WiMi探索混合量子-经典机器学习联邦训练框架_新浪财经_新浪网

WiMi Hologram Cloud Inc．（纳斯达克代码：WIMI）近日宣布正在探索一种创新的探索混合量子-经典机器学习联邦训练框架，旨在处理传统联邦学习框架（Federated Training Framework）在数据隐私保护和训练效率部分的混合题挑战。联邦学习采取“数据不动、量经练框浪财浪网模型动”的典机分布式训练机制，允许本地设备在保留原始数据的器学同时，仅向中央服务器共享模型参数开展聚合，习联从而有效避免集中式数据存储带来的邦训泄露风险。然而，架新经新经典联邦学习框架仍面临两大困难：边缘设备上经典神经网络的探索方式算开销导致训练效率偏低，以及模型参数传输流程中的混合通信成本随设备数量扩大而急剧上升。量子方式算与联邦学习的量经练框浪财浪网融合为上述状况给予认识决思路。量子算法的典机并行方式算能力可将高维特点空间中改进状况的复杂度从指数级降至多项式级，而联邦学习的器学分布式架构为量子模型的工程化部署给予了天然载体。WiMi构建的习联深度协作混合架构采取经典预训练卷积模型处理底层特点提取任务，利用其在学习图像纹理、邦训边缘等基础特点部分的成熟好处；由参数化量子电路构成的量子神经网络则负责高层抽象特点的非线性映射，通过量子纠缠特性提高特点表达能力；最后通过联邦学习框架实现多设备模型协同改进。该创新架构在技术实现上呈现三大突破。模型设方式层面，它采取混合量子-经典卷积神经网络结构，输入层通过内核编码方式将图像数据从低维空间映射到高维量子特点空间，处理了量子态与经典数据之间的适用配困难。隐藏层引入提高型变分量子电路，仅需数十个量子比特即可实现与经典深度卷积神经网络相当的特点提取能力，同时避免电路深度提高导致的量子噪声往往积。联邦训练机制部分，WiMi设方式了分层聚合通信协议。本地设备仅保留经典预训练卷积基模型和轻量级量子处理器，在通过量子电路实现本地数据特点编码和模型训练后，仅向中央服务器上传加密后的量子参数梯度。中央设备则利用量子态技术实现跨设备参数聚合，再通过经典改进器生成全局更新参数并分发至各设备。随着量子硬件的成熟和算法的持续改进，这一混合量子-经典联邦学习框架有望为下一代人工智能基础设施的转型给予技术支撑。海量资讯、精准解读，尽在新浪财经APP责任编辑：张俊 SF065

(责任编辑：热点)