mindquantum.algorithm.nisq.IQPEncoding

class mindquantum.algorithm.nisq.IQPEncoding(n_feature, first_rotation_gate=RZ, second_rotation_gate=RZ, num_repeats=1, prefix: str = '', suffix: str = '')[源代码]

通用IQP编码。

更多信息请参考 Supervised learning with quantum-enhanced feature spaces.。

参数：

n_feature (int) - IQP编码所需编码的数据的特征数。
first_rotation_gate (ParameterGate) - 旋转门RX、RY或RZ之一。
second_rotation_gate (ParameterGate) - 旋转门RX、RY或RZ之一。
num_repeats (int) - 编码迭代次数。
prefix (str) - 参数的前缀。默认值： ''。
suffix (str) - 参数的后缀。默认值： ''。

样例：

>>> import numpy as np
>>> from mindquantum.algorithm.nisq import IQPEncoding
>>> iqp = IQPEncoding(3)
>>> iqp.circuit
      ┏━━━┓ ┏━━━━━━━━━━━━┓
q0: ──┨ H ┠─┨ RZ(alpha0) ┠───■─────────────────────────────■─────────────────────────────────────────
      ┗━━━┛ ┗━━━━━━━━━━━━┛   ┃                             ┃
      ┏━━━┓ ┏━━━━━━━━━━━━┓ ┏━┻━┓ ┏━━━━━━━━━━━━━━━━━━━━━┓ ┏━┻━┓
q1: ──┨ H ┠─┨ RZ(alpha1) ┠─┨╺╋╸┠─┨ RZ(alpha0 * alpha1) ┠─┨╺╋╸┠───■─────────────────────────────■─────
      ┗━━━┛ ┗━━━━━━━━━━━━┛ ┗━━━┛ ┗━━━━━━━━━━━━━━━━━━━━━┛ ┗━━━┛   ┃                             ┃
      ┏━━━┓ ┏━━━━━━━━━━━━┓                                     ┏━┻━┓ ┏━━━━━━━━━━━━━━━━━━━━━┓ ┏━┻━┓
q2: ──┨ H ┠─┨ RZ(alpha2) ┠─────────────────────────────────────┨╺╋╸┠─┨ RZ(alpha1 * alpha2) ┠─┨╺╋╸┠───
      ┗━━━┛ ┗━━━━━━━━━━━━┛                                     ┗━━━┛ ┗━━━━━━━━━━━━━━━━━━━━━┛ ┗━━━┛
>>> iqp.circuit.params_name
['alpha0', 'alpha1', 'alpha2', 'alpha0 * alpha1', 'alpha1 * alpha2']
>>> iqp.circuit.params_name
>>> a = np.array([0, 1, 2])
>>> iqp.data_preparation(a)
array([0, 1, 2, 0, 2])
>>> iqp.circuit.get_qs(pr=iqp.data_preparation(a))
array([-0.28324704-0.21159186j, -0.28324704-0.21159186j,
        0.31027229+0.16950252j,  0.31027229+0.16950252j,
        0.02500938+0.35266773j,  0.02500938+0.35266773j,
        0.31027229+0.16950252j,  0.31027229+0.16950252j])

data_preparation(data)[源代码]

IQP编码的ansatz能够将经典数据编码为量子态。这种方法将经典数据准备成适合IQP编码的维数。假设源数据具有 \(n\) 特征，那么输出数据将具有 \(2n-1\) 特征，前 \(n\) 个特征是原始数据。对于 \(m > n\) 。

\[\text{data}_m = \text{data}_{m - n} * \text{data}_{m - n - 1}\]

参数：

data ([list, numpy.ndarray]) - IQP编码了解更多详细信息所需要的经典数据。

返回：

numpy.ndarray，适合此ansatz维度的数据。