公司动态 - BTQ Technologies Corp宣布任命Sean Kwak博士为公司战略顾问 [1] - Sean Kwak博士是韩国应用量子技术领域的知名领导者，曾主导SK Telecom量子研究实验室的建立和发展 [2] - Kwak博士团队在2016年开通了全球首个运营商级QKD保护的LTE骨干网，并在首尔、大田和大邱之间330公里的5G光纤线路上扩展了量子加密技术 [2] - Kwak博士曾担任ID Quantique(瑞士)执行副总裁，帮助扩大公司全球业务，并担任韩国总统科学技术咨询委员会成员 [3] - Kwak博士目前是Genesis Quantum Inc的CEO，该公司专注于量子密钥分发(QKD)技术的商业化 [3] 行业影响 - Kwak博士的加入增强了公司在后量子密码学(PQC)和量子通信实际部署方面的商业可信度和战略深度 [4] - Kwak博士将负责领导BTQ韩国市场运营，与主要电信和国防组织建立合作关系 [8] - Kwak博士将代表公司参与全球和地区标准化机构，利用其近20年的委员会领导经验 [8] - Kwak博士将为公司在亚太地区快速推出后量子密码学和量子通信产品提供建议 [8] 公司背景 - BTQ Technologies Corp是一家垂直整合的量子技术公司，致力于推动从经典网络向量子互联网的转型 [5] - 公司拥有广泛的专利组合，率先实现了行业首个具有商业意义的量子优势 [5] - 公司提供全栈式中性原子量子计算平台，包括端到端硬件、中间件和后量子安全解决方案 [5] - 公司解决方案服务于金融、电信、物流、生命科学和国防等多个行业 [5] 领导层观点 - BTQ Technologies CEO Olivier Roussy Newton表示，Kwak博士在量子研发和商业化方面的独特专业知识将增强公司扩展当前和未来产品的能力 [4] - Kwak博士表示，期待支持BTQ的实际部署，并为公司在全球的战略增长做出贡献 [4]

战略合作 - BTQ Technologies与QPerfect达成战略合作，共同开发基于中性原子量子计算机的下一代后量子安全技术 [1] - 合作将结合BTQ在后量子密码学和量子算法方面的专长与QPerfect的量子逻辑单元(QLU)技术，后者是一种量子纠错加速器 [2] - QPerfect是一家专注于中性原子架构的量子计算初创公司，其旗舰产品MIMIQ是先进的量子算法仿真平台 [3] 技术专长 - BTQ在量子一次性签名方面具有开创性研究，这是一种将构成安全量子通信系统和量子互联网基础的量子密码原语 [4] - QPerfect的QLU是一个多层框架，旨在加速量子开发，其MIMIQ平台在执行量子算法时具有无与伦比的速度、准确性和灵活性 [12] - BTQ的研究团队由领先的后量子密码学家组成，已证明一次性签名在金融交易、智能合约和去中心化身份管理系统中的实际应用 [4] 合作细节 - QPerfect将组建专门的研究团队并提供领先的量子仿真工具，而BTQ将把先进的密码学概念转化为可实现的量子算法 [6] - 双方将共同设计、开发和测试量子一次性签名的实用量子算法，重点关注在中性原子硬件上的高效实现 [8] - 目标是在2025年6月30日前完成量子安全加密协议的正式实施路线图 [7] 应用前景 - 合作旨在为量子安全交易、一次性签名、智能合约、去中心化身份、量子货币和安全通信提供容错量子算法 [7] - 将共同开发针对中性原子量子计算机的量子一次性签名及相关应用的容错、硬件特定方法 [8] - 合作将提供与下一代中性原子量子计算机兼容的量子一次性签名的蓝图和原型 [8] 公司背景 - QPerfect是一家总部位于斯特拉斯堡的法国量子计算公司，成立于2023年，专注于量子计算和量子设计自动化 [11] - BTQ由一群后量子密码学家创立，旨在解决大规模通用量子计算机带来的安全威胁 [12] - QPerfect获得了i-Lab Grand Prix奖项，为研究人员、开发人员和制造商提供实现量子计算机全部潜力的强大技术 [11]

文章核心观点 - 公司提出量子监督学习方法，证明其在端到端分类问题中的量子加速能力，为量子机器学习发展提供理论基础，推动量子计算在人工智能中的应用 [1][11][15] 量子监督学习方法核心 - 构建分类问题，设计利用量子计算加速的量子核学习方法，证明在离散对数问题假设下量子方法优于经典算法，展示量子优势 [2] - 设计参数化酉量子电路，在容错量子计算机上高效实现，将数据样本映射到高维量子特征空间，通过量子态内积估计核条目，实现远超经典机器学习方法的分类准确率 [3] - 利用量子计算机计算经典计算机因计算复杂性无法高效计算的特定核函数，通过量子态内积实现数据点相似度测量 [4] - 提出参数化量子电路，将经典数据嵌入量子态，在量子计算机上计算内积估计量子核函数值，利用量子计算机强大计算能力，在有限采样统计下更具鲁棒性 [5] 方法具体步骤 数据集构建 - 设计数据集使经典计算机无法在多项式时间内找到有效分类方案，而量子计算机可利用量子核方法高效分类，基于离散对数问题的困难性，量子计算机可利用量子傅里叶变换提供高效解决方案 [6] 量子特征映射 - 采用参数化量子电路对数据样本进行特征映射，电路灵活可适应不同类型输入数据，能在量子计算机上有效执行，将经典数据转换为量子态，使不同类数据在量子特征空间尽可能可分，提高分类可行性和准确性 [7] 量子核计算与分类 - 利用量子计算机直接计算量子态之间的内积，构建量子核矩阵用于训练经典机器学习模型，如支持向量机，训练过程中量子计算机的高效核计算显著降低计算复杂度，实现量子加速 [8] 鲁棒性增强与误差处理 - 引入误差校正方法减轻量子计算中随机噪声的影响，确保结果稳定性，结合变分量子算法的优化策略，使量子分类器在受限量子资源下保持高分类准确率 [9][10] 研究意义与应用前景 - 证明端到端量子加速的可行性，为未来量子机器学习研究提供新方向，展示真正可行的量子优势方法，在监督学习中实现端到端加速 [11] - 可广泛应用于金融市场预测和生物医学领域，利用量子计算的加速能力实现金融数据的快速准确分类和预测，用于大规模基因数据分类以识别不同疾病模式，推动精准医学发展 [12] - 随着量子计算硬件发展，研究成果有望在未来容错量子计算机上进行更大规模验证和应用，量子监督学习方法将在机器学习领域发挥更重要作用，为复杂数据问题提供更高效解决方案 [13] 公司概况 - 致力于为全球客户提供领先的全息技术服务，包括高精度全息激光雷达解决方案、独家全息激光雷达点云计算架构设计、突破性全息成像解决方案、全息激光雷达传感器芯片设计和全息车辆智能视觉技术，还提供全息数字孪生技术服务并建立了专有资源库 [16]