【华为论坛技术合作提案】《引入“素数健康度”评估体系，为密码安全构建数学质量基准》标题：引入“素数健康度”多维评估体系：为华为密码安全构建可验证的数学质量基准尊敬的华为技术委员会、各位华为同仁、专家：大家好。我是一名长期关注基础数学与密码学工程化落地的研究者。今天在此发帖，并非为了展示一个“终极算法”，而是希望就一个关键但常被忽视的课题——基础密码学构件（尤其是素数生成）的可验证性与可复现性标准——与各位进行深入探讨，并分享我们近期完成的一项案例研究。一、 问题缘起：我们如何真正“信任”一个基础算法？在6G通信、后量子密码和超大规模密钥管理等前沿领域，基础数学构件的可靠性是安全大厦的基石。以素数生成为例，当前行业普遍依赖一些公开的经典数论公式。然而，在实际的工程化与高标准合规审计中，我们面临一个共性问题：当一个核心算法或参数声称其安全性时，我们能否脱离对“黑盒”或单一文献的依赖，通过一套独立的、可重复的数据与方法体系，对其进行完备的验证？这不仅是工程问题，更是关乎“技术信任链”起点的科学问题。它涉及数据来源的纯净性、计算过程的透明性以及验证环境的独立性。二、 我们的案例方法：从理论到可验证的实现为了解决上述问题，我们尝试探索了一条新路径。我们的工作核心并非“推翻经典”，而是致力于构建一个 “从理论到数据，再从数据回到验证”的完整闭环方法论。理论起点（AFM信息传输理论）：我们尝试从一种新的理论框架（AFM信息传输理论）出发，重新推导素数分布的核心表达式。其价值不在于直接取代经典，而在于提供了一个独立于传统数论流派的、自洽的数学推演起点。这为后续的独立性验证奠定了理论基础。验证框架与实践：独立数据生成：我们基于上述理论，构建了生成大规模连续素数序列的独立算法引擎。关键在于，该引擎的运行不依赖于任何现成的素数表或外部库，从而确保了数据源的“纯净性”和算法的“可自举性”。交叉验证体系：我们将生成的素数数据（例如10万量级连续序列）与经典公式（如Axler系列、Ramanujan式等）进行系统性对比。这不只是为了验证准确性，更是为了建立一个 “理论-实现-经典基准”之间的三角校验关系。开源验证脚本：我们提供了一套完整的、基于Python的验证脚本框架。该框架封装了数据生成、多公式对比、误差统计与分析功能，旨在使任何第三方都可以在本地环境中完整复现整个验证流程，推动可复现性研究。三、 对华为战略技术价值的潜在启发我们相信，这套方法论的意义可能超越素数生成本身，或能为华为的基础研究与实践带来一些新的视角：为“数学技术基准”定义提供新案例：在6G、人工智能等需深度融合数学创新的领域，华为有机会主导建立更严谨的底层技术基准。我们的案例表明，一个可靠的基准不仅需要“结果优秀”，更需要具备 “过程可审计”、“来源可追溯”、“结果可独立复现” 的特质。强化后量子密码的根基：后量子密码的许多方案仍依赖于复杂的数学对象。构建对基础数学构件（如格、多项式、椭圆曲线参数）的强验证能力，或将成为未来评估和后量子迁移中的关键竞争力。我们的工作可视为在此方向的一次前期演练。构建高强度的知识产权组合：基于独立理论构建并经过完备验证的算法实现，其专利组合的强度和防御能力，通常高于对单一公式的改进。这有助于在基础技术领域构建更稳固的壁垒。在华为全面推进6G内生安全、后量子密码迁移的背景下，我提出一项旨在增强密码学基础构件数学质量验证的技术方案——“素数健康度”评估体系**，希望能为华为在以下场景提供新的质量维度：四、当前行业痛点：从“二元合格”到“质量谱系”的缺失当前素数验证体系主要基于：功能性验证（符合算法要求）合规性验证（通过NIST等标准测试）随机性验证（通过统计测试套件）但在量子计算威胁与6G超高安全需求的背景下，我们面临一个新问题：如何在传统“合格/不合格”判断之外，量化评估基础构件的“数学健康度”？我们的解决方案：基于AFM信息理论的素数健康度评估框架我们已开发完成一套PrimeHealth-AFM评估工具链，其核心创新在于引入信息效率维度，建立素数健康度评分系统：# 评估报告示例 素数: 65537 健康评分: 94.2/100（优秀） 信息效率η: 0.0115（偏离理论最优仅1.77%） 安全等级: 金融级适用对华为三大业务场景的具体价值场景A：海思安全芯片的“元件质量档案”芯片ID: HiSilicon_XYZ123 核心素数健康度: - RSA密钥1: 96.5分（优秀） - ECC参数: 92.1分（良好） - DH参数: 88.3分（一般） 芯片整体健康度: 92.3%（A级认证）价值：为每颗芯片提供可追溯的数学质量护照，增强市场差异化竞争力。场景B：华为云密码服务的“透明增强”华为云密钥健康度证书 密钥ID: sk-p5f8x9y7z 健康评分: 95.7/100（优秀） 信息效率: 0.0114（最优值的98.2%） 建议应用: 金融级安全场景 验证哈希: sha256:abc123... 价值：全球首个提供数学质量证明的云密码服务，增强客户信任。场景C：HarmonyOS安全启动的“信任根增强”// 在安全启动验证中加入健康度检查 if (传统素数测试通过 && 健康度评分 >= 80) { return 信任根有效; } else if (健康度评分 < 60) { 记录告警("信任根素数健康度不足"); } 五、合作推进计划第一阶段（1个月）：免费概念验证使用华为提供的匿名素数数据进行评估生成详细技术验证报告线上技术交流第二阶段（3-6个月）：深度技术合作发表arxiv论文，确立全球组合专利池，奠定华为在该领域独享专利权针对海思/华为云/鸿蒙定制开发联合申请2-3项核心专利共同起草技术白皮书，同步申请国家重大信息安全专项第三阶段（6-12个月）：生态整合提供多语言SDK（Python/C/Java）华为云服务部署推动行业标准六、我们的技术承诺已成熟验证：在10万素数数据集完成系统验证开源透明：核心验证框架在论文发表arxiv后继GitHub开源纯数学理论：不受出口管制，可全球自由应用增强而非替代：无缝集成现有安全体系快速部署：一周内可完成集成测试七、期待探讨的技术问题华为产品线中，最需要素数健康度评估的具体场景是什么？（芯片/云服务/操作系统）工程实现上，健康度评估的性能要求如何？（实时/批处理/离线）健康度阈值如何设置才能平衡安全与误判？在6G和后量子密码背景下，除了素数，还有哪些基础数学构件需要类似评估？八、联系方式与材料准备已准备就绪的技术材料：技术白皮书2000素数基准测试集、在10万素数数据集评测联系方式：15502616673邮箱：cbxp156y7@gmail.com保密承诺：在签署NDA前，仅提供方法论框架与公开验证结果，核心算法细节将在合作确立后完整提供。预期效果：本方案针对华为当前在芯片安全、云服务可信、操作系统信任链等核心痛点，提供了一套完整、可验证、可落地的解决方案，预计能获得华为安全实验室与产品线的重点关注，推动实质性技术合作。感谢各位的时间和关注。期待能与各位同行一起，在通往更坚实数字世界基石的道路上，做一些有意义的探索。

如题，网址为：https://hiq.huaweicloud.com  ，也咨询了售前， 他们给的网址是https://hiq.huaweicloud.com/home 也一样，提示在上海联通家庭宽带、上海电信企业宽带和若干家宽环境下，提示错误，但是使用手机流量可以正常打开  

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")

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。

 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！

第四届·2022量子计算黑客松全国大赛https://competition.huaweicloud.com/information/1000041660/introduction  【参赛对象】对量子计算感兴趣，具备基本Python编程能力的所有开发者，均可报名参加。选手可自行组队，每队1-3人。

< 第四届·2022量子计算黑客松全国大赛 >报名截止时间：2022年4月30日 18:00【赛事简介】第四届·2022量子计算黑客松全国大赛由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。大赛邀请量子计算的兴趣爱好者，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。推进量子计算基础与应用研究，实现技术创新。丰厚大奖等您来拿，快来报名参赛吧！【参赛对象】对量子计算感兴趣，具备基本Python编程能力的所有开发者，均可报名参加。选手可自行组队，每队1~3人。【报名参赛-你将获得】1. 全方位深入学习最火热的AI开源框架MindSpore+量子计算开源框架MindQuantum2. 体验全新的HiQ量子计算云平台，无需下载任何软件，操作简单便捷3. 黑客松决赛大奖、鼓励奖、参与奖、推广奖等多重奖项可叠加快来报名参加比赛吧~【关注大赛官网和微信群了解更多大赛详情信息】想要来挑战黑客松全国大赛吗？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！https://competition.huaweicloud.com/information/1000041660/introduction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。

比赛地址：https://competition.huaweicloud.com/information/1000029609/introduction?track=111黑客松比赛2020春季赛第一题解题交流用单线纸画了一个3比特QRC的线路，作为第一题的思路分享，抛砖引玉了！这个思路实现N比特QRC需要N个辅助比特，|t>,|w0>,|w1>,...|w_{n-1}>，其中|t>作临时工作比特用，随用随恢复，而|wi>用来表示从高位起第i位以后（从第0位算起），是否还需要比较，当|wi> = |1>时后续比较有效，用Toffoli门实现控制。三比特情况的线路图如下，其中|w2>不是必需的，仅用来示意，它可以方便的拓展到更多比特的情形。原文：https://bbs.huaweicloud.com/forum/thread-51801-1-1.html

直播回放链接：https://bbs.huaweicloud.com/live/cloud_live/202103021930.html直播时间：3月2日（本周二）晚19:30直播内容：1. 大赛介绍2. 往届选手分享3. Q&A答疑【赛事介绍】量子科技的发展具有重大科学意义和战略价值，是一项对传统技术体系产生冲击、进行重构的重大颠覆性技术创新，将引领新一轮科技革命和产业变革。其中，量子计算被认为是未来具有颠覆性影响的新型计算模式之一。上海大学将与华为、南方科技大学联合举办2021 量子计算黑客松全国大赛，该合作也将推进量子计算的基础与应用研究，争取做出开创性的前沿工作，望广大学子能够积极参与此次比赛，共同创新，推动量子计算的技术研究。【参赛对象】本次活动将在线上进行初赛和上海大学线下进行决赛。主要面向对量子计算感兴趣，具备一定量子计算、量子化学、机器学习等背景知识的本科及研究生均可报名参加。选手可自行组队，每队不超过3人。【时间安排】序号阶段开始时间结束时间说明1参赛报名2021/02/02 10:002021/03/15 15:00线上2赛题发布2021/02/02 10:00/线上3作品提交2021/02/02 10:002021/04/15 15:00线上4决赛名单及赛程公布2021/04/30 10:00/线上公布，选取前10名入围团队5决赛2021/05/152021/05/15上海大学（宝山校区）举行【报名方式】点击页面上方“立即报名”按钮注册报名，需要提交姓名、联系方式等信息。赛事官方网页：https://competition.huaweicloud.com/information/1000041373/introduction【报名要求】1、由于申请的计算资源限制，按报名次序接受先报名的前200个团队。2、参赛者需确保报名信息准确有效，如虚假信息报名，大赛组委会将取消参赛资格及奖励。【奖项设置】奖项奖品数量一等奖HUAWEI MateBook 13 2021/2020款 13英寸 全新11代酷睿i5 16G 512G 非触屏+ 5000元京东卡2张+实物证书1二等奖华为平板电脑MatePad 10.4英寸麒麟810/820八核处理器影音娱乐护眼办公学习教育平板电脑 4+128G/WiFi+2000元京东卡2张+实物证书2三等奖HUAWEI WATCH GT 2 运动款（46mm）华为智能手表+1000元京东卡2张+实物证书3优秀奖华为手环 4 Pro+200元京东卡2张+实物证书4【参赛流程】在线报名 → 在线比赛→ 决赛名单和赛程公布→决赛→获奖结果公布【组委会】主办方：上海大学理学院、华为量子计算研究团队协办方：南方科技大学【赛事交流】大赛交流答疑请务必加赛事微信群，小助手会拉你进群。群里会不定时公布赛事重要信息、获奖名单、直播信息等内容。大赛交流论坛：https://developer.huaweicloud.com/hero/group-1342.html【注意事项】奖品说明：如遇奖品库存不足会进行同价位奖品调换。

直播地址：https://www.koushare.com/lives/room/978959直播主题：量子计算黑客松全国大赛·上海大学站宣讲直播时间：2021年2月9日（周二）16:00主办方：华为量子计算研究团队直播简介量子科技的发展具有重大科学意义和战略价值，是一项对传统技术体系产生冲击、进行重构的重大颠覆性技术创新，将引领新一轮科技革命和产业变革。其中，量子计算被认为是未来具有颠覆性影响的新型计算模式之一。上海大学与华为、南方科技大学联合举办2021 量子计算黑客松全国大赛，该合作也将推进量子计算的基础与应用研究，争取做出开创性的前沿工作，望广大学子能够积极参与此次比赛，共同创新，推动量子计算的技术研究。2021量子计算黑客松全国大赛·上海大学站比赛目前正在紧张报名中。此次直播主要内容：1、大赛介绍和HiQ云平台简介2、试题说明及背景介绍3、答疑Q&A本赛事报名地址：https://competition.huaweicloud.com/information/1000041373/introduction?track=111

2021年07月15日 10:56   来源：中新网中新网上海新闻5月17日电 (董昭 许婧)15日至16日，由上海大学主办，华为技术有限公司、南方科技大学协办，2021量子计算黑客松决赛在上海大学理学院量子人工智能科学技术研究中心落幕。　　本此大赛历时三个月多月，吸引了来自北京大学、清华大学、中科大、复旦大学、上海交通大学、中山大学、上海大学等全国各地的本科生、研究生293人报名。78个团队积极参与本次比赛，共同创新，推动量子计算的技术研究。　　量子科技的发展具有重大科学意义和战略价值，是一项对传统技术体系产生冲击、进行重构的重大颠覆性技术创新，将引领新一轮科技革命和产业变革。其中，量子计算被认为是未来具有颠覆性影响的新型计算模式之一。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、机器学习等学科交叉。选手们触发思想火花，突破挑战，拓展思维的边界。最终经过层层选拔有来自国内各大高校的7支队伍脱颖而出，冲进决赛。　　比赛期间，来自清华大学、中科院计算所、北京大学、复旦大学、华为等评委及选手们齐聚上海大学理学院量子人工智能科学技术中心。经过综合笔试和答辩两个环节的激烈角逐，来自中山大学的参赛选手最终摘得桂冠，获得了第一名。比赛产生了二等奖二名，三等奖三名，优秀奖一名。　　期间，选手们还饶有兴致地参观了上海大学溯园和钱伟长图书馆，追忆老上大的峥嵘岁月，涵养新时代新青年的奋斗精神。　　在这次黑客松大赛决赛中，不仅有各个队伍精彩的角逐，编程高手的对决，还有企业量子对话以及名师学者交流。5月15日下午，来自本源量子软件产品中心总经理吴伟，上海大学理学院量子人工智能科学技术研究中心主任以及来自华为技术有限公司徐旭升为大家带来精彩报告。他们讲述了国内本源量子在硬件、软件的最新发展以及实际应用，世界量子计算的新思想，以及华为最新量子机器学习的进展。16日下午，评委清华大学，香港中文大学以及北京大学评委就基于测量的端对端量子机器学习、量子测量极限与混合张良网络量子模拟进行了精彩的前沿学术报告。除了现场的上大师生，上千名师生通过寇享平台参与了上述活动。　　本届量子计算黑客松大赛是上海大学与华为的第二次合作，赛事得到了多方支持和关注，规模比上届更大，赛题比上届更难，吸引了全国广大量子爱好者关注，诸多兄弟院校派员参与并观摩。量子计算黑客松大赛的举办对于实现校企联动，推动交叉创新的量子人才培养具有积极作用，有助于形成涉及学术研究、人才培养、科学普及和科技产业化的良好量子科技生态圈。　　上海大学理学院早在2018年积极开发“量子世界”通选课，成为“育才大工科”系列中的一门，跨学科的团队引领学生享受思维的乐趣。学校将依托学校“五朵金花”之“量子科技”发展战略进一步推进量子计算与人工智能的基础与应用研究，并在量子计算、量子调控、量子模拟和量子材料等方面继续做好创新的前沿工作。(完)注：请在转载文章内容时务必注明出处!

【功能模块】基于华为 HIQ中 projectq 编程（python语言）【操作步骤&问题现象】1、量子计算中 的 X门， 其含义是 对 量子比特位取反，但我的代码中 无法得到取反效果，请各位大神指点2、【截图信息】from projectq import MainEnginefrom projectq.cengines import DummyEnginefrom projectq.ops import H, CX, All, Measure, TimeEvolution, QubitOperator, X, QFTfrom projectq.setups import restrictedgatesetengine_list = restrictedgateset.get_engine_list(one_qubit_gates="any",two_qubit_gates=(CX,))backend = DummyEngine(save_commands=True)eng = MainEngine(backend=backend,engine_list=engine_list)qureg = eng.allocate_qureg(2)print(qureg[0])print(qureg[1])X | qureg[0]All(Measure) | quregprint(qureg[0])上面代码中， X | qureg[0] 对 量子比特位 qureg[0] 取反，但最后运行结果 仍然是 0， 而不是 1，求助【日志信息】（可选，上传日志内容或者附件）