WiMi提出基于三量子比特相互作用的量子AI系统，并计划进行实机测试

BEIJING，2026年8月21日 /美通社/ -- WiMi Hologram Cloud Inc. (NASDAQ: WiMi)（“WiMi”或“公司”），全球领先的全息增强现实（“AR”）技术提供商，提出了一种面向经典数据分类任务的前沿量子机器学习技术——一种用于经典数据分类的具有交互层的量子卷积神经网络。该技术通过引入一种基于三量子比特交互的新型交互层结构，系统地提升了量子卷积神经网络在表达能力、纠缠生成能力以及实际分类性能方面的整体表现，标志着量子深层学习模型的结构设计向多体交互驱动的新阶段迈出了重要一步。

从技术实现逻辑的角度来看，这种量子卷积网络采用了整体混合量子-经典架构设计。首先，通过高效的数据编码策略将经典数据映射到量子状态空间，确保在有限的量子比特资源下尽可能保留原始数据的判别信息。对于图像数据，网络采用块划分和局部映射方法将像素信息嵌入到相应的量子子系统中；对于一维数据，则采用结构化幅度编码和角度编码相结合的方式，实现数据特征的紧凑表示。数据编码完成后，量子态被输入到由多层量子卷积单元和交互层组成的量子特征提取模块中。

在该模块中，量子卷积操作和新型交互层交替执行。量子卷积层负责提取局部量子比特子空间内的低阶特征，其结构设计遵循硬件友好型原则，以避免引入过深或难以实现的量子门序列。交互层作为整个网络的关键创新，通过三量子比特交互实现了跨通道和跨尺度信息融合。这种设计使网络在保持电路深度可控的同时，显著增强了其对复杂模式的表达能力。WiMi 研发团队在理论分析中系统研究了该交互层对量子态空间覆盖能力的影响。结果显示，引入三体交互后，网络参数空间中的可达状态集显著扩大，有效缓解了传统量子神经网络中常见的表达能力受限问题。

在纠缠能力方面，WiMi 从量子信息理论的角度对所提出的网络结构进行了深入分析。研究表明，三量子比特交互层可以在相对较浅的电路深度下生成高强度、多尺度的纠缠结构，这对于量子机器学习模型捕捉输入数据中的非线性相关性至关重要。与仅依赖双量子比特纠缠门的网络结构相比，新模型在包括纠缠熵、纠缠分布均匀性和纠缠传播效率在内的多个指标上表现出明显优势。这一特性不仅增强了模型的学习能力，还为在噪声存在的情况下保持稳定的性能提供了有力支持。

在训练机制方面，这种量子卷积神经网络采用经典优化器与量子电路参数之间的联合迭代方法来完成模型学习。量子电路的输出通过测量映射为经典特征向量，然后由经典损失函数进行评估以提供梯度反馈。针对量子模型训练中常见的梯度消失和优化不稳定问题，WiMi 系统地优化了参数初始化策略和训练程序，使模型能够在多分类和二分类任务中实现稳定收敛。这些工程上的改进确保了该技术不仅在理论层面具有优势，而且具有实际的可部署性和可行性。

这一成果不仅展示了量子机器学习在经典数据处理领域的实际潜力，也为下一代量子智能系统的架构设计提供了一种可复制、可扩展的技术范式。通过系统地将多体量子交互引入神经网络的结构设计中，WiMi 正在推动量子算法从量子加速工具向量子原生智能模型演进。这一方向有望与量子计算硬件的未来发展形成协同效应，释放出更具颠覆性的计算能力。