما يتعلق بتمثيل الحالة الكمومية، من خلال إدخال مجموعات أكثر تعقيدًا من البوابات الكمومية والأشكال المعلمة، يمكنها وصف الميزات الكمومية لبيانات الصور بدقة أكبر. ثانيًا، في خوارزمية التحسين، يتم استخدام استراتيجيات تحسين تكيفية متقدمة، والتي يمكنها تعديل معلمات التحسين ديناميكيًا بناءً على التغذية الراجعة في الوقت الفعلي أثناء عملية التدريب، مما يسرع سرعة التقارب ويحسن كفاءة تدريب النموذج. تمكن هذه الطريقة الكمومية التباينية المعززة نموذج SHQCNN من الاستفادة الكاملة من مزايا الحوسبة الكمومية عند التعامل مع مهام تصنيف الصور، مع تجنب مشاكل التعقيد التي يسببها زيادة الطبقات في شبكات QNNs التقليدية.
في مهام تصنيف الصور، تؤثر جودة بيانات الإدخال وقابلية التمييز بينها بشكل مباشر على أداء النموذج. يعتمد نموذج SHQCNN طريقة تشفير النواة في طبقة الإدخال؛ هذه الطريقة تشبه مفتاحًا دقيقًا، مما يعزز كفاءة تمييز البيانات ومعالجتها. الفكرة الأساسية لطريقة تشفير النواة هي تعيين بيانات الصورة الأصلية من الفضاء منخفض الأبعاد إلى فضاء الميزات عالي الأبعاد من خلال تعيين غير خطي، مما يجعل بيانات الصورة التي يصعب تمييزها في الفضاء منخفض الأبعاد أسهل في الفصل في الفضاء عالي الأبعاد. من خلال طريقة تشفير النواة، يعمل نموذج SHQCNN على تحسين معالجة البيانات في مرحلة الإدخال، مما يوفر إدخالًا عالي الجودة لحسابات الطبقات المخفية والإخراج اللاحقة، وبالتالي تحسين دقة التصنيف للنموذج بأكمله.
وتتولى الطبقة المخفية، باعتبارها الجزء الأساسي من الشبكة العصبية، المهمة المهمة المتمثلة في استخراج الميزات وتحويل بيانات الإدخال. في شبكات QNNs التقليدية، مع زيادة عدد الطبقات، يرتفع التعقيد الحسابي للطبقة المخفية بشكل حاد، مما يؤدي إلى صعوبة بالغة في عملية التدريب. يصمم نموذج SHQCNN دوائر كمومية تباينية في الطبقة المخفية، مما يحل هذه المشكلة بذكاء. تتكون الدوائر الكمومية التباينية من سلسلة من البوابات الكمومية، والتي يمكنها إجراء تحويلات محددة على حالات الكمومية المدخلة. مقارنة بالطبقات المخفية للشبكات العصبية العميقة التقليدية، تتميز الدوائر الكمومية التباينية بهيكل أكثر إيجازًا وتعقيدًا حسابيًا أقل. من خلال التصميم الرشيد لأنواع وترتيب البوابات الكمومية، يمكن للدوائر الكمومية التباينية تحقيق استخراج فعال لميزات الصورة ضمن عدد أقل من الطبقات. وفي الوقت نفسه، يمكن تدريب معلمات الدائرة الكمومية التباينية من خلال خوارزميات التحسين الكلاسيكية، مما يمكن النموذج من إجراء تحسين تكيفي بناءً على مهام تصنيف الصور المختلفة، مما يزيد من قدرة تعميم النموذج.
تعتبر طبقة الإخراج، كالوحدة النهائية للشبكة العصبية، مسؤولة عن قرارات التصنيف على الميزات المستخرجة بواسطة الطبقة المخفية. يعتمد نموذج SHQCNN خوارزمية تدرج هابط الدفعة المصغرة (mini-batch gradient descent algorithm) في طبقة الإخراج؛ هذا التطبيق المبتكر للخوارزمية يجلب تحسينات كبيرة لتدريب معلمات النموذج وسرعة التعلم. خوارزمية تدرج هابط الدفعة المصغرة هي صيغة معدلة من خوارزمية التدرج الهابط. في كل تكرار، بدلاً من استخدام جميع بيانات التدريب، تقوم بتحديد دفعة صغيرة من البيانات عشوائيًا من مجموعة التدريب للحساب. مقارنة بخوارزمية التدرج الهابط للدفعة التقليدية، تتميز خوارزمية تدرج هابط الدفعة المصغرة بسرعة حساب أسرع وتقارب أفضل. في نموذج SHQCNN، من خلال إجراء تحديثات الأوزان بشكل متكرر، يمكن لخوارزمية تدرج هابط الدفعة المصغرة تعديل معلمات النموذج في الوقت المناسب، مما يمكن النموذج من التكيف بسرعة أكبر مع التغيرات في بيانات التدريب.
نموذج الشبكة العصبية الالتفافية الهجينة الكمومية-الكلاسيكية الضحلة (SHQCNN) الذي بحثته شركة WiMi، من خلال التطبيق المتكامل لسلسلة من التقنيات المتقدمة مثل الطرق الكمومية التباينية المعززة، وطرق تشفير النواة، والدوائر الكمومية التباينية، وخوارزميات تدرج هابط الدفعة المصغرة، يتمتع بمزايا كبيرة من حيث الاستقرار والدقة والتعميم، وسيجلب حلولًا جديدة إلى مجال تصنيف الصور. ومع التطور المستمر لتقنية الحوسبة الكمومية والتوسع المستمر في سيناريوهات التطبيق، سيظهر نموذج SHQCNN إمكاناته الهائلة في المزيد من المجالات.

نبذة عن WiMi Hologram Cloud
تركز WiMi Hologram Cloud Inc. (NASDAQ: WiMi) على خدمات السحابة المجسمة، وتركز بشكل أساسي على المجالات المهنية مثل شاشات العرض الرأسية المجسمة للواقع المعزز داخل السيارة (in-vehicle AR holographic HUD)، وأجهزة LiDAR ثلاثية الأبعاد النبضية المجسمة، والأجهزة المجسمة ذات المجال الضوئي المثبتة على الرأس، وأشباه الموصلات المجسمة، وبرامج السحابة المجسمة، والملاحة المجسمة للسيارات، وأجهزة الواقع المعزز/الافتراضي المجسمة للميتافيرس (metaverse holographic AR/VR devices)، وبرامج السحابة المجسمة للميتافيرس. وهي تغطي جوانب متعددة من تقنيات الواقع المعزز المجسم (holographic AR technologies)، بما في ذلك تقنية الواقع المعزز المجسم داخل السيارة، وتقنية LiDAR ثلاثية الأبعاد النبضية المجسمة، وتقنية أشباه الموصلات للرؤية المجسمة، وتطوير البرامج المجسمة، وتقنية الإعلانات الافتراضية للواقع المعزز المجسم، وتقنية الترفيه الافتراضي للواقع المعزز المجسم، ومدفوعات حزمة تطوير البرامج للواقع المعزز المجسم (holographic ARSDK payment)، والتواصل الافتراضي المجسم التفاعلي، وتقنية الواقع المعزز المجسم للميتافيرس، وخدمات السحابة الافتراضية للميتافيرس. WiMi هي مزود شامل لحلول تقنية السحابة المجسمة. لمزيد من المعلومات، يرجى زيارة .
إخلاء مسؤولية الترجمة
النسخة الأصلية من هذا الإعلان هي النسخة المعتمدة رسميًا والملزمة قانونيًا الوحيدة. إذا كانت هناك أي تناقضات أو اختلافات في المعنى بين الترجمة الصينية والنسخة الأصلية، فستكون النسخة الأصلية هي السائدة. لا تقدم WiMi Hologram Cloud Inc. والمؤسسات والأفراد ذوو الصلة أي ضمانات بخصوص النسخة المترجمة ولا تتحمل أي مسؤولية عن أي خسائر مباشرة أو غير مباشرة ناتجة عن عدم دقة الترجمة.
استفسارات المستثمرين، يرجى الاتصال بـ:
WIMI Hologram Cloud Inc.
البريد الإلكتروني: pr@wimiar.com

ICR, LLC
Robin Yang
هاتف: +1 (646) 975-9495
البريد الإلكتروني: