torchquantum
v0.1.8
Quantum Computing in Pytorch
Schneller, skalierbar, einfaches Debuggen, einfache Einsatz auf Real Machine
Simulieren Sie die Quantenberechnungen auf klassischer Hardware mit PyTorch. Es unterstützt die Simulation der Staatsvektor und die Impulssimulation bei GPUs. Es kann bis zur Simulation von mehr als 30 Qubits mit mehreren GPUs skalieren.
Forscher über das Quantenalgorithmus -Design, das parametrisierte Quantenschaltungstraining, die Quantenoptimalkontrolle, das maschinelle Lernen von Quanten, Quantenneuralnetzwerke.
Dynamisches Berechnungsgraphen, automatische Gradientenberechnung, Schnell -GPU -Unterstützung, Batchmodell verstopft.
git clone https://github.com/mit-han-lab/torchquantum.git
cd torchquantum
pip install --editable . import torchquantum as tq
import torchquantum . functional as tqf
qdev = tq . QuantumDevice ( n_wires = 2 , bsz = 5 , device = "cpu" , record_op = True ) # use device='cuda' for GPU
# use qdev.op
qdev . h ( wires = 0 )
qdev . cnot ( wires = [ 0 , 1 ])
# use tqf
tqf . h ( qdev , wires = 1 )
tqf . x ( qdev , wires = 1 )
# use tq.Operator
op = tq . RX ( has_params = True , trainable = True , init_params = 0.5 )
op ( qdev , wires = 0 )
# print the current state (dynamic computation graph supported)
print ( qdev )
# obtain the qasm string
from torchquantum . plugin import op_history2qasm
print ( op_history2qasm ( qdev . n_wires , qdev . op_history ))
# measure the state on z basis
print ( tq . measure ( qdev , n_shots = 1024 ))
# obtain the expval on a observable by stochastic sampling (doable on simulator and real quantum hardware)
from torchquantum . measurement import expval_joint_sampling
expval_sampling = expval_joint_sampling ( qdev , 'ZX' , n_shots = 1024 )
print ( expval_sampling )
# obtain the expval on a observable by analytical computation (only doable on classical simulator)
from torchquantum . measurement import expval_joint_analytical
expval = expval_joint_analytical ( qdev , 'ZX' )
print ( expval )
# obtain gradients of expval w.r.t. trainable parameters
expval [ 0 ]. backward ()
print ( op . params . grad )
# Apply gates to qdev with tq.QuantumModule
ops = [
{ 'name' : 'hadamard' , 'wires' : 0 },
{ 'name' : 'cnot' , 'wires' : [ 0 , 1 ]},
{ 'name' : 'rx' , 'wires' : 0 , 'params' : 0.5 , 'trainable' : True },
{ 'name' : 'u3' , 'wires' : 0 , 'params' : [ 0.1 , 0.2 , 0.3 ], 'trainable' : True },
{ 'name' : 'h' , 'wires' : 1 , 'inverse' : True }
]
qmodule = tq . QuantumModule . from_op_history ( ops )
qmodule ( qdev )Wir bereiten auch viele Beispiele und Tutorials mit Torchquantum vor.
Für den Beginn können Sie QNN auf MNIST, Quantenverarbeitung (Quanvolution) und Quantenkern -Methode und Quantenregression überprüfen.
Für die Zwischenstufe können Sie die Amplitudencodierung für MNIST, Clifford Gate QNN, Save- und Load QNN -Modelle, Paulisum -Operation, wie man TQ in Qiskit konvertieren, überprüfen.
Für Experten können Sie Parameter Shift On-Chip-Training, VQA-Gradienten-Beschneidung, VQE, VQA für die Zustandsvorbereitung, QAOA (Quantengenährlungsoptimierungsalgorithmus) überprüfen.
Konstrukten Sie parametrisierte Quantenschaltungsmodelle, die so einfach sind wie das Erstellen eines normalen Pytorch -Modells.
import torch . nn as nn
import torch . nn . functional as F
import torchquantum as tq
import torchquantum . functional as tqf
class QFCModel ( nn . Module ):
def __init__ ( self ):
super (). __init__ ()
self . n_wires = 4
self . measure = tq . MeasureAll ( tq . PauliZ )
self . encoder_gates = [ tqf . rx ] * 4 + [ tqf . ry ] * 4 +
[ tqf . rz ] * 4 + [ tqf . rx ] * 4
self . rx0 = tq . RX ( has_params = True , trainable = True )
self . ry0 = tq . RY ( has_params = True , trainable = True )
self . rz0 = tq . RZ ( has_params = True , trainable = True )
self . crx0 = tq . CRX ( has_params = True , trainable = True )
def forward ( self , x ):
bsz = x . shape [ 0 ]
# down-sample the image
x = F . avg_pool2d ( x , 6 ). view ( bsz , 16 )
# create a quantum device to run the gates
qdev = tq . QuantumDevice ( n_wires = self . n_wires , bsz = bsz , device = x . device )
# encode the classical image to quantum domain
for k , gate in enumerate ( self . encoder_gates ):
gate ( qdev , wires = k % self . n_wires , params = x [:, k ])
# add some trainable gates (need to instantiate ahead of time)
self . rx0 ( qdev , wires = 0 )
self . ry0 ( qdev , wires = 1 )
self . rz0 ( qdev , wires = 3 )
self . crx0 ( qdev , wires = [ 0 , 2 ])
# add some more non-parameterized gates (add on-the-fly)
qdev . h ( wires = 3 )
qdev . sx ( wires = 2 )
qdev . cnot ( wires = [ 3 , 0 ])
qdev . qubitunitary ( wires = [ 1 , 2 ], params = [[ 1 , 0 , 0 , 0 ],
[ 0 , 1 , 0 , 0 ],
[ 0 , 0 , 0 , 1j ],
[ 0 , 0 , - 1j , 0 ]])
# perform measurement to get expectations (back to classical domain)
x = self . measure ( qdev ). reshape ( bsz , 2 , 2 )
# classification
x = x . sum ( - 1 ). squeeze ()
x = F . log_softmax ( x , dim = 1 )
return x Trainieren Sie eine Quantenschaltung, um die VQE -Aufgabe auszuführen. Quito Quantum Computer wie in Simple_vqe.py Skript:
cd examples / vqe
python vqe . py Trainieren Sie eine Quantenschaltung, um die MNIST -Klassifizierungsaufgabe auszuführen und auf dem realen IBM Quito Quantum Computer wie in mnist_example.py -Skript einzustellen:
cd examples / mnist
python mnist . py | Datei | Beschreibung |
|---|---|
| devices.py | QuantumDevice -Klasse, die den StateVector speichert |
| codieren.py | Codierung von Schichten, um klassische Werte für die Quantendomäne zu codieren |
| funktional.py | Quantengate -Funktionen |
| operatoren.py | Quantengate -Klassen |
| Layers.py | Schichtvorlagen wie RandomLayer |
| messen.py | Messung von Quantenzuständen, um klassische Werte zu erhalten |
| Graph.py | Quantengate -Diagramm im statischen Modus verwendet |
| super_layer.py | Schichtvorlagen für Supercircuits |
| Plugins/Qiskit* | Konvertoren und Prozessoren für eine einfache Bereitstellung auf IBMQ |
| Beispiele/ | Weitere Beispiele für das Training von QML- und VQE -Modellen |
Torchquantum verwendet Pre-Commit-Hooks, um Konsistenz im Python-Stil zu gewährleisten und häufige Fehler in seiner Codebasis zu verhindern.
Damit Haken vor dem Commit-Haken ermöglicht werden können, reproduzieren Sie bitte:
pip install pre-commit
pre-commit installconcurrent Paketproblem für Qiskit aufweisen)Torchquantum Forum
Hanrui wang [email protected]
Jiannan Cao, Jessica Ding, Jiai Gu, Song Han, Zhirui Hu, Zirui Li, Zhiding Liang, Pengyu Liu, Yilian Liu, Mohammadreza Tavasoli, Hanrui Wang, Zhepeng Wang, Zhuoyang Ye
@inproceedings{hanruiwang2022quantumnas,
title = {Quantumnas: Noise-adaptive search for robust quantum circuits},
author = {Wang, Hanrui and Ding, Yongshan and Gu, Jiaqi and Li, Zirui and Lin, Yujun and Pan, David Z and Chong, Frederic T and Han, Song},
booktitle = {The 28th IEEE International Symposium on High-Performance Computer Architecture (HPCA-28)},
year = {2022}
}
