mindquantum.framework.QRamVecLayer

查看源文件
class mindquantum.framework.QRamVecLayer(ham, circ, sim, n_thread=None, weight='normal')[源代码]

包含qram和ansatz线路的量子神经网络,qram将经典数据直接编码成量子态,ansatz线路的参数是可训练的参数。

说明

  • 对于低于2.0.0版本的MindSpore,不支持将复数张量作为神经网络cell输入,因此我们应该将量子态拆分为实部和虚部,并将其用作输入张量。当MindSpore升级时,这种情况可能会改变。

  • 目前,我们无法计算测量结果相对于每个量子振幅的梯度。

参数:
  • ham (Union[Hamiltonian, List[Hamiltonian]]) - 要想求期望值的哈密顿量或者一组哈密顿量。

  • circ (Circuit) - 变分量子线路。

  • sim (Simulator) - 做模拟所使用到的模拟器。

  • n_thread (int) - 运行一个batch的初始态时的并行数。如果是 None,用单线程来运行。默认值: None

  • weight (Union[Tensor, str, Initializer, numbers.Number]) - 卷积核的初始化器。它可以是Tensor、字符串、Initializer或数字。指定字符串时,可以使用 'TruncatedNormal''Normal''Uniform''HeUniform''XavierUniform' 分布以及常量'One'和'Zero'分布中的值。别名 'xavier_uniform''he_uniform''ones''zeros' 是可以接受的。大写和小写都可以接受。有关更多详细信息,请参阅Initializer的值。默认值: 'normal'

输入:
  • qs_r (Tensor) - 量子态实部的Tensor,其shape为 \((N, M)\) ,其中 \(N\) 表示batch大小, \(M\) 表示全振幅量子态的长度。

  • qs_i (Tensor) - 量子态虚部的Tensor,其shape为 \((N, M)\) ,其中 \(N\) 表示batch大小, \(M\) 表示全振幅量子态的长度。

输出:

Tensor,hamiltonian的期望值。

异常:
  • ValueError - 如果 weight 的shape长度不等于1,并且 weight 的shape[0]不等于 weight_size

支持平台:

GPU, CPU

样例:

>>> import numpy as np
>>> import mindspore as ms
>>> from mindquantum.core.circuit import Circuit
>>> from mindquantum.core.operators import Hamiltonian, QubitOperator
>>> from mindquantum.framework import QRamVecLayer
>>> from mindquantum.simulator import Simulator
>>> ms.set_seed(42)
>>> ms.set_context(mode=ms.PYNATIVE_MODE, device_target="CPU")
>>> ans = Circuit().ry('a', 0).rx('b', 0).as_ansatz()
>>> ham = Hamiltonian(QubitOperator('Z0'))
>>> sim = Simulator('mqvector', 1)
>>> grad_ops = sim.get_expectation_with_grad(ham, ans)
>>> qs = np.array([[1.0, 2.0]])/np.sqrt(5)
>>> qs_r, qs_i = ms.Tensor(qs.real), ms.Tensor(qs.imag)
>>> net =  QRamVecLayer(ham, ans, sim)
>>> 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(qs_r, qs_i)
>>> net.weight.asnumpy()
array([ 9.2439342e-01, -3.3963533e-04], dtype=float32)
>>> net(qs_r, qs_i)
Tensor(shape=[1, 1], dtype=Float32, value=
[[-9.99995708e-01]])
>>> sim.set_qs(qs[0])
>>> sim.apply_circuit(ans, pr=net.weight.asnumpy())
>>> print(sim.get_qs())
[0.0014509 +1.69817484e-04j 0.99999893+2.46388577e-07j]