量子计算与人工智能的交叉融合，促使量子人工智能的不断发展。本书旨在采用对深度学习爱好者友好的方式，构建量子人工智能应用。 全书共13章，第1章和第2章系统介绍量子计算机发展脉络和量子计算编程的基础知识。第3~7章分别介绍不同的深度学习方法和在这些算法逻辑上构建量子启发算法的方式，用量子线路中的相位作为神经网络的可学习参数，重构为量子神经网络算子。这些算子可以在PyTorch环境中直接调用。第8章和第9章是量子人工智能的进阶知识，讲解不同量子算法的可行的评估方式和量子神经网络基于Torch.Script技术进行算子化的内容。第10~13章通过在原生的深度学习PyTorch环境中引入量子算法，带来可能的量子增强，并分别实现了对材料晶体结构相变过程搜索，冠状病毒RNA序列变异预测、药物虚拟筛选中亲和能的预测及基因表达药物设计等案例。 本书可作为量子人工智能初学者的入门书籍，PyTorch深度学习爱好者的参考书籍，也可作为从事量子人工智能相关工作技术人员的应用指南。

"金贤敏,上海交通大学长聘教授，博士生导师，集成量子信息技术研究中心主任，获上海市青年科技英才奖、全国百篇优秀博士论文奖、中国科学院百篇优秀博士论文奖，区域光纤通信网与新型光通信系统国家重点实验室学术带头人。 胡俊杰，现就职于上海交通大学集成量子信息技术研究中心，主要研究方向为在实验室光子芯片平台上进行量子模拟与量子机器学习。毕业于中国科学院大学并获得博士学位，研究方向为机器学习与材料模拟的交叉方向。"

PREFACE 前言 在20世纪中叶，量子论的建立和不断完善带来了技术的重大突破，耳熟能详的半导体、激光器、核能等都是这一次量子技术革命的产物。在摩尔定律和登纳德缩放比例都逐渐失效的同时，高级应用程序很难再直接受益于芯片性能的飞速提升。另外，信息化不断融入社会的每个角落，以及科学技术的进步，都在不断地产生数据，并产生算力的需求。在这些新增算力需求中，以运行人工智能程序为代表的智能算力占据着主要角色。这一趋势也带来了计算机体系架构的革新，为特定领域语言设计特定领域处理器，以软硬一体的方式带来应用程序运行效率的提升。在这其中，谷歌的TPU、华为的腾AI芯片、百度的昆仑AI芯片等不约而同地选择了对神经网络在芯片上的运行进行优化。接下来的十年会是芯片架构设计的黄金时期，这是领域同行的共识。半导体集成电路工艺对AI芯片算力的提升再一次助推智能算力需求，相应地，CPU算法持续提升的瓶颈也是硅电半导体AI处理器的难题。目前正在发生的第二次量子技术革命，产生的量子计算机和量子处理器是摩尔定律瓶颈的有效解决方案。解铃还须系铃人，自然界背后的量子理论定律产生的算力提升难题，只有深刻地认识并加以利用，以物理计算逻辑的革新解决量子物理的限制，才可以真正地再次带来算力飞速提升的黄金时代，而智能算力的极速扩张仍然会是许多年之后社会经济和科学研究的主要诉求，量子人工智能是迎合以上需求的开端。 量子人工智能是以量子物理底层芯片的运行逻辑尝试重新描述人工智能算法和应用。量子计算机已经在特定的问题上表现出相比传统算法和经典计算机的绝对优势，经典计算机也在这些案例的...