公司技术发布 - 公司发布用于混合图神经网络的可学习量子光谱滤波器技术 提出了一种全新的量子-经典混合图神经网络基础架构 [1] - 该技术将图卷积和池化操作融合到一个完整的量子计算过程中 通过将图拉普拉斯算子映射到可训练的量子电路 使图信号处理获得指数级压缩能力和新的计算视角 [1] - 技术通过振幅编码或概率编码将输入信号加载到量子态 量子电路基于图结构执行光谱变换 输出态的测量结果自然形成一个n维概率分布向量 其中n = log(N) 实现卷积与池化的统一功能 [2] 技术原理与优势 - 量子测量过程本质上是一种结构化非线性映射 能够克服经典GNN池化操作中复杂的结构搜索问题 量子态坍缩自动实现了经典网络中难以模拟的非线性行为 [3] - 对于具有一百万个节点的网络 经典光谱卷积在内存和时间上几乎无法运行 而此量子电路仅需约20个量子比特 计算成本对于大型图仍可控 [4] - 技术采用基于对数编码的光谱近似方法 即使用 n = log(N) 个量子比特来表示原始的N维特征空间 所构建的希尔伯特空间维度为2^n 理论上能与N维空间进行一一映射 [7] 工程实现与算法基础 - 量子电路的训练通过经典-量子混合优化完成 经典优化器计算损失函数对电路参数的梯度 并通过参数移位规则计算量子电路的可微性 [8] - 公司证明 通过QFT结构的量子电路 可以近似图的特征空间 关键在于两个发现：1) 可在图的邻接矩阵与量子门之间构建有效映射 2) QFT中的分层旋转逻辑天然包含多尺度滤波结构 [6] - 整个系统形成一个端到端可训练的混合GNN 量子电路从编码的高维输入信号中提取光谱特征 输出可由经典网络进一步处理的低维特征 [8] 行业应用与前景 - 大规模图学习一直是工业领域的难题 社交媒体、交通流网络、互联网连接图等领域各有数千万甚至数亿个节点 经典GNN通常需要大量显存、长时间矩阵乘法、复杂稀疏矩阵管理和海量卷积滤波器参数 [9] - 量子光谱滤波器提供了一种颠覆性解决方案 随着节点数指数级增长 所需量子比特仅对数级增长 这使其成为未来量子-经典GNN的自然选择 [10] - 在当前量子硬件即将进入中等规模阶段之际 这种量子比特需求低、结构利用率高的方法提供了极佳的实现可能性 [10] 公司战略与资源 - 公司认为 与其等待量子硬件完全成熟 更重要的是提前构建量子前沿算法基础设施 此量子光谱滤波器建立了完整的研究路线 为未来硬件发展奠定了算法基础 [11] - 公司致力于全息技术的研发与应用 业务包括基于全息技术的激光雷达解决方案、全息数字孪生技术服务等 [14] - 公司专注于量子计算和量子全息等发展 拥有超过30亿元人民币的现金储备 并计划从现金储备中投入超过4亿美元 用于区块链、量子计算技术、量子全息技术以及人工智能AR等前沿技术领域的衍生和技术开发 [14]