بكين ، 13 أغسطس/آب 2026 /PRNewswire/ -- أعلنت شركة WiMi Hologram Cloud Inc. (المدرجة في بورصة ناسداك تحت الرمز: WIMI) ("WIMI" أو "الشركة")، وهي شركة رائدة عالميًا في مجال توفير التكنولوجيا، عن إنجازٍ هامٍّ بإطلاقها شبكة عصبية كمومية هجينة (H-QNN)، وهي تقنية مبتكرة تجمع بين الشبكات العصبية الكمومية والكلاسيكية، ومصممة خصيصًا لقطاع التعرف على الصور. تدمج هذه التقنية ببراعةٍ الدوائر الكمومية المُعَلمة مع بنى الشبكات العصبية الكلاسيكية، وقد تم تطبيقها بنجاح في مهام تصنيف الصور الثنائية على مجموعة بيانات MNIST، محققةً أداءً متميزًا في دقة التصنيف، وقدرة تمثيل الميزات، وكفاءة تدريب النموذج.

يُعدّ تصنيف الصور من أهمّ المهام الأساسية في مجال رؤية الحاسوب. فهو يشمل التعرف على الأرقام المكتوبة بخط اليد، والتعرف على الوجوه، والكشف عن العيوب الصناعية، وأنظمة إدراك القيادة الذاتية، ويُشكّل أساسًا جوهريًا لجميع أنظمة الذكاء الاصطناعي البصرية الحديثة تقريبًا. تعتمد نماذج التعلّم العميق التقليدية بشكل أساسي على الشبكات العصبية الالتفافية (CNNs) لاستخلاص الميزات. تستخلص هذه الشبكات معلومات الحواف، والملمس، والخطوط، والدلالات خطوة بخطوة عبر تحريك نواة الالتفاف على الصور، ثم تستخدم الشبكات المتصلة بالكامل لاتخاذ قرارات التصنيف. مع ذلك، ومع ازدياد أبعاد البيانات وتعقيد ميزات الصور، بدأت الشبكات العصبية التقليدية تُظهر تدريجيًا العديد من القيود المتأصلة.

أولًا، غالبًا ما تتميز توزيعات البيانات ضمن فضاءات الميزات عالية الأبعاد ببنى غير خطية معقدة، مما يتطلب من الشبكات التقليدية دمج كميات هائلة من المعلمات لبناء حدود قرار متطورة بما فيه الكفاية. ثانيًا، يُعد تدريب الشبكات العميقة عرضةً لمشاكل مثل تلاشي التدرجات، والحلول المثلى المحلية، والتجاوز في التخصيص. إضافةً إلى ذلك، يتطلب تدريب النماذج واسعة النطاق موارد حاسوبية هائلة واستهلاكًا كبيرًا للطاقة. في الوقت نفسه، فتحت التطورات في الحوسبة الكمومية آفاقًا جديدة لمعالجة التحديات المذكورة آنفًا.

تتمحور فلسفة التصميم الأساسية حول الاستفادة الكاملة من قدرة الدوائر الكمومية على تمثيل الميزات عالية الأبعاد أثناء تصنيف الصور: حيث تُوكل مهام التعرف على الأنماط المعقدة إلى الطبقات الكمومية، بينما تتولى الشبكات العصبية الكلاسيكية الناضجة والمستقرة معالجة تحسين المعلمات واتخاذ قرارات التصنيف النهائية. يتجاوز تصميم هذه البنية بفعالية القيود التي يفرضها الحجم المحدود للأجهزة الكمومية الحالية، مع تعظيم المزايا الكامنة في الحوسبة الكمومية في تمثيل الميزات.

من منظور معماري شامل، يقوم نظام H-QNN الخاص بـ WIMI بإنشاء خط أنابيب كامل لمعالجة البيانات من البداية إلى النهاية مما يتيح التكامل العميق بين الحوسبة الكمومية والحوسبة الكلاسيكية.

لجعل الصور الكلاسيكية قابلة للمعالجة بواسطة الحواسيب الكمومية، يجب أولاً تحويل البيانات الكلاسيكية إلى بيانات متوافقة مع الحوسبة الكمومية. تتكون كل صورة في مجموعة بيانات MNIST من شبكة 28×28 بكسل تحتوي على 784 قيمة رمادية. إن تحميل جميع بيانات البكسل مباشرةً إلى نظام كمومي سيؤدي إلى استهلاك موارد كمومية هائلة. لذلك، يستخدم H-QNN أولاً وحدة معالجة مسبقة كلاسيكية لتقليل أبعاد الصور المدخلة وتطبيعها. ثم تُحوّل متجهات الميزات القياسية إلى تنسيقات بيانات متوافقة مع تمثيل الحالة الكمومية قبل الدخول في مرحلة التشفير الكمومي. في هذه المرحلة، تُربط الميزات الكلاسيكية بسعات وزوايا دوران البتات الكمومية. يُهيأ كل كيوبت إلى الحالة الأرضية 0، ويُنفذ تشفير الميزات من خلال بوابات الدوران. تُترجم عمليات الدوران الكمومي ميزات الصورة إلى معلمات الحالة الكمومية. بعد هذا التحويل، يتم تضمين معلومات البكسل من الصورة الأصلية داخل فضاء الحالة الكمومية، مما يمهد الطريق لتعلم الميزات الكمومية اللاحقة.

تكمن إحدى أهم ابتكارات شبكة H-QNN التابعة لمعهد WIMI في وحدة تعلم الميزات الكمومية المُعَلمة. فبينما تستخدم الشبكات العصبية الالتفافية التقليدية نواة الالتفاف لتعلم ميزات الصورة، تتولى الدوائر الكمومية المُعَلمة في H-QNN هذه المهمة. تتكون الطبقة الكمومية من بوابات دوران وبوابات تشابك متراصة: تُنفذ بوابات الدوران تحويلات الميزات المحلية، بينما تُنشئ بوابات التشابك علاقات ارتباط بين الكيوبتات المختلفة.

تتطور الحالات الكمومية باستمرار خلال هذه العملية. وبفضل آليات التشابك الكمومي، تنشأ هياكل ارتباطية معقدة عبر عدة كيوبتات، وهي قدرة ارتباطية تتجاوز بكثير مخططات الاتصال الخطي التي تعتمدها الشبكات العصبية التقليدية. عندما تحمل أنماط معينة داخل الصور علاقات مكانية معقدة، فإن التشابك الكمومي يلتقط هذه السمات عالية الرتبة بشكل طبيعي. هذه الآلية مناسبة بشكل خاص لمعالجة التوزيعات غير الخطية المضمنة في البيانات عالية الأبعاد. يمكن التعبير عن تمثيلات السمات المعقدة التي قد تتطلب مئات أو حتى آلاف الخلايا العصبية في الشبكات الكلاسيكية بعدد أقل بكثير من المعلمات ضمن فضاء السمات الكمومي.

يكمن جوهر التصنيف في تحديد حدود القرار، التي تبنيها الشبكات العصبية التقليدية عبر تحويلات غير خطية متعددة الطبقات. في المقابل، تستفيد شبكة H-QNN التابعة لمعهد WIMI من الميزة الأسية للأبعاد في فضاءات الحالة الكمومية لتقديم آلية تصنيف أكثر مرونة. ضمن فضاء الحالة الكمومي، تُسقط العينات التي تنتمي إلى فئات مختلفة على مناطق مكانية متميزة. بعد التحويلات الكمومية متعددة الطبقات، تصبح نقاط البيانات التي يصعب فصلها في الفضاء الكلاسيكي أكثر قابلية للتمييز. يعمل رسم خرائط الميزات الكمومية على تضخيم المسافات بين الفئات بشكل فعال، مما يقلل من صعوبة التصنيف؛ ويمكن لمساحات الميزات المحسّنة كموميًا هذه أن تعزز بشكل كبير أداء التعرف على النموذج.

بعد إتمام عملية استخلاص الميزات الكمومية، يُعيد النظام الكمومي المعلومات المستخلصة إلى الشبكة العصبية التقليدية عبر القياس الكمومي. تسترجع طبقة القياس الكمومي معلومات الحالة الكمومية وتحولها إلى قيم عددية تقليدية. تحديدًا، تُستخلص متجهات الميزات بقياس القيم المتوقعة لمؤثرات باولي، والتي تُغذى بعد ذلك إلى شبكة التصنيف التقليدية. تعمل عملية القياس على ضغط الميزات عالية الأبعاد المستخلصة من الفضاء الكمومي وإسقاطها في الفضاء التقليدي. وبما أن استخلاص الميزات المعقدة قد أُنجز بالفعل بواسطة الطبقة الكمومية، فإن شبكة التصنيف اللاحقة تحافظ على بنية مضغوطة، مما يسمح للنموذج الكلي بالحفاظ على دقة عالية مع تقليل العبء الحسابي.

تعتزم WIMI، في المرحلة المقبلة، توسيع نطاق هذا النموذج ليشمل مجموعات بيانات أكثر تعقيدًا. كما ستستكشف الشركة بنى الشبكات الكمومية الأكثر عمقًا، وآليات استخلاص الميزات الكمومية التكيفية، وأطر تعلم التشابك الكمومي واسعة النطاق. ومع التحسينات المستمرة في أداء الأجهزة الكمومية، تستعد الشبكات العصبية الهجينة الكمومية-الكلاسيكية للانتقال من الأبحاث المختبرية إلى التطبيقات الصناعية، مما يُحدث نقلة نوعية في مجالات التصنيع الذكي، والقيادة الذاتية، والاستشعار عن بُعد، والعلاج الطبي الحيوي، والتحليلات المالية. ولا يُظهر إطلاق H-QNN الإمكانات الهائلة للحوسبة الكمومية في تمكين الذكاء الاصطناعي فحسب، بل يرسم أيضًا مسارًا جديدًا لتطوير بنى الحوسبة الذكية من الجيل التالي، مما يُمثل علامة فارقة في تقدم التعلم الآلي المُعزز بالكم من البحث النظري إلى التطبيقات العملية في العالم الحقيقي.

نبذة عن شركة WiMi Hologram Cloud Inc.

تركز شركة WiMi Hologram Cloud Inc. (المدرجة في بورصة ناسداك تحت الرمز: WIMI) على خدمات الحوسبة السحابية ثلاثية الأبعاد، مع التركيز بشكل أساسي على مجالات احترافية مثل شاشات العرض الرأسية ثلاثية الأبعاد بتقنية الواقع المعزز داخل المركبات، وتقنية LiDAR النبضية ثلاثية الأبعاد، وأجهزة التصوير المجسم المثبتة على الرأس، وأشباه الموصلات ثلاثية الأبعاد، وبرمجيات الحوسبة السحابية ثلاثية الأبعاد، وأنظمة الملاحة ثلاثية الأبعاد للسيارات، وأجهزة الواقع المعزز/الواقع الافتراضي ثلاثية الأبعاد بتقنية الميتافيرس، وبرمجيات الحوسبة السحابية ثلاثية الأبعاد بتقنية الميتافيرس. وتغطي الشركة جوانب متعددة من تقنيات الواقع المعزز ثلاثية الأبعاد، بما في ذلك تقنية الواقع المعزز ثلاثية الأبعاد داخل المركبات، وتقنية LiDAR النبضية ثلاثية الأبعاد، وتقنية أشباه الموصلات البصرية ثلاثية الأبعاد، وتطوير البرمجيات ثلاثية الأبعاد، وتقنية الإعلان الافتراضي ثلاثي الأبعاد بتقنية الواقع المعزز، وتقنية الترفيه الافتراضي ثلاثي الأبعاد بتقنية الواقع المعزز، وتقنية الدفع بتقنية الواقع المعزز ثلاثية الأبعاد، والاتصالات الافتراضية التفاعلية ثلاثية الأبعاد، وتقنية الواقع المعزز ثلاثية الأبعاد بتقنية الميتافيرس، وخدمات الحوسبة السحابية الافتراضية بتقنية الميتافيرس. تُعد WiMi مزودًا شاملاً لحلول تقنية الحوسبة السحابية ثلاثية الأبعاد. لمزيد من المعلومات، يُرجى زيارة الموقع الإلكتروني http://ir.wimiar.com .

إخلاء مسؤولية الترجمة

النسخة الأصلية لهذا الإعلان هي النسخة الرسمية المعتمدة والوحيدة الملزمة قانونًا. في حال وجود أي تناقضات أو اختلافات في المعنى بين الترجمة الصينية والنسخة الأصلية، تُعتمد النسخة الأصلية. لا تقدم شركة WiMi Hologram Cloud Inc. والمؤسسات والأفراد التابعون لها أي ضمانات بشأن النسخة المترجمة، ولا تتحمل أي مسؤولية عن أي خسائر مباشرة أو غير مباشرة ناتجة عن أخطاء الترجمة.

للاطلاع على المحتوى الأصلي: https://www.prnewswire.com/news-releases/wimi-hologram-cloud-inc-unveils-h-qnn-technology-for-efficient-binary-mnist-image-classification-302850953.html

المصدر: شركة WiMi Hologram Cloud Inc.