WiMi Hologram Cloud Inc.(纳斯达克代码:WIMI)近日通知正在探索一种更始的夹杂量子-经典机器学习联邦磨练框架,旨在处理传统联邦学习框架(Federated Training Framework)在数据隐秘保护和磨练效果方面的中枢挑战。
联邦学习接受“数据不动、模子动”的分裂式磨练机制,允许腹地确立在保留原始数据的同期,仅向中央处事器分享模子参数进行团员,从而有用幸免汇集式数据存储带来的浮现风险。关系词,经典联邦学习框架仍靠近两浩劫题:角落确立上经典神经网罗的筹画支拨导致磨练效果偏低,以及模子参数传输历程中的通讯资本随确立数目扩大而急剧高潮。
量子筹画与联邦学习的交融为上述问题提供了处理念念路。量子算法的并行筹画智商可将高维特征空间中优化问题的复杂度从指数级降至多项式级,而联邦学习的分裂式架构为量子模子的工程化部署提供了自然载体。
WiMi构建的深度合营夹杂架构接受经典预磨练卷积模子处理底层特征提真金不怕火任务,左右其在学习图像纹理、角落等基础特征方面的锻真金不怕火上风;由参数化量子电路组成的量子神经网罗则镇定高层综合特征的非线性映射,通过量子纠缠特质增强特征抒发智商;最终通过联邦学习框架杀青多确立模子协同优化。
该更始架构在本事杀青上呈现三大梗阻。模子打算层面,它接受夹杂量子-经典卷积神经网罗结构,输入层通过内核编码要领将图像数据从低维空间映射到高维量子特征空间,处理了量子态与经典数据之间的适配繁难。避讳层引入增强型变重量子电路,仅需数十个量子比特即可杀青与经典深度卷积神经网罗特地的特征提真金不怕火智商,同期幸免电路深度增多导致的量子噪声积累。
联邦磨练机制方面,WiMi打算了分层团员通讯公约。腹地确立仅保留经典预磨练卷积基模子和轻量级量子处理器,在通过量子电路完资腹地数据特征编码和模子磨练后,仅向中央处事器上传加密后的量子参数梯度。中央确立则左右量子态本事完成跨确立参数团员,再通过经典优化器生周密局更新参数并分发至各确立。
跟着量子硬件的锻真金不怕火和算法的合手续优化,这一夹杂量子-经典联邦学习框架有望为下一代东说念主工智能基础神志的转型提供本事扶持。
海量资讯、精确解读,尽在新浪财经APP
包袱裁剪:张俊 SF065开yun体育网