mindquantum.framework.QRamVecOps

查看源文件
class mindquantum.framework.QRamVecOps(hams, circ, sim, n_thread=None)[源代码]

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