桨量子（量桨）
特征
安装
安装 PaddlePaddle
安装 Paddle Quantum
量子化学模块的环境设置
运行示例
介绍和发展
快速开始
教程
API 文档
反馈
桨量子研究
经常问的问题
版权和许可
参考
Paddle Quantum（量桨）是全球首个基于百度PaddlePaddle的云集成量子机器学习平台。它支持量子神经网络的构建和训练，使PaddlePaddle成为国内第一个深度学习框架。Paddle Quantum 功能丰富且易于使用。它提供了全面的 API 文档和教程，帮助用户立即开始使用。
Paddle Quantum 旨在在人工智能 (AI) 和量子计算 (QC) 之间架起一座桥梁。它已被用于开发多种量子机器学习应用程序。借助赋能QC的PaddlePaddle深度学习平台，Paddle Quantum为科研社区和该领域的开发者轻松开发QML应用程序提供了强有力的支持。此外，它为量子计算爱好者提供了一个学习平台。
特征
便于使用
许多在线学习资源（近 50 个教程）
使用各种 QNN 模板高效构建 QNN
自动微分
多才多艺的
多种优化工具和GPU模式
超过 25 个量子位的模拟
灵活的噪声模型
特色工具包
化学与优化工具箱
用于分布式量子信息处理的 LOCCNet
自研QML算法
安装
安装 PaddlePaddle
当用户安装 Paddle Quantum 时，会自动满足这种依赖关系。请参考PaddlePaddle的官方安装配置页面。该项目需要 PaddlePaddle 2.2.0 到 2.3.0。
安装 Paddle Quantum
我们推荐以下安装 Paddle Quantum 的方法pip，
pip install paddle-quantum
或下载所有文件并在本地完成安装，
git clone http://github.com/PaddlePaddle/quantum
cd quantum
pip install -e .
量子化学模块的环境设置
我们的qchem模块是基于 的Psi4，所以在执行量子化学之前，我们必须安装这个 Python 包。
建议Psi4安装在 Python 3.8 环境中。
我们强烈建议您Psi4通过 conda 安装。MacOS/Linux用户可以使用以下命令：
conda install psi4 -c psi4
对于Windows用户，命令是：
conda install psi4 -c psi4 -c conda-forge
注意：有关更多下载选项，请参阅Psi4。
运行示例
现在，您可以尝试运行一个程序来验证 Paddle Quantum 是否已成功安装。这里我们以量子近似优化算法（QAOA）为例。
cd paddle_quantum/QAOA/example
python main.py
QAOA的介绍请参考我们的QAOA教程。
突破性变化
在 Paddle Quantum 2.2.0 版本中，我们对代码架构进行了不兼容的升级，新版本的结构和用法可以在我们的教程、API 文档和源代码中找到。此外，我们支持通过QuLeaf连接到真正的量子计算机，使用paddle_quantum.set_backend('quleaf')选择 QuLeaf 作为后端。
介绍和发展
快速开始
Paddle Quantum 快速入门手册可能是开始使用 Paddle Quantum 的最佳场所。目前，我们支持在线阅读和本地运行 Jupyter Notebook。该手册包括以下内容：
Paddle Quantum 详细安装教程
量子计算和量子神经网络 (QNN) 简介
变分量子算法 (VQA) 简介
桨量子简介
PaddlePaddle 优化器教程
Paddle Quantum 中的量子化学模块介绍
如何使用 GPU 训练 QNN
教程
我们提供的教程涵盖量子模拟、机器学习、组合优化、局部操作和经典通信 (LOCC) 以及其他流行的 QML 研究主题。目前每个教程都支持在我们的网站上阅读和在本地运行 Jupyter Notebooks。对于感兴趣的开发人员，我们建议他们下载 Jupyter Notebooks 并尝试使用它。这是教程列表，
量子模拟
建立分子哈密顿量
变分量子本征求解器 (VQE)
子空间搜索-量子变分量子本征求解器 (SSVQE)
变分量子态对角化 (VQSD)
吉布斯状态准备
未知量子态的经典阴影
基于经典阴影的量子态性质估计
具有乘积公式的哈密顿量模拟
模拟海森堡链上的自旋动力学
基于施密特分解的分布式变分量子本征求解器
量子信号处理和量子奇异值变换
机器学习
将经典数据编码为量子态
量子分类器
变分阴影量子学习 (VSQL)
量子核方法
量子自动编码器
量子GAN
变分量子奇异值分解 (VQSVD)
数据编码分析
量子神经网络逼近函数
组合优化
量子逼近优化算法 (QAOA)
使用 QAOA 解决 Max-Cut 问题
通过分而治之的大规模 QAOA
旅行商问题
套利机会优化的量子金融应用
投资组合优化中的量子金融应用
投资组合多元化的量子金融应用
带 QNN 的 LOCC (LOCCNet)
QNN 中的局部操作和经典通信（LOCCNet）
纠缠蒸馏——BBPSSW协议
纠缠蒸馏——DEJMPS协议
纠缠蒸馏——使用 LOCCNet 进行协议设计
量子隐形传态
量子态判别
QNN 研究
量子神经网络上的贫瘠高原现象（贫瘠高原）
噪声模型和量子通道
量子神经网络的可表达性
变分量子电路编译
量子费舍尔信息
VAns-Variable Ansatz
借助最新的 LOCCNet 模块，Paddle Quantum 可以高效地模拟分布式量子信息处理任务。感兴趣的读者可以从LOCCNet 上的本教程开始。此外，Paddle Quantum 支持在 GPU 上进行 QNN 训练。对于想要了解更多细节的用户，请查看教程在 GPU 上使用 Paddle Quantum。此外，Paddle Quantum 可以在噪声下设计鲁棒的量子算法。有关详细信息，请参阅噪声教程。
在最近的更新中，基于测量的量子计算 (MBQC) 模块已添加到 Paddle Quantum。与传统的量子电路模型不同，MBQC 有其独特的计算方式。欢迎有兴趣的读者阅读我们关于如何使用 MBQC 模块及其用例的教程。
API 文档
对于那些正在寻找关于 Paddle Quantum 中提供的 python 类和函数的解释的人，我们参考我们的API 文档页面。
我们特别指出，源代码中指定的当前文档字符串是用简体中文编写的，这将在以后的版本中更新。
反馈
鼓励用户通过Github 问题或发送电子邮件至quantum@baidu.com与我们联系，提出一般性问题、未修复的错误和潜在的改进。我们希望与社区一起把 Paddle Quantum 做得更好！
基于桨量子的研究
我们还强烈鼓励开发人员使用 Paddle Quantum 作为研究工具来开发新的 QML 算法。如果您的工作使用 Paddle Quantum，请随时通过qml@baidu.com向我们发送通知。我们总是很高兴听到这个消息！用以下 BibTeX 引用我们：
@misc{PaddleQuantum，标题 = {{Paddle Quantum}}，年份 = {2020}，网址 = { https://github.com/PaddlePaddle/Quantum}，}
到目前为止，我们已经在 Paddle Quantum 作为强大的 QML 开发平台的帮助下完成了多个项目。
[1] 王友乐，广西李，王欣。“具有截断泰勒级数的变分量子吉布斯状态准备。” 应用物理评论 16.5 (2021): 054035. [ pdf ]
[2] 王欣，宋志新，王友乐。“变分量子奇异值分解”。量子 5 (2021): 483. [ pdf ]
[3] 李，广西，宋志新，王欣。“VSQL：用于分类的变分阴影量子学习。” AAAI 人工智能会议论文集。卷。35. 2021 年第 9 期. [pdf]
[4] 陈冉一柳，等。“用于跟踪距离和保真度估计的变分量子算法。” 量子科学与技术（2021）。[pdf]
[5] 王坤等．“检测和量化近期量子设备上的纠缠。” arXiv 预印本 arXiv:2012.14311 (2020)。[pdf]
[6] 赵选强，等。“使用 LOCCNet 进行实用的分布式量子信息处理。” npj 量子信息 7.1（2021 年）：1-7。[pdf]
[7] 曹晨峰，王欣。“噪声辅助量子自动编码器。” 应用物理评论 15.5 (2021): 054012. [pdf]
经常问的问题
问题：什么是量子机器学习？有哪些应用？
答：量子机器学习（QML）是一门结合了量子计算（QC）和机器学习（ML）的跨学科学科。一方面，QML利用现有的人工智能技术突破了量子计算研究的瓶颈。另一方面，QML利用量子计算的信息处理优势，推动传统人工智能的发展。QML 不仅适用于量子化学模拟（使用 Variational Quantum Eigensolver）和其他量子问题。它还通过量子近似优化算法帮助研究人员解决包括背包问题、旅行商问题和Max-Cut问题在内的经典优化问题。
问：我想学QML，但对量子计算了解不多。我应该从哪里开始？
答： Nielsen & Chuang 的 Quantum Computation and Quantum Information是 QC 的经典入门教材。我们建议读者先学习本书的第 1 章、第 2 章和第 4 章。这些章节介绍了基本概念，提供了坚实的数学和物理基础，并讨论了广泛用于 QC 的量子电路模型。读者还可以阅读 Paddle Quantum 的快速入门指南，其中包含对 QC 的简要介绍和交互式示例。在对 QC 有一个大致的了解后，读者可以尝试 Paddle Quantum 中作为教程提供的一些前沿 QML 应用程序。
问：目前还没有容错的大规模量子硬件。我们如何开发量子应用程序？
答：有用算法的开发并不一定需要完美的硬件。后者更多是一个工程问题。借助 Paddle Quantum，人们可以开发、模拟和验证自主创新的量子算法的有效性。然后，研究人员可以选择在小规模硬件中实现这些经过测试的量子算法，并查看其实际性能。按照这种推理，我们可以在成熟的量子硬件时代之前准备好许多有用的量子算法候选者。
问： Paddle Quantum 有什么优势？
答： Paddle Quantum 是基于百度PaddlePaddle 的开源QML 工具包。作为国内首个开源的工业级深度学习平台，PaddlePaddle拥有领先的ML技术和丰富的功能。在 PaddlePaddle 的支持下，尤其是其动态计算图机制，Paddle Quantum 可以轻松地训练 QNN 和 GPU 加速。此外，基于百度量子计算研究所（IQC）开发的高性能量子模拟器，Paddle Quantum 可以在个人笔记本电脑上模拟超过 20 个量子比特。最后，Paddle Quantum 为不同背景的读者提供了许多开源 QML 教程。
版权和许可
Paddle Quantum 使用Apache-2.0 许可证。
参考
[1]量子计算 - 维基百科
[2] Nielsen, MA & Chuang, IL 量子计算和量子信息。（2010）。
[3] Phillip Kaye, Laflamme, R. & Mosca, M. 量子计算导论。（2007 年）。
[4]比亚蒙特，J. 等人。量子机器学习。自然 549, 195–202 (2017)。
[5] Schuld, M.、Sinayskiy, I. 和 Petruccione, F. 量子机器学习简介。当代。物理。56, 172–185 (2015)。
[6] Benedetti, M., Lloyd, E., Sack, S. & Fiorentini, M. 参数化量子电路作为机器学习模型。量子科学。技术。4, 043001 (2019)。