بكين، 6 فبراير 2026 (جلوب نيوزواير) - أعلنت شركة WiMi عن إطلاق تقنية الشبكة العصبية الهجينة الكمومية الكلاسيكية (H-QNN) لتصنيف صور MNIST الثنائية بكفاءة عالية.

بكين، 6 فبراير 2026 - أعلنت شركة WiMi Hologram Cloud Inc. (المدرجة في بورصة ناسداك تحت الرمز: WiMi) ("WiMi" أو "الشركة")، وهي شركة عالمية رائدة في مجال تكنولوجيا الواقع المعزز بتقنية الهولوغرام ("AR")، اليوم عن إطلاق تقنية الشبكة العصبية الهجينة الكمومية الكلاسيكية (H-QNN) لتصنيف صور MNIST الثنائية بكفاءة عالية. يُمثل هذا الإنجاز الرائد نقلة نوعية في مجال التعلم الآلي الكمومي، إذ ينتقل من الاستكشاف النظري إلى التطبيق العملي، كما يُجسد القدرة التنافسية للشركة في مجال أبحاث الخوارزميات الذكية الكمومية. تعتمد هذه التقنية على بنية هجينة فعالة، وآلية قابلة للتطوير لرسم خرائط الميزات الكمومية، واستراتيجية لتحسين الحالة الكمومية، مما يُحقق أداءً تصنيفيًا ممتازًا على مجموعة بيانات MNIST للأرقام المكتوبة بخط اليد، مُثبتًا الجدوى العملية والمزايا الحسابية للشبكات العصبية الكمومية في مهام التعرف على الصور عالية الأبعاد.
في إطار التعلم العميق التقليدي، لطالما لعبت الشبكات العصبية الالتفافية (CNN) دورًا محوريًا في استخلاص ميزات الصور، بينما تتولى الشبكات العصبية متعددة الطبقات (MLP) مهام التصنيف النهائية. مع ذلك، لا تزال هذه النماذج مقيدة بعوائق بنى الحوسبة التقليدية، لا سيما في رسم خرائط الميزات المعقدة والتمييز غير الخطي للبيانات عالية الأبعاد، حيث تكون النماذج عرضة لمشاكل مثل التجاوز، وتلاشي التدرج، والتعقيد الحسابي العالي. يوفر ظهور الحوسبة الكمومية حلولًا جديدة لهذه المشكلة. تستطيع الشبكات العصبية الكمومية (QNN) تمثيل توزيعات الميزات المعقدة في فضاء هيلبرت ذي حجم هائل من خلال الاستفادة من خصائص التراكب الكمومي والتشابك، وبالتالي تحقيق قدرات تعبير عن الميزات تتجاوز بكثير قدرات الشبكات العصبية التقليدية.
انبثقت تقنية الشبكة العصبية الهجينة الكمومية-الكلاسيكية (H-QNN)، التي اقترحها معهد WiMi، في خضم هذا التوجه التكنولوجي. تُدخل H-QNN وحدة ترميز كمومية قابلة للتدريب في مقدمة الشبكة الكلاسيكية، حيث تقوم بتحويل بيانات الصور الخام إلى فضاء كمومي عالي الأبعاد، ثم تُجري تحويلات غير خطية للميزات باستخدام الدوائر الكمومية، وأخيرًا تُصدر قرارات التصنيف اللاحقة من خلال الشبكة الكلاسيكية. يجمع هذا الهيكل بشكل كامل بين القدرة التعبيرية الهائلة للحوسبة الكمومية في رسم خرائط الميزات وآليات التعلم العميق الكلاسيكية الناضجة في تحسين المعلمات على نطاق واسع، مما يحقق تعزيزًا تآزريًا بين الحوسبة الكمومية والكلاسيكية. على عكس الشبكات الكمومية البحتة أو نماذج التعلم العميق الكلاسيكية، لا تتجنب H-QNN قيود الضوضاء العالية وعدد الكيوبتات المحدود في الأجهزة الكمومية فحسب، بل تحتفظ أيضًا بمزايا التسريع المحتملة للخوارزميات الكمومية في استخراج الميزات.
من منظور التصميم المعماري، تتألف تقنية H-QNN من ثلاثة أجزاء رئيسية: وحدة معالجة البيانات المسبقة، ووحدة التشفير الكمي واستخلاص الميزات، والمصنف العصبي التقليدي. أولًا، تُجري وحدة معالجة البيانات المسبقة عمليات تحويل الصور إلى صور ثنائية وتطبيعها على صور MNIST ذات 28×28 بكسل، مما يقلل أبعاد الصورة إلى تنسيق بيانات قابل للتحويل الكمي من خلال الضغط واستراتيجيات التجزئة. في هذه المرحلة، يستخدم WiMi طريقة فحص تعتمد على التوزيع الإحصائي للميزات لضمان تمثيلية عالية للميزات في البيانات المُدخلة إلى النظام الكمي، وبالتالي تقليل توليد الحالات الكمية غير الصالحة.
بعد دخول مرحلة التشفير الكمومي، تعتمد شبكة H-QNN على دارة كمومية مُعَلمة (PQC) كوحدة حسابية أساسية. تتألف هذه الدارة من عدة طبقات من البوابات الكمومية، والتي تشمل هيكليًا بوابات الدوران (R_y، R_z) وبوابات التشابك (CNOT، CZ) وعمليات أخرى، تُستخدم لإنشاء خرائط فضاء الميزات الكمومية غير الخطية. تُحوّل وحدات البكسل في الصورة أو متجهات الميزات المستخرجة محليًا إلى حالات كمومية، مما يُضمّن المعلومات العددية في السعات أو الأطوار الكمومية من خلال تشفير الدوران الكمومي. تُحقق هذه العملية التعبير الكمومي عن الميزات غير الخطية عالية الأبعاد، مما يجعل لكل عينة تمثيلًا عالميًا فريدًا في فضاء الحالة الكمومية.
في المرحلة الأساسية لاستخلاص الميزات، يحاكي نموذج H-QNN حدود القرار المعقدة عالية الأبعاد من خلال تطور الحالة الكمومية. تُمكّن خصائص التراكب والتشابك للحالات الكمومية النموذج من التقاط علاقات ارتباط متعددة بين الميزات في عملية تطور واحدة. من خلال العمل التكراري للدوائر الكمومية متعددة الطبقات، تُحوّل الحالات الكمومية لبيانات الإدخال إلى توزيعات ميزات جديدة، وتُنتج نتائج الإخراج، بعد القياس، مجموعة من متجهات الميزات القابلة للتفسير. على عكس الطبقات الالتفافية التقليدية أو الطبقات المتصلة بالكامل، يمكن لطبقة التحويل الكمومي هذه نظريًا تحقيق توسع أُسّي في فضاء الميزات دون زيادة ملحوظة في عدد المعلمات.
تُستخدم نتائج القياس كمتجهات خصائص وسيطة تُدخل إلى جزء المصنف العصبي التقليدي. يعتمد هذا الجزء على بنية بيرسيبترون متعددة الطبقات خفيفة الوزن، تتألف من عدة طبقات متصلة بالكامل ووظائف تنشيط غير خطية. من خلال خوارزميات الانتشار العكسي التقليدية، يستطيع النموذج تحديث معلمات الدائرة الكمومية والأوزان التقليدية في آنٍ واحد، محققًا بذلك التحسين الهجين. وللحفاظ على استقرار تدريب الجزأين الكمومي والتقليدي، يقدم WiMi استراتيجية تحسين هجينة قائمة على تقدير التدرج. تحسب هذه الاستراتيجية بدقة تدرجات المعلمات القابلة للتدريب في الدائرة الكمومية من خلال قاعدة إزاحة المعلمات، مما يضمن قابلية التفاضل وتقارب الشبكة ككل أثناء عملية التدريب.

1. أظهرت شبكة QNN تفوقًا ملحوظًا في الأداء خلال التجارب. ففي مهمة التصنيف الثنائي لمجموعة بيانات MNIST، استخدم نموذج WiMi التمييز بين الرقمين "0" و"1" المكتوبين بخط اليد كأساس تجريبي. وتشير النتائج التجريبية إلى أن دقة تصنيف H-QNN، في ظل نفس عدد دورات التدريب وحجم العينة، أعلى بكثير من دقة نماذج MLP التقليدية ذات الحجم المكافئ. والأهم من ذلك، أن إدخال فضاء الميزات الكمومي يُحسّن بشكل كبير حساسية النموذج وقدرته على التمييز بين الميزات عالية الأبعاد؛ فحتى مع مجموعات عينات أصغر، يحافظ النموذج على أداء تعميم ممتاز. وتُشير هذه الخاصية إلى أن آلية تعيين الميزات في الجزء الكمومي تُقلل بشكل فعال من ظاهرة التجاوز في التدريب، وتُعزز مقاومة النموذج للضوضاء والبيانات الشاذة.

إضافةً إلى تحسين مؤشرات الأداء، تم التحقق بشكل كامل من الكفاءة الحسابية لشبكة H-QNN. وبفضل خصائص التوازي في الدوائر الكمومية، انخفض وقت حساب النموذج في بيئة المحاكاة بنحو 30% مقارنةً بالشبكات العميقة التقليدية. هذا يعني أنه بعد نضوج الأجهزة الكمومية الفعلية مستقبلاً، من المتوقع أن تتحسن سرعة استدلال H-QNN بشكل أكبر، لا سيما مع إظهار إمكانات تسريع أقوى عند التعامل مع مجموعات بيانات صور واسعة النطاق. كما ذكرت WiMi أنها لاحظت نموًا غير خطي في قدرة النموذج على التعبير عن الميزات عند زيادة عدد الكيوبتات من 4 إلى 8، مما يؤكد قابلية توسع فضاء الميزات الكمومية في التقاط أنماط الصور المعقدة.
لا تقتصر تقنية H-QNN على كونها نموذج تصنيف لمجموعة بيانات MNIST فحسب، بل هي إطار عمل عام للشبكات العصبية المعززة بالحوسبة الكمومية. ويمكن توسيع نطاق مفهوم تصميم هذا الإطار ليشمل مهام رؤية حاسوبية أخرى، بما في ذلك التعرف على الكتابة اليدوية، وتحليل الصور الطبية، وحتى استخراج ميزات إطارات الفيديو. ومن خلال تعديل طريقة التشفير الكمومي وعمق الدائرة، يستطيع النموذج التكيف مع مجموعات البيانات ذات الأبعاد ومستويات التشويش المختلفة، مما يوفر حلول تعلم فعالة وجديدة لتطبيقات الذكاء الاصطناعي على مستوى المؤسسات.
تعتزم WiMi مواصلة التحقق من قابلية تشغيل تقنية H-QNN ومقاومتها للتشويش على أجهزة كمومية فعلية. وفي الوقت نفسه، ستستكشف إمكانية دمجها مع خوارزميات كمومية أخرى (مثل آلات المتجهات الداعمة الكمومية وشبكات الالتفاف الكمومية) لبناء إطار عمل أكثر شمولية للذكاء الكمومي. إضافةً إلى ذلك، يُعدّ ضغط الميزات الكمومية والتعلم الكمومي الموزع لمجموعات البيانات المرئية واسعة النطاق من الاتجاهات المهمة للمرحلة التالية من البحث. ومن المتوقع أنه مع التطور المستمر للأجهزة الكمومية، ستصبح الشبكات العصبية الهجينة الكمومية-الكلاسيكية ركيزة أساسية في تطور بنى الحوسبة للذكاء الاصطناعي.
لا تُعدّ الشبكة العصبية الهجينة الكمومية الكلاسيكية (H-QNN) من WiMi، والمُصممة لتصنيف صور MNIST الثنائية بكفاءة عالية، مجرد ابتكار تقني، بل تُشكّل علامة فارقة في مسيرة الذكاء الكمومي نحو تطبيقات عملية. فهي تُثبت إمكانية تحقيق تكامل فعّال ومستقر ومتناغم بين الحوسبة الكمومية والتعلم العميق، مُبرزةً الإمكانات الهائلة للتعلم الآلي الكمومي في مجالات تحليل البيانات عالية الأبعاد، وفهم الصور، والتعرف على الأنماط. وستواصل WiMi التزامها بتعزيز البحث في النظرية الأساسية وتقنيات التطبيق للذكاء الاصطناعي الكمومي، مُرَسِّخةً بذلك أساسًا متينًا لمستقبل الحوسبة الذكية.

حول سحابة الهولوغرام من WiMi
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.
للاستفسارات الاستثمارية، يرجى الاتصال على:
شركة WIMI Hologram Cloud Inc.
البريد الإلكتروني: pr@wimiar.com

شركة ICR المحدودة
روبن يانغ
الهاتف: +1 (646) 975-9495
البريد الإلكتروني: wimi@icrinc.com