第1章量子計算和人工智能00

1.1量子計算機體繫各個物理進展00

1.2量子線路介紹00

1.3量子神經網絡及其應用00

參考文獻00

第2章量子計算基礎框架00

2.1量子計算基本概念00

2.1.1復內積空間00

2.1.2狄拉克符號00

2.1.3量子比特00

2.2矩陣的張量積0

2.3封閉量子繫統中量子態的演化(酉算子)0

2.4量子門0

2.5量子電路0

2.6量子測量0

2.7密度算子0

2.8含參數的量子門表示0

2.9約化密度算子0

2.10量子信息的距離度量0

2.11經典的量子算法和工具0

第3章量子自編碼網絡0

3.1經典自編碼網絡0

3.2變分自編碼網絡0

3.3量子自編碼網絡的量子信息學基礎0

3.3.1量子信息學中的偏跡運算0

3.3.2保真度與量子自編碼網絡的損失函數0

3.4量子自編碼網絡0

3.5案例0

參考文獻0

第4章卷積、圖、圖神經網絡相關算法0

4.1卷積神經網絡0

4.1.1經典卷積神經網絡0

4.1.2AlexNet0

4.2量子卷積神經網絡0

4.2.1回顧經典卷積0

4.2.2量子卷積0

4.2.3代碼實現0

4.3量子圖循環神經網絡0

4.3.1背景介紹0

4.3.2經典GGRU0

4.3.3基於QuGRU實現的QuGGRU0

4.3.4循環圖神經網絡補充介紹0

參考文獻0

第5章注意力機制0

5.1注意力機制背景0

5.1.1SelfAttention0

5.1.2MultiHead Attention0

5.1.3量子注意力機制0

5.1.4量子注意力機制的代碼實現0

5.2圖注意力機制0

5.2.1圖注意力網絡0

5.2.2經典算法的代碼實現0

5.2.3量子圖注意力網絡0

第6章量子對抗自編碼網絡0

6.1經典生成對抗網絡0

6.1.1生成對抗網絡介紹

6.1.2GAN的訓練過程及代碼

6.1.3GAN的損失函數

6.2量子判別器

6.3對抗自編碼網絡

6.3.1對抗自編碼網絡架構

6.3.2對抗自編碼網絡的代碼實現

6.3.3完全監督的對抗自編碼網絡架構

6.3.4完全監督的對抗自編碼網絡的代碼實現

6.3.5量子有監督對抗自編碼網絡

第7章強化學習的概念與理論

7.1強化學習的概念

7.1.1什麼是強化學習

7.1.2馬爾可夫決策過程

7.2基於值函數的強化學習方法

7.2.1基於蒙特卡洛的強化學習方法

7.2.2基於時間差分的強化學習方法

7.2.3基於值函數逼近的強化學習方法

7.3基於策略的強化學習方法

7.4基於參數化量子邏輯門的強化學習方法

7.4.1量子態編碼方法

7.4.2QPolicy Gradient方法

第8章量子機器學習模型評估

第9章基於TorchScript量子算子編譯

9.1TorchScript語義和語法

9.1.1術語及類型

9.1.2類型注釋

9.2PyTorch模塊轉換為TorchScript

9.2.1跟蹤量子及經典神經網絡

9.2.2script（）方法編譯量子模型及其函數

9.2.3混合編譯、跟蹤及保存加載模型

9.3Torch自動求導機制

9.3.1自動求導機制的使用方法

9.3.2自動求導的微分及有向無環圖

9.3.3量子算子及編譯原理

9.3.4量子求導及編譯

第10章量子StyleGAN預測新冠毒株Delta的變異結構

10.1經典StyleGAN模型

10.1.1移除傳統輸入

10.1.2添加映射網絡

10.1.3生成網絡與特征控制

10.2StyleGAN部分代碼

10.3量子QuStyleGAN模型

10.3.1QuStyleGAN模型構建

10.3.2量子啟發模糊卷積

10.3.3量子漸進式訓練

10.4QuStyleGAN部分代碼

10.5QuStyleGAN生成表現

第11章模擬材料相變過程路徑搜索

11.1建模方法

11.2實現方案

第12章蛋白質生物分子親和能力預測

第13章基因表達

附錄A神經網絡基礎簡介

A.1感知機

A.2多層感知機

A.3神經網絡

A.4激活函數

A.5損失函數

A.6誤差反向傳播

A.7參數更新

A.8模型優化

在20世紀中葉，量子論的建立和不斷完善帶來了技術的重大突破，耳熟能詳的半導體、激光器、核能等都是這一次量子技術革命的產物。在摩爾定律和登納德縮放比例都逐漸失效的同時，高級應用程序很難再直接受益於芯片性能的飛速提升。另外，信息化不斷融入社會的每個角落，以及科學技術的進步，都在不斷地產生數據，並產生算力的需求。在這些新增算力需求中，以運行人工智能程序為代表的智能算力占據著主要角色。這一趨勢也帶來了計算機體繫架構的革新，為特定領域語言設計特定領域處理器，以軟硬一體的方式帶來應用程序運行效率的提升。在這其中，谷歌的TPU、華為的騰AI芯片、百度的昆侖AI芯片等不約而同地選擇了對神經網絡在芯片上的運行進行優化。接下來的十年會是芯片架構設計的黃金時期，這是領域同行的共識。半導體集成電路工藝對AI芯片算力的提升再一次助推智能算力需求，相應地，CPU算法持續提升的瓶頸也是硅電半導體AI處理器的難題。目前正在發生的第二次量子技術革命，產生的量子計算機和量子處理器是摩爾定律瓶頸的有效解決方案。解鈴還須繫鈴人，自然界背後的量子理論定律產生的算力提升難題，隻有深刻地認識並加以利用，以物理計算邏輯的革新解決量子物理的限制，纔可以真正地再次帶來算力飛速提升的黃金時代，而智能算力的極速擴張仍然會是許多年之後社會經濟和科學研究的主要訴求，量子人工智能是迎合以上需求的開端。

量子人工智能是以量子物理底層芯片的運行邏輯嘗試重新描述人工智能算法和應用。量子計算機已經在特定的問題上表現出相比傳統算法和經典計算機的絕對優勢，經典計算機也在這些案例的啟發下進一步提升了算法實現。科學進步帶來的技術發展過程中的曲折，並不影響描述自然規律的語言所揭示的技術方向。量子人工智能是銜接最具潛力的硬件技術與最迫切算力需求場景的必要嘗試，也是用新的工具提升現有人工智能方法的有意義的措施。在這個過程中，來自這個領域的專家學者們迫切地希望能夠尋找或是開發出新的、更有效的量子算法、AI架構或者更有意義的深入融合。量子人工智能不論在學術界還是工業界都是一顆冉冉升起的新星，上海交通大學和圖靈量子技術團隊的成員有幸見識到了它的魅力。

在這裡，不乏會有一些讓高纔生或者高級專業技術人員望而卻步的難題。軟件分層和極簡主義的設計風格是一個普適性的解決方案。通過量子神經網絡的封裝和實現方式的開源，一個受歡迎的量子人工智能框架需要做到易用性和專業性的平衡。易用性是一個因人而異的問題，對於一個量子物理專家，難的或許是人工智能算法，而對於深度學習的開發者，量子糾纏或許又會成為一些人腦子裡的死結，這樣看來易用性本身是一個與受眾群體有關的詞彙。相比量子計算編程，深度學習開發者已經頗具規模並形成了自己的生態，PyTorch更是其中的佼佼者，重新開發一個深度學習工具包並不是最難的，難的是已經形成的開源代碼和開發者技能、習慣的培養並不是一時能夠改變的。在量子計算領域也有類似的現像，當大家提及量子編程時第一時間想到的、能接觸到的專業資料很大概率上會是IBM的Qiskit。同時我們也期待諸如PaddlePaddle、MindSpore等國產深度學習工具的用戶生態能夠不斷完善。在現階段，基於PyTorch開發環境構建Qiskit風格的量子神經網絡開發工具，毫無疑問可以使更大規模的群體從正在進行的開源項目中獲益。

以芯片最終要服務於行業場景的觀點出發，行業用戶和量子算力的解決方案是最終的訴求。以AI作為橋梁，量子計算可以使沿用更加成熟的人工智能應用實現的邏輯，通過賦能人工智能技術解決更加廣泛的實際問題。作為在深度學習模型中加入量子計算模塊，並用於多領域熱點問題求解器的示例，我們策劃的開源項目中也包含了
冠狀病毒RNA序列變異預測、光伏器件中的吸光材料結構相變搜索、藥物設計中的蛋白靶點結合能力預測，以及基因表達用於分子設計等模塊揭示量子計算可以在解決實際問題中發揮效用的一些可能性。我們也希望這些開源項目能夠成為興趣愛好者了解量子人工智能算法設計和應用的便捷路徑，啟發更多想法和方案的誕生，促進國內量子人工智能乃至量子計算行業的蓬勃發展。

在完成全書的過程中，來自圖靈量子算法應用部門的靳羽欣、李翔宇、李昱霖、劉丹聃、孫瀛吉、田澤卉、王詩瑜、趙翔、張方言和軟件組的徐曉俊等為完善各章節內容均貢獻了自己的力量。張方言、郭曉敏、李昱霖在清華大學出版社編輯們的指導和幫助下一同修訂了書中文字、代碼樣式、插圖等內容。本書的完成離不開大家的共同努力。

本書主要包括以下內容： 

第1章介紹量子計算和人工智能的背景。

第2章介紹量子計算的基礎框架和量子物理知識。

第3章介紹經典自編碼網絡、變分自編碼網絡、量子自編碼網絡和案例分析。

第4章介紹卷積神經網絡、量子卷積神經網絡和量子圖循環神經網絡。

第5章介紹注意力機制，主要包括注意力機制背景、量子注意力機制、量子注意力機制代碼實現，以及圖注意力機制和代碼實現。

第6章介紹量子對抗網絡，主要包括經典生成對抗網絡算法、量子對抗自編碼網絡和完全監督的對抗自編碼網絡算法等。

第7章介紹強化學習的概念與理論，包括什麼是強化學習、強化學習方法和基於參數化量子邏輯門的強化學習方法。

第8章介紹量子機器學習的模型評估。

第9章介紹基於TorchScript的量子算子編譯，包括術語、類型、類型注釋、TorchScript編譯量子模型、自動求導機制和量子算子編譯原理等。

第10章介紹經典的StyleGAN模型、量子QuStyleGAN模型及代碼、生成表現。

第11章介紹強化學習的案例。

第12章介紹蛋白靶點親和能力預測案例。

第13章介紹基因表達的案例分析。

附錄部分主要介紹構建人工神經網絡模型的基礎知識。

編者2023年2月

本書源代碼