MindQuantum

View English

• MindQuantum
  • MindQuantum介绍
  • 初体验
    • 搭建参数化量子线路
    • 训练量子神经网络
  • 案例教程
  • API
  • 安装教程
    • 确认系统环境信息
    • pip安装
      • 安装MindSpore
      • 安装MindQuantum
    • 源码安装
  • 验证是否成功安装
  • Docker安装
  • 注意事项FAQ
  • 构建二进制whl包
  • 快速入门
  • 文档
  • 社区
    • 治理
  • 贡献
  • 引用MindQuantum
  • 许可证

MindQuantum介绍

MindQuantum是基于昇思MindSpore开源深度学习平台开发的新一代通用量子计算框架，聚焦于NISQ阶段的算法实现与落地。结合HiQ高性能量子计算模拟器和昇思MindSpore并行自动微分能力，MindQuantum有着极简的开发模式和极致的性能体验，能够高效处理量子机器学习、量子化学模拟和量子组合优化等问题，为广大科研人员、老师和学生提供快速设计和验证量子算法的高效平台，让量子计算触手可及。

初体验

搭建参数化量子线路

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()  # circuit.svg('light')

训练量子神经网络

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.as_encoder() + ansatz.as_ansatz(),
)

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}

案例教程

1. 基础使用指南

   • 变分量子线路
   • 量子模拟器
   • 量子神经网络初体验
   • 变分量子线路梯度计算进阶
   • 量子线路高阶操作
   • 量子测量
   • 含噪声量子线路
   • 噪声模拟器
   • 比特映射
   • 布洛赫球

2. 变分量子算法

   • 通过量子神经网络对鸢尾花进行分类
   • 量子近似优化算法
   • 量子神经网络在自然语言处理中的应用
   • 在量子化学计算中应用量子变分求解器
   • 含参量子线路的等价性检查

3. 通用量子算法

   • 量子相位估计算法
   • 基于MindQuantum的Grover搜索算法和龙算法
   • 基于MindQuantum的Shor算法
   • HHL算法

API

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

安装教程

确认系统环境信息

• 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

pip安装

安装MindSpore

请根据MindSpore官网安装指南，安装1.4.0及以上版本的MindSpore。

安装MindQuantum

pip install mindquantum

源码安装

1. 从代码仓下载源码

   cd ~
   git clone https://gitee.com/mindspore/mindquantum.git

2. 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 --gitee

   这里 --gitee 让脚本从gitee代码托管平台下载第三方依赖。如果需要编译GPU版本，请先安装好 CUDA 11.x，和对应的显卡驱动，然后执行如下编译指令：

   cd ~/mindquantum
   bash build.sh --gitee --gpu

   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 /Gitee

   Mac系统下请确保安装好openmp和CMake >= 3.18.3，然后运行如下命令：

   cd ~/mindquantum
   bash build.sh --gitee

3. 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。

验证是否成功安装

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'

Docker安装

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.

注意事项FAQ

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。

构建二进制whl包

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

快速入门

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

文档

有关安装指南、教程和API的更多详细信息，请参阅用户文档。

社区

治理

查看MindSpore如何进行开放治理。

贡献

欢迎参与贡献。更多详情，请参阅我们的贡献者Wiki。

引用MindQuantum

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}
}

许可证

Apache License 2.0