如何入门量子计算，量子黑客松大赛需要的做什么准备，MindQuantum代码仓，CodeArts IDE Online如何操作

       未来，手机消失；笔记本消失；台式机消失；相关显示器消失；都全部简约成腕式，不能称作腕式手表，太狭窄了，不如叫“腕宇宙”，或叫“万宇宙”。显示方法像投影仪，只要不泄露秘密，可以在任何介质上投影并操作影像，比如水、光束等任何介质。可以想象，未来，人的行为，其科技感、神秘感更强，每一个人的举动都不可思议，外星人来到地球，会看到地球人类都在科幻电影里。

原代码网址：paper_recurrence/35_Mr_Tang754/main.ipynb · MindSpore/mindquantum - Gitee.com下列代码运行的时候总是会报错Encoder data requires a two dimension Tensor with second dimension should be 0, but get shape (5, 4)，查了一下说是输入encoder的二维张量形状不对，但是不知道要在哪几个地方修改。import pandas as pdimport numpy as npimport matplotlib.pyplot as plt plt.rcParams["figure.dpi"]=120 from mindquantum.core import Circuit, UN, H, X, RZ, RY, RX , BarrierGate from mindquantum.core import QubitOperator from mindquantum.core import Hamiltonian import mindspore as ms from mindquantum.framework import MQLayer from mindquantum.simulator import Simulatorfrom mindspore.nn import SoftmaxCrossEntropyWithLogits from mindspore.nn import Adam, Accuracy from mindspore import Model from mindspore.dataset import NumpySlicesDataset from mindspore.train.callback import Callback, LossMonitor from mindquantum.algorithm.library import amplitude_encoderfrom mindquantum.simulator import Simulatorfrom mindspore import ops, Tensor data_iris = pd.read_csv('D:\python 代码\iris.data.txt', sep=' ', names=['类'])datas_iris = data_iris.to_numpy()print("前5个 Iris 数据")print(data_iris.head())print("Iris 数据的维度: ", datas_iris.shape)# 对输入的数据的最大值和最小值做归一化处理def min_max_scaling(x, x_min, x_max): x_norm = np.pi*(x - x_min)/(2*x_max - 2*x_min) return x_norm# 找到数据每个特征的最大值和最小值def max_min(data): feature = data.shape[1] x_max = np.array([max(data[:,i]) for i in range(feature)]) x_min = np.array([min(data[:,i]) for i in range(feature)]) return x_max, x_min# 对于 amplititude encoding 编码方式做归一化处理# 例如 [2, 2] 变为 [0.5, 0.5]def normolize(data): denominator = sum(data**2) return data**2/denominator## 利用 Amplititude encoding 模块的到每个数据的输入def amplitude_data_transform(data): data_transfrom = [] sim = Simulator('projectq', 3) encoder, parameterResolver = amplitude_encoder(data, 3) sim.apply_circuit(encoder, parameterResolver) for i in parameterResolver.values(): data_transfrom.append(i) return data_transfrom# 打乱数据集def shuffle_data(data, data_label, num, remomolize=False): data_len = len(data) index = np.arange(data_len) np.random.shuffle(index) # 将数组打乱 training_data = [] training_label = [] for i in range(data_len): if remomolize==False: training_data.append(data[index[i]]) training_label.append(data_label[index[i]]) else: training_data.append(amplitude_data_transform(normolize(data[index[i]]))) training_label.append(data_label[index[i]]) return np.array(training_data)[:num, :], np.array(training_label).astype(int)[:num], np.array(training_data)[num:, :], np.array(training_label).astype(int)[num:]datas_iris_rescaling = np.zeros((len(datas_iris),4))datas_iris_label = np.zeros((len(datas_iris)))for i, value in enumerate(datas_iris): value = value[0].split(',') for j in range(4): datas_iris_rescaling[i,j] = value[j] if value[-1] == 'Iris-setosa': datas_iris_label[i] = 0 elif value[-1] =='Iris-versicolor': datas_iris_label[i] = 1 elif value[-1] == 'Iris-virginica': datas_iris_label[i] = 2 for j in range(4): for i in range(len(datas_iris_rescaling)): x = datas_iris_rescaling[i,j] x_max, x_min = max_min(datas_iris_rescaling) datas_iris_rescaling[i,j] = 2*min_max_scaling(x, x_min[j], x_max[j]) training_data_iris_qmcc, training_label_iris_qmcc, test_data_iris_qmcc, test_label_iris_qmcc = shuffle_data(datas_iris_rescaling, datas_iris_label, 120, remomolize=False)training_data_iris_AEM, training_label_iris_AEM, test_data_iris_AEM, test_label_iris_AEM = shuffle_data(datas_iris_rescaling, datas_iris_label, 120, remomolize=True)print("Iris 训练集的维度: ", training_data_iris_qmcc.shape) print("Iris 训练集标签的维度: ", training_label_iris_qmcc.shape) print("Iris 测试集的维度: ", test_data_iris_qmcc.shape) print("Iris 测试集标签的维度: ", test_label_iris_qmcc.shape) encoder_iris_qmcc = Circuit() for i in range(4): encoder_iris_qmcc += RY(f'alpha{i}').on(i) encoder_iris_qmcc = encoder_iris_qmcc.no_grad() ansatz_iris_qmcc = Circuit() for i in range(7): for j in range(4): ansatz_iris_qmcc += RY(f'beta{j+7*i}').on(j) ansatz_iris_qmcc += X.on(0, 3) # X门作用在第j+1位量子比特，受第j位量子比特控制 for k in range(3): ansatz_iris_qmcc += X.on(k+1,k) ansatz_iris_qmcc += X.on(4,1) ansatz_iris_qmcc += X.on(5,2) ansatz_iris_qmcc += X.on(6,3) ansatz_iris_qmcc += RZ(f'beta{4+7*i}').on(4) ansatz_iris_qmcc += RY(f'beta{5+7*i}').on(5) ansatz_iris_qmcc += RZ(f'beta{6+7*i}').on(6)circuit_iris_qmcc = encoder_iris_qmcc + ansatz_iris_qmcc circuit_iris_qmcc.summary() hams_qmcc = [Hamiltonian(QubitOperator(f'Z{i}')) for i in [4, 5, 6]] print(hams_qmcc) circuit_iris_qmccfrom mindquantum.algorithm.library import amplitude_encoderfrom mindquantum.simulator import Simulatorsim = Simulator('projectq', 3)encoder_irs_AEM, parameterResolver = amplitude_encoder(training_data_iris_AEM[0], 3)ansatz_iris_AEM = Circuit() for i in range(7): for j in range(3): ansatz_iris_AEM += RY(f'beta{j+3*i}').on(j) ansatz_iris_AEM += X.on(1,0) ansatz_iris_AEM += X.on(2,1) circuit_iris_AEM = encoder_irs_AEM + ansatz_iris_AEM circuit_iris_AEM.summary() hams_AEM = [Hamiltonian(QubitOperator(f'Z{i}')) for i in [0, 1, 2]] print(hams_AEM) circuit_iris_AEMdef QuantumNet(circuit, encoder, ansatz, hams): ms.context.set_context(mode=ms.context.PYNATIVE_MODE, device_target="CPU") sim = Simulator('projectq', circuit.n_qubits) grad_ops = sim.get_expectation_with_grad(hams, circuit, None, None, parallel_worker=5) QuantumNets = MQLayer(grad_ops) return QuantumNetsQuantumNet_Iris_AEM = QuantumNet(circuit_iris_AEM, encoder_irs_AEM, ansatz_iris_AEM, hams_AEM)QuantumNet_Iris_QMCC = QuantumNet(circuit_iris_qmcc, encoder_iris_qmcc, ansatz_iris_qmcc, hams_qmcc)print(QuantumNet_Iris_QMCC)print(QuantumNet_Iris_AEM)def data_load(training_data, training_label, test_data, test_label): train_loader = NumpySlicesDataset({'features': training_data, 'labels': training_label}, shuffle=False).batch(5) test_loader = NumpySlicesDataset({'features': test_data, 'labels': test_label}).batch(5) return train_loader, test_loaderdef model_structure(QuantumNet): loss = SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean') opti = Adam(QuantumNet.trainable_params(), learning_rate=0.02) model = Model(QuantumNet, loss, opti, metrics={'Acc': Accuracy()}) return loss, opti, model class StepAcc(Callback): def __init__(self, model, data_loader): self.model = model self.data_loader = data_loader self.acc = [] def step_end(self, run_context): self.acc.append(self.model.eval(self.data_loader, dataset_sink_mode=False)['Acc'])train_loader_qmcc, test_loader_qmcc = data_load(training_data_iris_qmcc, training_label_iris_qmcc, test_data_iris_qmcc, test_label_iris_qmcc)loss_qmcc, opti_qmcc, model_qmcc = model_structure(QuantumNet_Iris_QMCC)monitor = LossMonitor(24) acc_train_iris_qmcc = StepAcc(model_qmcc, train_loader_qmcc) acc_test_iris_qmcc = StepAcc(model_qmcc, test_loader_qmcc) model_qmcc.train(10, train_loader_qmcc, callbacks=[monitor, acc_train_iris_qmcc, acc_test_iris_qmcc ], dataset_sink_mode=False)print("The training of mode qmcc is finished")train_loader_AEM, test_loader_AEM = data_load(training_data_iris_AEM, training_label_iris_AEM, test_data_iris_AEM, test_label_iris_AEM)loss_AEM, opti_AEM, model_AEM = model_structure(QuantumNet_Iris_AEM)acc_train_iris_AEM = StepAcc(model_AEM, train_loader_AEM) acc_test_iris_AEM = StepAcc(model_AEM, test_loader_AEM) model_AEM.train(10, train_loader_AEM, callbacks=[monitor, acc_train_iris_AEM, acc_test_iris_AEM ], dataset_sink_mode=False)print("The training of mode AME is finished")

本帖于2023年01月15日前迁移到新论坛，届时老论坛论坛中的所以帖子将会被锁定，也不能发新帖子或评论，仅支持查看内容。欢迎大家到我们的新论坛中开启新的篇章。新论坛的地址：点击此处一、大赛简介第二届·2022量子计算论文复现大赛是由HiQ量子计算软件团队发起的面向量子计算领域的开发者大赛。活动邀请对量子计算感兴趣的开发者，基于HiQ量子计算云平台、AI深度学习框架MindSpore面向量子计算的 MindSpore Quantum、AI开发平台ModelArts，复现论文算法，并将算法开放共享到ModelArts AI Gallery和技术交流网站，推进量子计算基础与应用研究，实现技术创新。大赛官网链接：点击查看二、论文选题序号论文题目复现要求报名情况复现状态01Koopman operator learning for accelerating quantum optimization and machine learning利用koopman学习方法加速ising 模型的量子优化。复现论文中的fig3-(b) 中的Full VQE、DMD和SW-DMD结果与图中结果吻合。已选whisky9802Deep-Circuit QAOA利用MindQuantum复现深度QAOA量子算法，在6比特的3-regular图上选择合理的深度，复现论文图8中原始和优化后的QAOA算法。已选hw_008617828867537_0203Equivalence Checking of Parameterized Quantum Circuits研究并理解论文内容，在MindQuantum架构中完成论文所提到的量子线路等价方法，选择论文中Table 1中的线路进行算法验证。已选faketrue04Real-Time Evolution for Ultracompact Hamiltonian Eigenstates on Quantum Hardware理解文中的VQPE概念，利用Mindquantum复现图9和图1005Avoiding Barren Plateaus Using Classical Shadows使用文章中提供的方法，利用MindQuantum来求解海森堡模型的基态，复现论文中的图5和图6.已选hid_b4uryzmyfxuzzn106Generating Approximate Ground States of Molecules Using Quantum Machine Learning利用MindQuantum复现论文中的图6~图1207QAOA-in-QAOA: solving large-scale MaxCut problems on small quantum machines利用MindQuantum复现FIG.5 (b)中， u9r-60图的p=1的情形下，近似率随着所选比特数为8,10,12,14情况下的结果。已选waikikilick08An Adaptive Quantum Approximate Optimization Algorithm for Solving Combinatorial Problems on a Quantum Computer文章中Adapt-QAOA能显著提高效果同时减少所需门数量，请利用MindQuantum复现文中Fig1中的效果提升图，同时复现Fig2中给定精度下所减少的门数量。已选waikikilick 09Modular Parity Quantum Approximate Optimization利用MindQuantum复现论文中的图6~图710Covariance Matrix Preparation for Quantum Principal Component Analysis利用MindQuantum复现论文中的图7~图811Quantum Local Search with the Quantum Alternating Operator Ansatz利用MindQuantum复现论文中的图3~图8已选mismagical12Extending the Variational Quantum Eigensolver to Finite Temperatures利用MindQuantum复现论文中的图2~图5已选Buatum13Simulating time evolution on distributed quantum computers利用MindQuantum复现论文中的图2~图3已选YaoSongSustech14Real-Time Krylov Theory for Quantum Computing Algorithms利用MindQuantum复现论文中的图2~图415Pricing multi-asset derivatives by variational quantum algorithms利用MindQuantum复现论文中的图3已选tanner_lj16One-Step Time Series Forecasting Using Variational Quantum Circuits利用MindQuantum复现论文中的图4（用文章的量子算法复现图中所有免费公开的数据集，要求错误率与图中相近或更低，且不得超过10%）已选ye_jiarui17Towards Perturbation Theory Methods on a Quantum Computer参考图1，用MindQuantum实现文章的量子算法，并复现出图3。（不要求复现经典算法对应的曲线）已选hw_008615201439470_0218Obstacles to State Preparation and Variational Optimization from Symmetry Protection文章提出的Recursive-QAOA方案能极大提高求解成果率，请利用MindQuantum复现论文图Fig1类似结果，节点数为20，nc取值不大于8。（文章对一层的QAOA线路直接得到解析结果，这里请使用模拟器搭建线路实现）已选hw5869536819Digitized-counterdiabatic quantum approximate optimization algorithm文章提出的DC-QAOA方法能显著提高QAOA收敛性能，利用MindQuantum使用复现文章结果图3（a）3-regular图的max-cut结果、以及（b）中SK模型的不同层数下结果。20Bridging Classical and Quantum with SDP initialized warm-starts for QAOA利用MindQuantum使用文章所使用方法对经典解mapping到布洛赫球上后进行热启动QAOA达到超过经典的效果，复现Fig5中结果（图的来源附录A.3）。21Quantum Neural Network Classifiers: A Tutorial研究并理解文章内容,利用MindQuantum实现对Table 2中 对Fashion Mnist及MNIST的分类任务的结果（误差小于0.01）已选yjshun22Variational Quantum Eigensolver Ansatz for the J1-J2-model利用MindQuantum实现J1-J2 Heisenberg线路，复现文章中Fig.4的12，16，20 qubits 周期性边界条件Heisenberg lattice的VQE复现工作已选waikikilick23Quantum variational learning for entanglement witnessing研读论文，利用MindQuantum复现文章中quantum entanglement witness判别线路，复现文章中Fig.5的3-qubits hypergraph entangled states的结果。已选your_lili24Multiqubit state learning with entangling quantum generative adversarial networks利用MindQuantum实现SWAP TEST和QGAN；利用MindQuantum的噪声功能，复现Table 1中的结果。要求按照文中的噪声设置水平进行试验，且SWAP TEST的保真度做到0.93以上，QGAN的保真度做到0.98以上。25Fermionic approach to variational quantum simulation of Kitaev spin models利用MindQuantum实现Kitaev旋转模型和文中提出的VQE算法，复现fig.3(b)两个模型（2×2 square-octagon，3×3 honeycomb）上的能量误差图（即(b)的第一张图）。已选hw0862489626Quantum Algorithm for Approximating Maximum Independent Sets文章提出首个超越经典算法的寻找最大独立集近似解的量子算法。请利用Mindquantum实现其中的转动操作，复现文中图Fig.2(a)与Fig.3(a)。27An Efficient Gradient Sensitive Alternate Framework for VQE with Variable Ansatz利用MindSpore和MindQuantum复现论文中Fig 4 ~ Fig 8已选chzh3228LAWS: Look Around and Warm-Start Natural Gradient Descent for Quantum Neural Networks利用MindSpore和MindQuantum复现论文中Fig 2(b) ~ Fig 2(d)，Fig 3(b) ~ Fig 3(d)29ADAPT-VQE is insensitive to rough parameter landscapes and barren plateaus利用MindSpore和MindQuantum复现论文中Fig 1 ~ Fig 6已选kylinsu30A Classical-Quantum Convolutional Neural Network forDetecting Pneumonia from Chest Radiographs利用MindQuantum编写量子经典混合模型，进行分类训练，复现论文图4结果。已选jiawang_yu31Gaussian initializations help deep variational quantum circuits escape from the barren plateau利用MindQuantum编写变分量子算法，寻找海森堡模型基态和基态能量，使用不同初始化方法，使用精确梯度，复现论文图2（a）、2（c）结果。已选audioe32Quantum Approximate Optimization Algorithm for Bayesian network structure learning利用MindQuantum编写QAOA，解决贝叶斯网络结构学习问题，利用文中方法复现论文图6结果。已选hw6409631333Quanvolutional Neural Networks: Powering Image Recognition with Quantum Circuits编写图像识别的训练模型，复现论文中的图3（经典神经网络的结果不用复现）。已选xjtu_qiubo34Experimental quantum speed-up in reinforcement learning agents复现图4（d），得到量子相对经典在前100 epochs中的加速的结果。已选firing_feather35自选提交通过审核Quantum machine  learning for data scientists阅读并理解本篇论文，使用mindquantum复现关于本篇论文中D.Quantum  principal component analysis的算法36Quantum circuit architecture search error mitigation and trainability enhancement for variational quantum solvers在无噪声的情况下完成论文中的量子线路搜索算法，复现分类问题的图（2）f（精度要求90%以上）和氢分子基态能量求解的图（3）d（精度要求-1.136Ha）。37Learning to learn with quantum neural networks via classical neural network编写论文中的混合神经网络，实现一个QAOA求解Maxcut 的优化器。使用500个6-8节点的随机图作为训练集，20个9节点图作为测试集，达到平均相对误差小于0.138Variational Quantum Linear Solver求解d-sparse matrices with dimension 10x10，复现论文图4已选jiawang_yu39自选提交通过审核Qiskit As a Simulation Platform for  Measurement-based Quantum Computation利用cluster states  的方法，通过量子门电路，实现H门，CNOT门，任意角度旋转门以及Grover算法。已选hid_0itzarbkwx3borp40自选提交通过审核Variational Quantum Factoring参照论文的第二、三部分复现VQF的经典预处理及QAOA算法，并给出35、56153和291311的分解结果。41Experimental Quantum Principal Component Analysis via Parametrized Quantum Circuits基于MindQuantum的参数化量子线路，在4比特情形下实现论文中提到的主成分分析法，并进行类似的人脸识别任务已选hid_lmtiq5vw2edwn2a题目已释放，其他人可选42Filtering variational quantum algorithms for combinatorial optimization利用MindQuantum实现论文中的F-VQE算法，在n=5,7,9时，复现论文中的Fig5已选hw09699321443Variational Quantum Soft Actor-Critic利用MindQuantum和MindSpore实现量子强化学习算法SAC，复现论文中的Fig6已选big9198744自选提交通过审核Variational quantum eigensolver for  dynamic correlation functions使用文章提供的方法，利用mindquantum求解H2和LiH分子的谱函数，复现论文图3和图4（经典计算结果可不做要求，如图3的Hartree-Fock、Exact，图4的Hartree-Fock、Exact  CAS(Dyson)、Exact CAS(Non-Dyson))。已选hw920754054546Quantum algorithm for quicker clinical prognostic analysis: an application and experimental study using CT scan images of COVID-19 patients利用MindQuantum复现论文中的QNN算法，并在COVID-19数据集中复现fig9中QNN的准确率已选ztB_uestc47Image Compression and Classification Using Qubits and Quantum Deep Learning实现figure 6第一选题人释放，其他人可选择48Variational quantum algorithm for molecular geometry optimization复现 FIG.4的（a）和（b）已选ctuozhi49Quantum Generative Models for Small Molecule Drug Discovery使用MindQuantum，复现论文fig5中qgan训练结果50Quantum embeddings for machine learning复现图4和图551Simulation of Modular Exponentiation Circuit for Shor's Algorithm in Qiskit复现fig 7,8,9,10,11,12中的运算器已选your_lili52Practical distributed quantum information processing with LOCCNet复现fig3,5,7,853Variational Quantum Singular Value Decomposition基于MindQuantum实现VQSVD算法，复现使用Fig.3的ansatz下Fig.4中层数10与20情况下使用不同数目奇异值进行重构的情况。（复现使用Fig.6（a),(b),(c),(d)不同ansatz得到Fig.7中结果。）（复现Fig.5中利用VQSVD对#7压缩后的图像。）54Variational quantum algorithms for trace norms and their applications基于MindQuantum，实现QVTN算法，复现Fig.5求给定M矩阵的trace norm随迭代次数变化图。已选hid_tk1zaoo2lfzd3jw55Variational Quantum Algorithm for Schmidt Decomposition基于MindQuantum使用变分量子算法实现Schmidt分解，复现Fig.3中随机8bit纠缠态的Schmidt分解。（及Fig.7中不同Schmidt rank下 logarithm negativity的估计。）已选hid_e1epy2880gg9i5u56The power of quantum neural networks基于MindQuantum，复现论文中fig.3的(a)和(b)。已选HW0467027775758Circuit-centric quantum classifiers利用MindQuantum复现文章中的table 5的QC结果+其中任意一个对比结果。5960Quantum Algorithms for Deep Convolutional Neural Networks使用MindQuantum复现论文中的qcnn改良后的前向传播和反向传播算法已选mrcangye61Seelbach Benkner, Marcel, et al. "Q-Match: Iterative Shape Matching via Quantum Annealing." International Conference on Computer Vision. IEEE, 2021.实现文中的经典-量子混合算法 Algorithm 1，在 FAUST 数据集上执行点云匹配，复现图3、图4。62Quantum Wasserstein Generative Adversarial Networks参照论文第四部分对QWGAN的定义，实现模拟，得到类似论文中图4的混态模拟效果63EP-PQM: Efficient Parametric Probabilistic Quantum Memory with Fewer Qubits and Gates参照论文的第二、三部分复现P-PQM和EP-PQM的细节，并在五个数据集中对给定的dataset进行实验，得到论文第四部分的结果。64自选提交通过审核Quantum Communication for Wireless Wide-Area Networks1、使用代码复现论文 Fig.3, Fig.5, Fig.6, Fig.8, Fig.9, Fig.13, Fig.14线路； 2、随机选取输入状态，测量输出状态，验证线路正确性。已选your_lili三、参赛选手的操作直接在本帖下方盖楼回复 华为云账号名+个人邮箱+论文题目序号（本帖表格中的序号）+论文题目 完成选题环节。回复样例：请点击此处查看自己的华为云账号名 + lunwen***@126.com + 论文01 + Quanvolutional Neural Networks: Powering Image Recognition with Quantum Circuits注意：1. 每篇论文为一个任务，参赛者可以基于自己感兴趣或者熟悉的领域选择一个或者多个任务。一次只能选择一个，第一个任务完成后才能选择第二个任务。2. 每个任务只能一个人认领，先到先得，参赛者在选定任务之后一个月内按照要求完成作品并提交，未完成的任务会释放，其他参赛者可继续认领。3. 请参赛选手务必在本帖下方盖楼回复所选论文题目。4. 如复现自选论文，请先点击此处提交论文信息。自选论文要求：面向量子化学、组合优化和量子机器学习领域的论文，大赛优先选用有开源代码的论文。能够使用MindSpore Quantum量子计算框架进行复现。能够基于HiQ量子计算云平台（CPU：2U8GB）复现论文。本次活动的最终解释权归量子计算论文复现大赛组委会所有。

在使用amct时报错amct_acl: cannot execute binary file

请问使用atc进行模型编译时，output_shape的三个选项UINT8和FP16,FP32。其中的UINT8是代表模型量化吗？这三者的推理速度谁应该更快呢？

如题，如何将复参数导入神经网络训练？谢谢！

初学者，按照HiQ教程测试了“基于Jupyter Notebook开发量子神经网络对鸢尾花进行分类”部分测试，发生如下错误求教，谢谢！

【致MindSpore Quantum开发者】感谢大家一直以来对MindSpore Quantum开源社区的关注和支持！为促进量子算法开放共享和技术创新，HiQ量子计算软件团队和昇思MindSpore社区联合举办第一期·2022量子算法难题挑战赛，诚邀您来参赛，挑战年度总冠军！【赛题介绍】量子化学模拟——基态能求解的浅层线路设计基于开发者对第四届·2022量子计算黑客松全国大赛的参与热情和关注，本次针对黑客松大赛第二题发起难题挑战打榜活动。Variational Quantum Eigensolver (VQE) 算法是一种用于计算分子基态能量的量子化学模拟方法，它可以结合经典计算机，利用当前含噪的量子计算机解决一些化学问题。现有常用的线路设计和优化方法通常难以平衡计算效率和计算精度的问题，本次挑战赛旨在让参赛者通过设计线路或改良优化方法，用最短的时间优化得到对应分子的符合化学精度的基态能量。【报名地址+微信交流群】想要来挑战年度总冠军吗？想要一个证明自己实力的舞台吗？访问大赛官网，了解更多大赛信息，欢迎报名参赛！cid:link_2参赛选手交流群（仅作为选手之间讨论和交流）请扫描上方小助手二维码，回复“量子黑客松”进入交流群。大赛重要节点通知会在群内第一时间告知，请所有报名选手务必加群。【大赛海报】挑战赛的判题系统已经试运行上线啦，大家可以小试牛刀，期待你们的作品！挑战赛的判题系统FAQ，请各位选手注意：1、请参赛者确保压缩包文件按照参赛要求命名，压缩包内文件结构符合参赛要求，解压后有根目录，无多余文件，不符合文件格式要求的作品可能会无法查看成绩。2、选手作品提交之后不会马上能得到成绩，作品提交高峰期，任务需要排队运行，请等待一段时候后查看成绩。3、大赛第二题评分运行时长最多6小时，如果选手作品运行时长超过6小时还没结束，就会显示0分。可每次计算几个分子，等调试完再计算所有分子。大赛FAQQ1: 请问参赛选手如何组队？回答：选手可自行组队，每队1-3人。报完名后，点击我的团队输入名称组建团队（自动成为队长），队员在加入团队中输入团队名称申请加入，队长通过即可。Q2: 如何邀请好友参赛？回答：已报名的选手，点击大赛官网【已报名】按钮下方的【分享大赛】按钮，就会生成一张专属海报，里面包含链接和二维码，转发给好友&同学即可。【推荐好友参赛 · 赢好礼】攻略   cid:link_3Q3：有问题如何求助？·  在本帖下方留言求助：比赛过程中参赛选手可以在本帖下方留言，详细描述您所遇到的问题，大赛组委会工作人员将会在工作日工作时间，在论坛回复（为保证大赛公平公正原则，大赛官方仅针对MindQuantum和ModelArts使用问题、赛题、数据、评分、大赛安排等问题进行答疑，参赛选手的代码调试问题不做解答）。·  联系大赛组委会工作邮箱：如没有得到及时回复，也可以发邮件至大赛工作人员邮箱：hiqinfo1@huawei.comQ4 我的代码报错了，显示openfermion保存文件错误，怎么办？A1 在云服务器和判题系统中，由于openfermion会生成数据文件，默认保存在系统目录下，请在你的代码中修改MolecularData的参数，增加data_directory参数，路径需要是作品目录或以下的路劲。如：molecule = MolecularData(filename=fname, data_directory='./')Q5 线路需要可扩展性，是说对于不同的分子，我们设计的线路都可以用的意思吧？A2 对于不同的分子算例，设计的线路或者线路生成器应当可以产生相应的线路Q6 题目要求的12比特或者18比特，是不是一定要用完这些比特，允不允许说，我只用几个比特，其他比特闲置的情况？A3 考虑到第三个隐藏算例，在不知道分子和比特数的情况下不建议做比特压缩。Q7 若使用Mindquantum中包括的ansatz线路，需要作出一定的修改是什么意思？A4 Mindquantum中有包括一些常见的ansatz函数模块，当选手的方案是基于一些主流的线路设计文章时，可以调用这些模块，但需要做出修改，不能直接使用Q8 模板里面有设置omp线程数，评分的时候具体是怎么控制的？A5 在eval.py中会设置好Mindquantum的omp线程数，所有选手评分时都是固定的Q9 如何理解评分系统？A6 对于每个分子算例的每个键长点，通过题目说明中的公式来计算，即时间的倒数。只有满足了化学精度的点才会被算进得分点。输出的得分是最终所有算例得分之和。Q10 要不要把FCI的方法写在程序里面？运行时间是如何统计的？A7 视乎作品需不需要利用FCI的结果（组态、参数初值等）来进行优化，如果有包括，则需要算上FCI的计算时间。具体运行时间会在eval中计算，主要包括了调用Main,run()的时间。Q11 作图会算在评分范围内吗？A8 作图主要是让选手对比自己的结果，不算入最终评分标准内Q12 为什么我第二题的评分不是一个1或者100分满分的数字？A9 第二题的评分主要是根据计算时间，具体公式可以参考题目说明，因此计算出来的“原始分”不是一个满分100的分数，最终会根据大家第二题的分数排名从高到低重整化为“标准分”。Q13 mindquantum中circuit模块中运行结果后线路出现下图情况？答：由于编辑线路太长，打印出这个结果，可以对线路切片，只打印前一部分线路。Q14 数据集为经过压缩后的minst手写体中的0和1，每张图片已经从原始的28*28像素压缩为4*4像素，采用的是什么技术？答：图片压缩调用的TensorFlow的tf.image.resize接口Q15 Jupyter Notebook怎么安装hiqfermion?使用openfermion来替换，输入命令 from openfermion.chen import MolecularDataQ16 损失一直都是0.0最可能是哪些情况？由于损失函数只支持onehot编码输出，但使用的hams只有一个测量Q17 怎样让长的输出不换行，可以左右滑动显示？将print命令改成circ或者circ.svg()Q18 图中两条杠表示什么意思？答：答案不确定，表示reset了qubitQ19 Circuit的线路只能print输出，是什么原因？答：升级MindQuantum版本Q20 目前MindQuantum是否支持多个量子层？为什么写了两个量子层发现训练中前一层的参数没有任何变化？答：MindQuantum支持多个量子层，由于定义了一个创建量子层的函数，函数中有no_gard()，前面所有的函数都会不算梯度。当量子网络是第一层网络的时候，encoder就不需要算梯度了，因为他的梯度没有接收的网络，设置no_gard会节省一点计算时间。Q21 上传作品时，提示需要实名认证，然后个人认证通过后，还是显示不行？答：请将您的问题反馈给我们的工作人员，先把作品发到我们的公共邮箱：hiqinfo1@huawei.comQ22 如果把第二题里面的代码删了写成别的，系统还能统计到运行的时间吗？答：只需要接口一样就能统计到运行时间，也可以直接把结果放进main里面，只要能通过对应第三个case。Q23 第二题生成ansatz的线路中有个compress（）函数，这个压缩线路依据是什么？答：用来把初值为0的组态去掉。Q24 run_pyscf对分子模型有什么改变？答：模板中是用来给出uccsd中的参数初始值，对问题本身不是必须的Q25 LiH原子核加电子一共六个，为什么模拟需要12个qubits？答：由于相互作用，真正的基态不是单电子的基态，会包括一些激发态，qubits的数量只要大于电子数就基本够用。  Q26 第一题测试数据test.npy中的图片像素都为0，是正常的吗？答：是的，测试集只是让项目逻辑跑通，评分的时候会换成有效测试集，当前不公布，自己跑的话，可以把你的训练集分一部分出来作为测试集。Q27 当CloudIDE任务运行时间较长且界面长时间不操作，华为云账号显示重新登录，怎么查看任务运行结果？答：华为云界面超过半小时无操作，用户需要重新登录，当CloudIDE任务运行时间较长且界面长时间不操作，可以将运行结果指定到日志文件中，请输入以下命令进行查看：nohup python3 run.py >out.log 2>&1 &（提示：为了避免任务运行失败，启动CloudIDE实例前请将自动休眠时间设置长一点）Q28 第二题主要有以下几个问题：1.代码格式不规范，没有根目录2.化学精度为0Q29 除了使用云平台，自己本地环境无法配置hiqfermion包怎么解决？答：使用openfermion代替hiqfermionQ30 怎么实现一个RZ门，参数是2pi*‘a’,但报错不能和非整浮点数相乘，怎么解决？答：输入RZ（{‘a’:2*np.pi}）Q31 造成判题分数为0的因素可能有哪些？1.作品目录多了MACOSX/.vscode等文件夹2.删掉了test.npy和eval.py3.删除了src下的train.npy若您的作品出现以上因素，请重新打包作品文件提交Q32 第二题输出的time_list里面是单个键长点优化的时间是怎么算的？答：通过前面几个键长优化的时间累加Q33 openfermion.chem的MolecularData会报错，hiqfermion.drivers的MolecularData正常，怎么解决？答：请修改MolecularData中的filepath参数到你的个人目录Q34 化学精度0.0016ha是如何计算的？跟FCI结果的差值是数值差还是百分比？答：Hａ是单位，用pyscf和mindquantum计算出来的能量就是Ha单位，跟FCI结果的差值是数值差。Q35 第二题量子电路显示如下怎么解决？答：可以调用circuit.svg().to_file(“XXX.svg”)保存下来用浏览器打开Q36 正式提交时ＭolecularData路径是‘.src/…’还是‘./hackson02_队长姓名_电话/src/…’?答：‘.src/…’Q37 pyscf 跑 CH4的fci_energy 很快，为什么还要用vqe？答：VQE是量子算法，量子线路部分可以在量子计算硬件上运行，现在只是在普通电脑上模拟量子计算机。VQE可以验证量子计算机可以用来解决化学问题，达到化学精度，但是目前还超越不了经典计算，很多相关研究用 VQE 得到的结果都要和经典算法进行对比的，以示他们更加接近经典计算的精度。当真实量子计算机出来，且计算的分子比较大，vqe的优势才能体现出来。Q38 函数的格式是 MolecularDate(geometry, basis, multiplicity), filename 怎么添加？答：可直接添加到函数后面，例如MolecularDate(geometry, basis, multiplicity,filename=”/home/user/….”)Q39 函数训练之后得到训练之后的结果没有对应的最优化的参数怎么解决？答：调用最新的网格权重Q40 怎么判断测试分子信息是对的？答：分子都是openfermion的默认方式生成的Q41 哈密顿量是否能单独输出其中一项？答：请参考MindSpore Quantum 0.6.0中的第一条特性。cid:link_4Q42 自定义分子一直报错，当前只有给了hdf5的两个分子正常怎么解决？答：指定一下报错文件名和路径，在MolecularData中加上filename=”/home/user/….”Q43 怎么给参数门的参数名称重新命名？答：可通过add_prefix方法用于在参数化量子电路或参数化量子算符的参数名上加上前缀。cid:link_0Q44 那这个新增关于QubitOperator的功能怎么实现呢？API中也没找到对应的接口。答：请更新MindQuantum最新版本。cid:link_1Q45 比赛平台上openfermion版本号？答：Jupyter Notebook 1.2.0CloudIDE 1.3.0Q46 第二题main.run函数，需要返回什么？答：接口上需要返回两个list，一个能量一个时间。Q47 下图中operator是什么类呢 如果想替换方括号里的X0要怎么操作？答：是QubitOperator，可以从头构造一个。或者修改内部属性termsQ48 怎么实现只选用分子哈密顿量的其中一部分用于uccsd的ansatz？答：从费米子到玻色子，再到trotter变换量子线路Q49 问什么含参的量子门传进去72，但显示只需要56？答：Encoder线路独立参数跟样本特征个数是一样的参考文献：量子计算化学的一些Ansatz研究UCCSD：Alberto Peruzzo, Jarrod McClean, Peter Shadbolt, Man-Hong Hong Yung, Xiao-Qi Qi Zhou, Peter J Love, Al_an Aspuru-Guzik, Jeremy L. O'Brien, and Jeremy L. O'Brien. A variational eigenvalue solver on a photonic quantum processor. Nature Communications, 5(1):4213, sep 2014.Hardware Efficient Ansatz (HEA):Abhinav Kandala, Antonio Mezzacapo, Kristan Temme, Maika Takita, Markus Brink, Jerry M. Chow, and Jay M. Gambetta. Hardware efficient variational quantum eigensolver for small molecules and quantum magnets. Nature, 549(7671):242{246, 2017Qubit Coupled Cluster (QCC):Ilya G Ryabinkin, Robert A. Lang, Scott N Genin, and Artur F. Izmaylov. Iterative Qubit Coupled Cluster Approach with Efficient Screening of Generators. Journal of Chemical Theory and Computation, 16(2):1055{1063, jun 2020.Ilya G. Ryabinkin, Tzu Ching Yen, Scott N. Genin, and Artur F. Izmaylov. Qubit Coupled Cluster Method: A Systematic Approach to Quantum Chemistry on a Quantum Computer. Journal of Chemical Theory and Computation, 14(12):6317{6326, 2018.Adaptive, Derivative-Assembled, Pseudo-Trotter VQE (ADAPT):Harper R Grimsley, Sophia E Economou, Edwin Barnes, and Nicholas J Mayhall. Molecular simulations on a quantum computer. Nature Communications, (2019).UCCSD0:Igor O. Sokolov, Panagiotis Kl. Barkoutsos, Pauline J. Ollitrault, Donny Greenberg, Julia Rice, Marco Pistoia, and Ivano Tavernelli. Quantum orbital-optimized unitary coupled cluster methods in the strongly correlated regime: Can quantum algorithms outperform their classical equivalents? The Journal of Chemical Physics, 152(12):124107, 2020k-UpCCGSD:Joonho Lee, William J. Huggins, Martin Head-Gordon, and K. Birgitta Whaley. Generalized Unitary Coupled Cluster Wave functions for Quantum Computation. Journal of Chemical Theory and Computation, 15(1):311{324, 2019.QUCC:Yordan S. Yordanov, David R.M. Arvidsson-Shukur, and Crispin H.W. Barnes. Efficient quantum circuits for quantum computational chemistry. Physical Review A, 102(6):1{7, 2020Qubit-ADAPT:Ho Lun Tang, Edwin Barnes, Harper R. Grimsley, Nicholas J. Mayhall, and Sophia E. Economou. qubit-ADAPT-VQE: An adaptive algorithm for constructing hardware-efficient ansatze on a quantum processor. arXiv, pages 1{15, 2019

分享主题：基于VQE的激发态计算方法 变分量子算法（VQE）是目前NISQ量子计算机上进行基态计算的一种很有前途的方法。然而，在量子计算机上进行激发态计算的研究进展却相对缓慢。为了将VQE的框架扩展至激发态计算，我们提出了一种新的算法，即正交态约化变分法（OSRVE），以确定激发态的能量。理论推导证明，OSRVE方法中得到的优化态可以同时保证能量最小和正交性约束，而且OSRVE也适用于简并态。通过对氢4链式结构和水分子的数值计算，证明了OSRVE的性能。与其他激发态计算算法相比，OSRVE在计算低阶激发态方面具有明显优势。这项工作将VQE算法扩展到激发态计算中，并且可以在近期的量子计算机上实现。分享嘉宾：谢晴兴  武汉大学 博士研究生

随着全球新一轮科技革命的飞速发展，颠覆性技术革新风起云涌，量子科技当之无愧是最引人瞩目的焦点。2022年5月29日，由HiQ量子计算软件团队、上海大学、电子科技大学、南方科技大学、昇思MindSpore社区和华为云ModelArts平台联合举办的第四届·2022量子计算黑客松全国大赛决赛圆满落幕。1大赛赛况总结本此大赛历时两个多月，吸引了来自北京大学、清华大学、中国科学技术大学、复旦大学、浙江大学、上海交通大学、中山大学、南方科技大学、上海大学等国内外170多所高校的本科生、研究生以及建信金科、中国金融认证中心等企业员工，总计500多人报名。近200个团队参与本次比赛，共同创新，推动量子计算的技术研究。为了体现前沿性和交叉性，本次参赛题目涉及量子计算、量子化学、机器学习等交叉学科。初赛题目颇具挑战性，赛题1“利用量子经典混合的神经网络来完成手写字体识别任务”、赛题2“量子化学模拟——基态能求解的浅层线路设计”，基于高性能开源量子计算框架MindSpore Quantum和HiQ量子计算云平台完成赛题。参赛团队之间互相启发，台上竞争，台下合作，经过层层选拔，最终有13个团队、28名优秀选手成功晋级总决赛，汇聚一堂巅峰对决。2嘉宾评委阵容强大2022年5月29日总决赛在线上如期举行。决赛邀请六位量子计算领域的专家组成评审团，分别是南方科技大学物理系教授、HiQ量子计算软件与算法首席科学家翁文康老师，中国科学院计算机技术研究所研究员孙晓明老师，北京清华大学自动化系教授吴热冰老师，上海交通大学物理系教授唐豪老师，电子科技大学计算机系教授王晓霆老师，MindSpore Quantum高级研究员徐旭升博士。决赛答辩环节，由于日程紧，团队多，给予评委团的压力很大。但是，我们的嘉宾评委全程保持了高度专注，认真听取每一支队伍的决赛演讲，以公正、严谨的态度进行打分，并从自己的专业出发为作品提出中肯的意见和建议。各队选手均是有备而来，凭借深厚的专业知识、对赛题创新性的深入挖掘和团队协作精神，深深的打动了各位评委老师，答辩提问环节选手对评委老师的各种挑战和提问也是应对自如。3角逐冠军，竞争激烈！决赛评审团从创新性、通用性、性能三个维度进行评分，经过激烈的角逐，来自重庆大学的参赛团队以总分第一名的成绩，获得冠军，来自上海大学的两支队伍同时获得亚军。此外还产生了三等奖三名，优秀奖七名。恭喜以下获奖团队，让我们来一睹他们的团队风采吧！一等奖获奖团队：五点组会也没关系团队成员：储贻达、周彦桦、徐维（重庆大学）二等奖获奖团队：Hbar团队成员：唐加亮、王瑞、李宇栋（上海大学）获奖团队：Fenice团队成员：徐宜家、刘懿贤（上海大学）三等奖获奖团队：量子emo小分队团队成员：周旭（中山大学）、刘佳薇（中国科学技术大学）、周俊园（南方科技大学）获奖团队：为什么神经网络和化学都要做团队成员：陈柄任（建信金融科技有限责任公司) 、 于小涵（电子科技大学）获奖团队：零熵 团队成员：耿力（同济大学）优秀奖4 总结没有横空出世的幸运，只有不为人知的努力，在征服与挑战中，各位选手在本次大赛中都收获了属于自己的那一份荣誉与认同。来自不同院校和企业的参赛选手、组织者在一起不仅收获了成绩，更多的是在学术交流和创新实践中收获知识、经验和友情。本次大赛涌现了一大波量子计算种子选手，将成为我国量子计算的后备人才。我们相信通过量子计算黑客松这样的重量级精品赛事，将选拔出更多量子计算优秀人才参与到量子计算的研究中来，推动我国量子计算事业发展。  值得一提的是华为已连续举办了四届量子计算黑客松全国大赛，也受到来自全国各高校和企业单位的高度重视和大力支持。重庆大学物理学院、上海大学新闻网、中国海洋大学信息科学与工程学部、上海科技报、新民晚报等多家高校网站和媒体纷纷对赛事进行报道。

悉尼的工程师们已经展示了一种仅由几个原子组成的量子集成电路。通过精确控制原子的量子状态，这种新处理器可以模拟分子的结构和特性从而释放出新的材料和催化剂。新量子电路来自于新南威尔士大学(UNSW)的研究人员和一家名为Silicon Quantum Computing(SQC)的初创公司开发。它基本上指的是由嵌入硅中的10个碳基量子点组成，其中有6个金属门控制电子在电路中的流动。这听起来非常简单，但关键在于这些碳原子以亚纳米尺度的排列。相对于彼此，它们被精确地定位以此来模仿特定分子的原子结构，并使科学家能比以往更准确地模拟和研究该分子的结构和能量状态。在这种情况下，他们将碳原子排列成有机化合物聚乙炔的形状，聚乙炔是由碳原子和氢原子的重复链组成，它们之间有一个交替的单碳和双碳键。为了模拟这些键，研究小组将碳原子放置在不同的距离上。接下来，研究人员通过电路运行电流以此来检查它是否会跟天然聚乙炔分子的特征相匹配--果然，它做到了。在其他测试中，研究小组通过在不同的地方切断键创造了两个不同版本的链条，其所产生的电流跟理论预测完全相符。研究小组称，这种新量子电路的意义在于，它可以被用来研究更复杂的分子，最终可能产生新的材料、药品或催化剂。这个10原子的版本正好处于经典计算机所能模拟的极限，因此该团队的20原子量子电路计划将首次允许模拟更复杂的分子。这项研究的首席研究员Michelle Simmons教授指出：“其他大多数量子计算架构都没有能力以亚纳米级的精度设计原子，也没有能力让原子坐得那么近。因此，这意味着现在我们可以像模仿真实的物理系统一样基于把原子放在适当的位置开始了解更多、更复杂的分子。”

【操作步骤&问题现象】在按照 MindSpore Quantum 任务指导书 “教你使用 MindSpore Quantum 搭建变分量子线路’”做第四步登录 HiQ 量子计算云服务新建 Jupyter Notebook 实例时无法新建啊，已经登录华为云账号并且实名认证，已经尝试两天了。【截图信息】【日志信息】（可选，上传日志内容或者附件）

 第四届·2022量子计算黑客松全国大赛第四届·2022量子计算黑客松全国大赛是国内量子计算领域的重量级精品赛事，由HiQ量子计算软件团队、上海大学、电子科技大学、南方科技大学、MindSpore社区和ModelArts平台联合举办。大赛邀请量子计算兴趣爱好者，基于HiQ量子计算云平台、开源AI框架MindSpore面向量子计算的MindSpore Quantum，来完成黑客松赛题。大赛旨在为我国量子计算事业发展培养人才，推进量子计算基础与应用研究，实现技术创新。高性能开源量子计算框架MindSpore Quantum、颇具挑战性的赛题、专业的技术团队、极简易用的HiQ量子计算云平台，极大地激发了开发者的学习热情和拼搏精神。本次大赛吸引了国内外500+开发者，近200支队伍报名参赛。大赛开发者来自全国170+学校，包含70+双一流高校和10+海外顶级高校学生。从2022年3月8日赛事发布至今，历时两个多月的激烈角逐，最终有13个团队、28名优秀选手成功晋级总决赛，汇聚一堂巅峰对决。2022年5月29日总决赛在线上如期举行。通过多维度专业评选，评审团最终评定以下参赛团队获得终极大奖，恭喜以下获奖团队。最激动的时刻来啦！恭喜以下团队获奖！除了上述获奖者之外本次大赛还评选出了[鼓励奖]以及[推广奖]获奖名单>>点击查看<<温馨提示获奖名单已公布请>>反馈奖品领取信息<<获奖者请在2022年6月10日12点前反馈兑奖信息逾期未反馈视为自动放弃奖品奖品预计6月30日前邮寄请悉知！

美国、葡萄牙和英国的研究人员预测，解决光线追踪的高额性能要求的办法可能是将旧的光线追踪算法与量子计算混合起来。在最近发表的一份研究白皮书中，量子计算增强了光线追踪的工作负荷，性能提高了190%。这个过程是通过限制每条光线所需的计算数量来完成的。图形技术中的光线追踪使游戏有了进化的飞跃，特别是游戏的渲染方式。然而，与复杂性相比，性能和开发人员正确采用这一过程的能力都是次要的。问题在于光线追踪技术的硬件和计算要求，以及对特定硬件的必要性，这限制了大多数用户对核心技术的使用。研究人员描述了量子计算如何有可能将光线追踪技术造成的处理税降到最低。该小组取了一张启用了光线追踪技术的128x128的图像，并使用三种不同的策略对该图像进行了优化。这三个过程是经典的渲染技术，未经优化的量子渲染，然后是对量子渲染的优化。第一种技术在三维图像上计算了26.78亿个光线交叉点，为每条单独的光线提供了64个。未优化的方法将第一个数字减少了一半，只需要33.6个光线交叉点，相当于13.66亿个光线交叉点。利用优化的量子技术和经典系统，最后的尝试呈现了89.6万个交叉点，每条射线有22.1个交叉点的图像。该技术最重要的缺点是量子计算系统。量子计算机和设备目前正在开发NISQ，即噪声中等规模的量子产品类别。这些错综复杂的系统在性能上不是最高的，所以渲染需要几个小时来正确计算每个图像。这个类别非常适合模拟，但目前对于渲染游戏来说，它几乎不是一个可行的选择。尽管结果很好，但该技术还远远不能用于生产。在过去一年到两年里，以目前量子计算的趋势，我们只看到了少量的量子计算可供使用。IBM计划在未来几年增加量子计算的数量，但该技术在短时间内会有多大的进步还不得而知。转载自http://www.iotworld.com.cn/html/News/202205/36f404a56bb5ccba.shtml