CONTENTS

目录

第1章量子计算和人工智能00

1.1量子计算机体系各个物理进展00

1.2量子线路介绍00

1.3量子神经网络及其应用00

参考文献00

第2章量子计算基础框架00

2.1量子计算基本概念00

2.1.1复内积空间00

2.1.2狄拉克符号00

2.1.3量子比特00

2.2矩阵的张量积0

2.3封闭量子系统中量子态的演化(酉算子)0

2.4量子门0

2.5量子电路0

2.6量子测量0

2.7密度算子0

2.8含参数的量子门表示0

2.9约化密度算子0

2.10量子信息的距离度量0

2.11经典的量子算法和工具0

第3章量子自编码网络0

3.1经典自编码网络0

3.2变分自编码网络0

3.3量子自编码网络的量子信息学基础0

3.3.1量子信息学中的偏迹运算0

3.3.2保真度与量子自编码网络的损失函数0

3.4量子自编码网络0

3.5案例0

参考文献0

第4章卷积、图、图神经网络相关算法0

4.1卷积神经网络0

4.1.1经典卷积神经网络0

4.1.2AlexNet0

4.2量子卷积神经网络0

4.2.1回顾经典卷积0

4.2.2量子卷积0

4.2.3代码实现0

4.3量子图循环神经网络0

4.3.1背景介绍0

4.3.2经典GGRU0

4.3.3基于QuGRU实现的QuGGRU0

4.3.4循环图神经网络补充介绍0

参考文献0

第5章注意力机制0

5.1注意力机制背景0

5.1.1SelfAttention0

5.1.2MultiHead Attention0

5.1.3量子注意力机制0

5.1.4量子注意力机制的代码实现0

5.2图注意力机制0

5.2.1图注意力网络0

5.2.2经典算法的代码实现0

5.2.3量子图注意力网络0

第6章量子对抗自编码网络0

6.1经典生成对抗网络0

6.1.1生成对抗网络介绍

6.1.2GAN的训练过程及代码

6.1.3GAN的损失函数

6.2量子判别器

6.3对抗自编码网络

6.3.1对抗自编码网络架构

6.3.2对抗自编码网络的代码实现

6.3.3完全监督的对抗自编码网络架构

6.3.4完全监督的对抗自编码网络的代码实现

6.3.5量子有监督对抗自编码网络

第7章强化学习的概念与理论

7.1强化学习的概念

7.1.1什么是强化学习

7.1.2马尔可夫决策过程

7.2基于值函数的强化学习方法

7.2.1基于蒙特卡洛的强化学习方法

7.2.2基于时间差分的强化学习方法

7.2.3基于值函数逼近的强化学习方法

7.3基于策略的强化学习方法

7.4基于参数化量子逻辑门的强化学习方法

7.4.1量子态编码方法

7.4.2QPolicy Gradient方法

第8章量子机器学习模型评估

第9章基于TorchScript量子算子编译

9.1TorchScript语义和语法

9.1.1术语及类型

9.1.2类型注释

9.2PyTorch模块转换为TorchScript

9.2.1跟踪量子及经典神经网络

9.2.2script（）方法编译量子模型及其函数

9.2.3混合编译、跟踪及保存加载模型

9.3Torch自动求导机制

9.3.1自动求导机制的使用方法

9.3.2自动求导的微分及有向无环图

9.3.3量子算子及编译原理

9.3.4量子求导及编译

第10章量子StyleGAN预测新冠毒株Delta的变异结构

10.1经典StyleGAN模型

10.1.1移除传统输入

10.1.2添加映射网络

10.1.3生成网络与特征控制

10.2StyleGAN部分代码

10.3量子QuStyleGAN模型

10.3.1QuStyleGAN模型构建

10.3.2量子启发模糊卷积

10.3.3量子渐进式训练

10.4QuStyleGAN部分代码

10.5QuStyleGAN生成表现

第11章模拟材料相变过程路径搜索

11.1建模方法

11.2实现方案

第12章蛋白质生物分子亲和能力预测

第13章基因表达

附录A神经网络基础简介

A.1感知机

A.2多层感知机

A.3神经网络

A.4激活函数

A.5损失函数

A.6误差反向传播

A.7参数更新

A.8模型优化