文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindquantum.framework.QRamVecOps

class mindquantum.framework.QRamVecOps(hams, circ, sim, n_thread=None)

QRam 算子，该算子可以直接将经典数据编码为全振幅量子态。此算子只能在 PYNATIVE_MODE 下执行。

说明

• 由于 MindSpore 小于 2.0.0 版本重点神经网络不支持复数作为输入，所以我们将量子态的实部和虚部分开，分别作为输入参数输入到量子神经网络中。当 MindSpore 升级时，这一行为有可能会改变。

• 当前，我们不能计算测量结果关于量子态概率幅的导数。

参数：

• hams (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。

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。

• ans_data (Tensor) - shape为 $N$ 的Tensor，用于ansatz电路，其中 $N$ 表示ansatz参数的数量。

输出：

Tensor，hamiltonian的期望值。

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 QRamVecOps
>>> from mindquantum.simulator import Simulator
>>> from mindquantum.utils import random_state
>>> ms.set_context(mode=ms.PYNATIVE_MODE, device_target="CPU")
>>> circ = Circuit().ry('a', 0).h(0).rx('b', 0).as_ansatz()
>>> ham = Hamiltonian(QubitOperator('Z0'))
>>> sim = Simulator('mqvector', 1)
>>> grad_ops = sim.get_expectation_with_grad(ham, circ)
>>> qs = random_state((3, 2), norm_axis=1, seed=42)
>>> qs_r, qs_i = ms.Tensor(qs.real), ms.Tensor(qs.imag)
>>> ansatz_data = np.array([1.0, 2.0])
>>> net = QRamVecOps(ham, circ, sim)
>>> f_ms = net(qs_r, qs_i, ms.Tensor(ansatz_data))
>>> f_ms
Tensor(shape=[3, 1], dtype=Float32, value=
[[-7.97555372e-02],
 [-3.92564088e-01],
 [ 4.03987877e-02]])
>>> for i in qs:
...     sim.set_qs(i)
...     f, g = grad_ops(ansatz_data)
...     print(f.real[0, 0])
-0.07975553553458492
-0.39256407750502403
0.04039878594782581