شنتشن، الصين ، 13 فبراير 2025 / بي آر نيوزواير/ -- أعلنت شركة مايكرو كلاود هولوجرام (ناسداك: HOLO)، ("HOLO" أو "الشركة")، وهي شركة تقدم خدمات تكنولوجية، أنها نجحت من خلال تقديم نموذج DeepSeek في تحقيق اختراق كبير في مجال الحوسبة الكمومية المحاكاة الرقمية. لا يعمل هذا الاختراق على تعزيز كفاءة محاكاة الحوسبة الكمومية فحسب، بل يوفر أيضًا رؤى جديدة لتصميم وتحسين خوارزميات الكم المستقبلية. وخاصة في السياق حيث لم ينضج تنفيذ الأجهزة بعد، أصبحت الحوسبة الكمومية المحاكاة الرقمية أداة مهمة للبحث وتطوير خوارزميات الكم.

تستخدم الحوسبة الكمومية خصائص التراكب والتشابك للبتات الكمومية (الكيوبتات) لتحقيق تسريع هائل في الحوسبة لحل مشاكل معينة. ومع ذلك، لا يزال التنفيذ المادي لأجهزة الكمبيوتر الكمومية يواجه العديد من التحديات التقنية، مثل استقرار الكيوبتات والتحكم في معدل الخطأ. ونتيجة لذلك، أصبحت الحوسبة الكمومية المحاكاة الرقمية أداة مهمة للبحث والتطوير في الخوارزميات الكمومية.

تستخدم الحوسبة الكمومية المحاكاة الرقمية أجهزة كمبيوتر كلاسيكية لمحاكاة سلوك الأنظمة الكمومية، مما يساعد الباحثين على فهم وتصميم خوارزميات الكم. ومع ذلك، مع زيادة حجم الأنظمة الكمومية، تنمو الموارد الحسابية المطلوبة للمحاكاة بشكل كبير، مما يجعل من الصعب للغاية محاكاة الأنظمة الكمومية واسعة النطاق. تركز HOLO، من خلال نموذج DeepSeek، على تحسين محاكاة وتوقع الأنظمة المعقدة. تجعلها قدراتها القوية على التحسين الحسابي والهندسة المعمارية المرنة أداة مثالية لتحسين الحوسبة الكمومية المحاكاة الرقمية.

يمكن وصف حالة النظام الكمومي بواسطة دالة موجية، وهي متجه معقد موجود في فضاء هيلبرت. بالنسبة للنظام الذي يحتوي على n كيوبت، فإن حجم دالة الموجة الخاصة به هو 2^n، مما يجعل المحاكاة المباشرة للأنظمة الكمومية واسعة النطاق صعبة للغاية.

لتقليل الموارد الحسابية المطلوبة لمحاكاة الأنظمة الكمومية، تم تقديم طريقة شبكة Tensor. تعمل شبكات Tensor بشكل فعال على تقليل التعقيد الحسابي من خلال تحلل الموتر عالي الأبعاد إلى منتجات من الموتر منخفض الأبعاد. ومع ذلك، لا تزال طرق شبكة Tensor التقليدية تواجه تحديات عند التعامل مع الأنظمة الكمومية واسعة النطاق. لقد قامت HOLO، باستخدام نموذج DeepSeek وتقنية التعلم العميق، بتحسين عملية إنشاء وتحديث شبكات Tensor. من خلال الاستفادة من الشبكات العصبية في نموذج DeepSeek لتعلم بنية ومعلمات شبكة Tensor تلقائيًا، فإنها تقلل بشكل كبير من استهلاك الموارد الحسابية مع ضمان دقة المحاكاة.

طورت شركة HOLO، من خلال نموذج DeepSeek، نوعًا جديدًا من بنية الشبكة العصبية تسمى "شبكة Quantum Tensor العصبية" (QTNNN). تتكون QTNNN من طبقات متعددة، تحتوي كل منها على عدة عقد موتر كمي. ترتبط هذه العقد ببعضها البعض بطريقة محددة لتشكيل بنية شبكة معقدة.

تنقسم عملية تدريب نموذج DeepSeek إلى مرحلتين: التدريب المسبق والضبط الدقيق. في مرحلة التدريب المسبق، يتم تدريب النموذج باستخدام كمية كبيرة من بيانات النظام الكمومي لتعلم البنية الأساسية ومعلمات شبكة الموتر. في مرحلة الضبط الدقيق، يتم تحسين النموذج لأنظمة كمية محددة، مما يؤدي إلى تحسين دقة المحاكاة وكفاءتها بشكل أكبر.

من خلال تقديم نموذج DeepSeek، قامت HOLO بتحسين الخوارزميات الخاصة بالحوسبة الكمومية المحاكاة الرقمية. تقلل الخوارزمية المحسنة بشكل كبير من الموارد الحسابية المطلوبة. من خلال التعلم التلقائي لهياكل ومعلمات شبكة الموتر، يتم تقليل الموارد الحسابية اللازمة لمحاكاة الأنظمة الكمومية بشكل كبير. تُظهر التجارب أن الخوارزمية المحسنة تقلل من استهلاك الموارد الحسابية بأكثر من 50٪ عند التعامل مع الأنظمة الكمومية واسعة النطاق.

بالإضافة إلى ذلك، تم تحسين دقة المحاكاة الرقمية للحوسبة الكمومية بشكل كبير من خلال التحسين. حيث تتمكن HOLO، التي تستخدم تقنية التعلم العميق لنموذج DeepSeek، من التقاط سلوك الأنظمة الكمومية بدقة أكبر. وتُظهِر التجارب أن الخوارزمية المُحسَّنة عززت دقة المحاكاة بأكثر من 30%، وخاصة عند التعامل مع الأنظمة الكمومية المعقدة، حيث يكون أداؤها رائعًا بشكل خاص.

إن الاختراق الذي حققته HOLO من خلال تقديم نموذج DeepSeek في مجال الحوسبة الكمومية للمحاكاة الرقمية يمثل خطوة مهمة في التكامل العميق بين أبحاث الحوسبة الكمومية وتكنولوجيا التعلم العميق. لا يعالج هذا الاختراق مشكلات الاختناق في طرق المحاكاة الرقمية التقليدية من حيث الموارد الحسابية والكفاءة فحسب، بل يوفر أيضًا أدوات وأفكارًا جديدة تمامًا لتصميم وتحسين الخوارزميات الكمومية. مع تنفيذ هذه التكنولوجيا، يتمكن الباحثون من محاكاة أنظمة الكم واسعة النطاق بكفاءة أكبر، وبالتالي تسريع البحث في مجالات مثل الكيمياء الكمومية والتعلم الآلي الكمومي وخوارزميات التحسين الكمومي. إن التطبيق الناجح لهذه التكنولوجيا لا يوضح الإمكانات الهائلة للتعلم العميق في الحوسبة العلمية فحسب، بل يضع أيضًا أساسًا متينًا للتطبيقات العملية للحوسبة الكمومية المستقبلية. مع استمرار نضوج أجهزة الحوسبة الكمومية، سيوفر تحسين تكنولوجيا المحاكاة الرقمية دعمًا نظريًا قويًا واحتياطيات خوارزمية، مما يدفع الحوسبة الكمومية من المختبر إلى التطبيقات الصناعية.

من منظور التنفيذ الفني، يستخدم HOLO نموذج DeepSeek وبنيته الفريدة Quantum Tensor Network Neural Network (QTNNN) لدمج التعلم العميق بنجاح مع محاكاة النظام الكمومي. لا يتعلم هذا الهيكل تلقائيًا البنية المعقدة والسلوك الديناميكي للأنظمة الكمومية فحسب، بل يقلل أيضًا بشكل كبير من استهلاك الموارد الحسابية مع الحفاظ على دقة المحاكاة. تظهر النتائج التجريبية أن الخوارزمية المحسّنة قللت من استهلاك الموارد الحسابية بأكثر من 50٪ وحسنت دقة المحاكاة بأكثر من 30٪ عند التعامل مع أنظمة الكم واسعة النطاق. يسمح هذا التحسين المزدوج في الكفاءة والدقة للباحثين بالتحقق من الخوارزميات الكمومية وتحسينها بشكل أسرع، وبالتالي تسريع التطبيق العملي لتكنولوجيا الحوسبة الكمومية.

إن الاختراق التكنولوجي الذي حققته تقنية HOLO ليس ذا أهمية كبيرة في مجال الحوسبة الكمومية فحسب، بل سيكون له أيضًا تأثير عميق على البحث العلمي والتطبيقات الصناعية. في البحث العلمي، ستوفر تقنية المحاكاة الرقمية المحسنة أدوات أكثر قوة لمجالات مثل الكيمياء الكمومية وعلوم المواد وتطوير الأدوية، مما يساعد العلماء على اكتساب فهم أعمق لسلوك الأنظمة الكمومية المعقدة. في التطبيقات الصناعية، سيجلب التطور المتسارع للحوسبة الكمومية فرصًا جديدة لصناعات مثل التمويل والطاقة والذكاء الاصطناعي، مثل النمذجة المالية الأكثر كفاءة وخوارزميات تحسين الطاقة الأكثر دقة ونماذج التعلم الآلي الأكثر قوة. سيعزز هذا التعاون العلمي والابتكار العالمي، مما يسرع من التبني والتطبيق الواسع النطاق للتكنولوجيا. ومن المتوقع أنه مع استمرار تكنولوجيا الحوسبة الكمومية في النضج والتحسين، سيدخل المجتمع البشري ثورة تكنولوجية مدفوعة بالحوسبة الكمومية.

نبذة عن MicroCloud Hologram Inc.

تلتزم شركة MicroCloud بتقديم خدمات تقنية التصوير المجسم الرائدة لعملائها في جميع أنحاء العالم. تشمل خدمات تقنية التصوير المجسم التي تقدمها شركة MicroCloud حلول الكشف عن الضوء المجسم وتحديد المسافات بدقة عالية ("LiDAR")، استنادًا إلى تقنية التصوير المجسم، وتصميم بنية خوارزميات سحابة النقاط المجسمة الحصرية لـ LiDAR، وحلول التصوير المجسم التقنية المبتكرة، وتصميم شريحة مستشعر LiDAR المجسم وتقنية الرؤية الذكية للسيارات المجسمة لخدمة العملاء الذين يقدمون أنظمة مساعدة السائق المتقدمة المجسمة الموثوقة ("ADAS"). كما تقدم شركة MicroCloud خدمات تقنية التوأم الرقمي المجسم للعملاء وقد أنشأت مكتبة موارد تقنية التوأم الرقمي المجسم الخاصة بها. تلتقط مكتبة موارد تقنية التوأم الرقمي المجسم من شركة MicroCloud الأشكال والأشياء في شكل ثلاثي الأبعاد باستخدام مزيج من برنامج التوأم الرقمي المجسم من MicroCloud والمحتوى الرقمي وعلم البيانات القائم على البيانات المكانية وخوارزمية السحابة الرقمية المجسمة وتقنية التقاط الصور المجسمة ثلاثية الأبعاد. لمزيد من المعلومات، يرجى زيارة http://ir.mcholo.com/

بيان الملاذ الآمن

يحتوي هذا البيان الصحفي على بيانات تطلعية كما هو محدد في قانون إصلاح التقاضي في الأوراق المالية الخاصة لعام 1995. تتضمن البيانات التطلعية بيانات تتعلق بالخطط والأهداف والأهداف والاستراتيجيات والأحداث المستقبلية أو الأداء والافتراضات الأساسية والبيانات الأخرى التي تختلف عن بيانات الحقائق التاريخية. عندما تستخدم الشركة كلمات مثل "قد" و"سوف" و"تعتزم" و"يجب" و"تعتقد" و"تتوقع" و"تتوقع" و"تقدر" أو تعبيرات مماثلة لا تتعلق فقط بالمسائل التاريخية، فإنها تقدم بيانات تطلعية. لا تعد البيانات التطلعية ضمانات للأداء المستقبلي وتنطوي على مخاطر وعدم يقين قد يتسبب في اختلاف النتائج الفعلية بشكل مادي عن توقعات الشركة التي تمت مناقشتها في البيانات التطلعية. تخضع هذه البيانات لعدم اليقين والمخاطر بما في ذلك، على سبيل المثال لا الحصر، ما يلي: أهداف الشركة واستراتيجياتها؛ تطوير أعمال الشركة في المستقبل؛ الطلب على المنتجات والخدمات وقبولها؛ التغييرات في التكنولوجيا؛ الظروف الاقتصادية؛ السمعة والعلامة التجارية؛ تأثير المنافسة والأسعار؛ اللوائح الحكومية؛ التقلبات في الاقتصاد العام؛ الحالة المالية ونتائج العمليات؛ النمو المتوقع لصناعة الهولوغرافيا وظروف العمل في الصين والأسواق الدولية التي تخطط الشركة لخدمتها والافتراضات الأساسية أو المتعلقة بأي من المخاطر المذكورة أعلاه وغيرها من المخاطر الواردة في التقارير التي قدمتها الشركة إلى لجنة الأوراق المالية والبورصة ("SEC")، بما في ذلك أحدث تقرير سنوي قدمته الشركة على النموذج 10-K والتقرير الحالي على النموذج 6-K وملفاتها اللاحقة. ولهذه الأسباب، من بين أمور أخرى، يُحذر المستثمرون من الاعتماد بشكل مفرط على أي بيانات تطلعية في هذا البيان الصحفي. تمت مناقشة عوامل إضافية في ملفات الشركة لدى لجنة الأوراق المالية والبورصة، والتي تتوفر للمراجعة على www.sec.gov . لا تتعهد الشركة بأي التزام بمراجعة هذه البيانات التطلعية علنًا لتعكس الأحداث أو الظروف التي تنشأ بعد تاريخ هذا.

شاهد المحتوى الأصلي: https://www.prnewswire.com/news-releases/microcloud-hologram-inc-announces-breakthrough-in-optimizing-digital-simulated-quantum-computing-using-the-deepseek-model-302376011.html

المصدر: MicroCloud Hologram Inc.