MindQuantum是基于昇思MindSpore开源深度学习框架和HiQ量子计算云平台开发的通用量子计算框架，支持多种量子神经网络的训练和推理。得益于华为HiQ团队的量子计算模拟器和昇思MindSpore高性能自动微分能力，MindQuantum能够高效处理量子机器学习、量子化学模拟和量子优化等问题，为广大的科研人员、老师和学生提供快速设计和验证量子机器学习算法的高效平台。
通过如下示例可便捷搭建参数化量子线路
from mindquantum import *
import numpy as np
encoder = Circuit().h(0).rx({'a0': 2}, 0).ry('a1', 1)
print(encoder)
print(encoder.get_qs(pr={'a0': np.pi / 2, 'a1': np.pi / 2}, ket=True))你将得到
q0: ────H───────RX(2*a0)──
q1: ──RY(a1)──────────────
-1/2j¦00⟩
-1/2j¦01⟩
-1/2j¦10⟩
-1/2j¦11⟩在jupyter notebook中，也可通过线路的svg()接口来以svg格式绘制量子线路图（更有dark和light模式可选）
circuit = (qft(range(3)) + BarrierGate(True)).measure_all()
circuit.svg()
ansatz = CPN(encoder.hermitian(), {'a0': 'b0', 'a1': 'b1'})
sim = Simulator('mqvector', 2)
ham = Hamiltonian(-QubitOperator('Z0 Z1'))
grad_ops = sim.get_expectation_with_grad(
ham,
encoder + ansatz,
encoder_params_name=encoder.params_name,
ansatz_params_name=ansatz.params_name,
)
import mindspore as ms
ms.set_context(mode=ms.PYNATIVE_MODE, device_target='CPU')
net = MQLayer(grad_ops)
encoder_data = ms.Tensor(np.array([[np.pi / 2, np.pi / 2]]))
opti = ms.nn.Adam(net.trainable_params(), learning_rate=0.1)
train_net = ms.nn.TrainOneStepCell(net, opti)
for i in range(100):
train_net(encoder_data)
print(dict(zip(ansatz.params_name, net.trainable_params()[0].asnumpy())))训练得到参数为
{'b1': 1.5720831, 'b0': 0.006396801}-
基础使用指南
-
变分量子算法
-
通用量子算法
对于上述示例所涉及API和其他更多用法，请查看MindQuantum API文档文档链接
- 硬件平台支持avx2指令集。
- 参考MindSpore安装指南，完成MindSpore的安装，要求至少1.4.0版本。
- 其余依赖请参见setup.py
请根据MindSpore官网安装指南，安装1.4.0及以上版本的MindSpore。
pip install mindquantum-
从代码仓下载源码
cd ~ git clone https://gitee.com/mindspore/mindquantum.git
-
编译MindQuantum
Linux系统下请确保安装好CMake >= 3.18.3，然后运行如下命令：
cd ~/mindquantum bash build.sh
Windows系统下请确保安装好MinGW-W64和CMake >= 3.18.3，然后运行如下命令：
cd mindquantum ./build.bat -G "MinGW Makefiles"
-
安装编译好的whl包
进入output目录，通过
pip命令安装编译好的mindquantum的whl包。
执行如下命令，如果没有报错No module named 'mindquantum'，则说明安装成功。
python -c 'import mindquantum'通过Docker也可以在Mac系统或者Windows系统中使用Mindquantum。具体参考Docker安装指南.
运行代码前请设置量子模拟器运行时并行内核数，例如设置并行内核数为4，可运行如下代码：
export OMP_NUM_THREADS=4对于大型服务器，请根据模型规模合理设置并行内核数以达到最优效果。
更多注意事项请查看FAQ页面。
如果你想构建用于分发的二进制whl包，请参考二进制whl包构建指南
关于如何快速搭建参数化量子线路和量子神经网络，并进行训练，请点击查看MindQuantum使用教程
有关安装指南、教程和API的更多详细信息，请参阅用户文档。
查看MindSpore如何进行开放治理。
欢迎参与贡献。更多详情，请参阅我们的贡献者Wiki。
当您用MindQuantum进行科学研究时，请引用：
@misc{mq_2021,
author = {MindQuantum Developer},
title = {MindQuantum, version 0.6.0},
month = {March},
year = {2021},
url = {https://gitee.com/mindspore/mindquantum}
}