神经网络发展新方向
神经网络作为人工智能领域的核心工具，有两个重要分支：前馈神经网络和能量神经网络。
前馈神经网络强调信息单向逐层计算，能量神经网络受物理学启发，强调系统通过演化向能量最低的稳定态收敛。
前馈神经网络的进化
前馈神经网络的发展起点 ——
多层感知机（MLP）是一种模仿生物神经元层级传递信号的网络结构，通过非线性激活函数学习复杂映射。针对不同的应用场景，又衍生出卷积神经网络（CNN）和循环神经网络（RNN），分别捕捉空间特征和处理序列依赖。2017年Transformer的诞生，凭借自注意力机制结合大规模并行计算能力，实现了海量数据集下的超大规模参数训练，显著提升了模型的长文本理解能力，成为当下大语言模型的主流架构选择。但同时，Transformer也存在计算开销大、高度依赖训练数据量等局限。
能量神经网络的困境
能量神经网络发展源头可追溯到统计物理学中的伊辛（Ising）模型，通过描述磁体中原子自旋的相互作用刻画系统的能量演化。1982年Hopfield网络首次将该思想引入神经网络，通过定义“能量函数”使网络状态能够自动收敛到能量最低的稳定态，从而实现类人脑的联想记忆功能。随后基于此发展的玻尔兹曼机（Boltzman
Machine, BM）引入概率采样模拟更复杂的能量分布，从而解决复杂优化问题。但其训练过程依赖的采样方法计算成本极高，训练效率低下，算力限制使得这条基于物理启发的技术路线逐渐陷入停滞。
能量神经网络的觉醒
尽管能量神经网络的发展潜力尚待深入挖掘，仍有不少学者持续不断进行研究。近期美国的研究团队提出了一种新型模型架构 —— 基于能量的Transformer（Energy-Based Transformers,
EBTs），将基于能量网络的模型（EBMs）与Transformer结合，实现了更强的通用推理/思考能力。该模型在多模态训练中的扩展速率比主流Transformer提升35%，性能提高29%。这一研究成果将推动能量神经网络模型从“幕后”走到“台前”，有几率一跃成为可落地的主流候选架构，也为能量神经网络模型的研究开辟了新方向。
量子计算激活能量神经网络
玻尔兹曼机训练难点
玻尔兹曼分布是统计物理的基石之一，刻画了大量粒子构成的系统平衡态规律。玻尔兹曼分布广泛应用于统计物理（热力学平衡）、人工智能（能量模型）以及复杂优化问题（组合优化）研究中。
玻尔兹曼机由2024年诺贝尔物理学奖得主Geoffrey Hinton提出，通过模拟物理系统的能量最小化过程训练网络，使神经元状态按照玻尔兹曼分布（高温随机探索，低温稳定收敛）进行概率更新。由于玻尔兹曼机具备全连接结构，其训练过程需要不断从复杂的玻尔兹曼分布中采样，导致计算复杂度随神经元数量呈指数级增长，本质属于NP-hard问题。
玻尔兹曼机由2024年诺贝尔物理学奖得主Geoffrey Hinton提出，通过模拟物理系统的能量最小化过程训练网络，使神经元状态按照玻尔兹曼分布（高温随机探索，低温稳定收敛）进行概率更新。由于玻尔兹曼机具备全连接结构，其训练过程需要不断从复杂的玻尔兹曼分布中采样，导致计算复杂度随神经元数量呈指数级增长，本质属于NP-hard问题。
量子计算机解决采样难题
相干光量子计算机，即相干伊辛机（Coherent Ising Machine,
CIM）巧妙地利用光量子搭建了物理Ising模型，由于Ising模型与玻尔兹曼机在数学上的相互映射关系，CIM凭借量子并行特性可高效处理玻尔兹曼分布采样的优势，能够为经典玻尔兹曼机因采样计算高复杂度而无法高效训练的难点提供解决思路。
自由定义和训练玻尔兹曼机
利用量子玻尔兹曼机编程套件（Kaiwu-PyTorch-Plugin, KPP）可以自由定义和高效训练玻尔兹曼机！
Kaiwu-PyTorch-Plugin创新性地将PyTorch和相干光量子计算机的采样优势结合，借助PyTorch灵活定义神经网络的能力、量子计算并行特性提供的指数级加速，实现自由定义和训练能量神经网络—玻尔兹曼机&受限玻尔兹曼机（Restricted Boltzmann Machines, RBM）。
Kaiwu-PyTorch-Plugin创新性地将PyTorch和相干光量子计算机的采样优势结合，借助PyTorch灵活定义神经网络的能力、量子计算并行特性提供的指数级加速，实现自由定义和训练能量神经网络—玻尔兹曼机&受限玻尔兹曼机（Restricted Boltzmann Machines, RBM）。
量子玻尔兹曼机的实用价值
QBM inside VAE = 更强的数据表征生成器（QBM-VAE）
变分自编码器（VAE）是一种用于数据生成和聚类分析的生成模型。基于相干光量子计算机这一原生的玻尔兹曼分布采样器，可构建量子玻尔兹曼机（QBM）增强的深度变分自编码器（QBM-VAE）模型，大幅提升VAE的编码表征能力，使其能够捕获以往难以识别的深层数据特征。在单细胞转录组学分析（一种在单细胞水平检测基因表达以揭示细胞异质性和功能差异的技术）中，QBM-VAE可显著提升聚类精度，检测到传统方法无法辨识的新型细胞亚型（具有独特特征的新致病因素），为靶点发现提供新线索。
QBM-VAE作为通用方法已在多个相关数据集中得到验证，有望揭示科学研究中的大量隐藏数据特征，推动下游科学发现。相干光量子计算机的高效玻尔兹曼分布采样优势为模型性能优化和快速收敛提供保障，使QBM-VAE的大规模训练成为可能。
QBM-VAE作为通用方法已在多个相关数据集中得到验证，有望揭示科学研究中的大量隐藏数据特征，推动下游科学发现。相干光量子计算机的高效玻尔兹曼分布采样优势为模型性能优化和快速收敛提供保障，使QBM-VAE的大规模训练成为可能。
重磅产品：Kaiwu-PyTorch-Plugin
用PyTorch自由定义能量神经网络，以量子玻尔兹曼机拓展AI研究新边界
Kaiwu-PyTorch-Plugin是一个专为机器学习设计的PyTorch量子计算编程套件，用于玻尔兹曼机和受限玻尔兹曼机的训练与评估。该插件提供简单易用的接口，使研究人员和开发者能够快速实现能量神经网络模型的训练与验证，并应用于各种机器学习开发任务。
产品定位
打破能量神经网络发展局限
能量神经网络作为AI神经网络的重要分支，其潜力尚待充分挖掘。本插件旨在：
降低研究门槛：
提供易用的PyTorch接口，支持快速实验验证能量神经网络的新思路
突破计算瓶颈：
结合量子计算技术解决能量神经网络训练中的计算难题
推动范式创新：
支持探索超越传统前馈神经网络架构的新型基础模型
支持全拓扑网络结构配置
与其他仅支持受限玻尔兹曼机的量子计算硬件不同，本插件支持：
全连接玻尔兹曼机：
打破二部图结构限制，支持任意节点间的全连接
灵活拓扑配置：
支持自由定制网络结构，探索更多可能性
混合架构设计：
支持能量模块与传统神经网络模块的无缝集成
完善个人信息
