• 目录
• QCNN描述
• 数据集
• 环境要求
• 脚本说明
• • 脚本及样例代码
• 训练和测试
• • 训练过程
  • • 准备
    • 训练
    • 训练结果
  • 评估过程
  • • 评估
• 模型描述
• • 性能
  • • 训练性能
    • 评估性能
• 参考资料
• • 参考论文

目录

• 目录
• QCNN描述
• 数据集
• 环境要求
• 脚本说明
  • 脚本及样例代码
• 训练和测试
  • 训练过程
  • 评估过程
• 模型描述
  • 性能
    • 训练性能
    • 评估性能
• 参考资料
  • 参考论文

QCNN描述

机器学习已经被广泛地应用于各种各样的模型上，从经典统计力学到用于识别相变的量子强关联系统。

最近提出的量子卷积神经网络（QCNN）为使用量子电路代替经典神经网络作为分类方法的主干提供了一个新的框架。

该论文给出了利用一维横场Ising模型（TFIM）的变分量子本征求解器的波函数来训练QCNN的结果，证明了QCNN能够很准确地识别出与TFIM的顺磁相和铁磁相对应的波函数。

QCNN可以被训练来预测假定量子临界点附近的波函数对应的“相位”，即使它是由远离它的波函数训练的。这为利用QCNN来识别量子临界点提供了基础。

数据集

使用的数据集：TFI_chain.zip

• 数据集大小：392 MB

• 数据格式：NPY文件及TXT文件

  • 注：数据在dataset.py中处理。

• 下载数据集，目录结构如下：

.
└── TFI_chain
   └── closed
       ├── 4
   	├── 8
   	├── 12
   	└── 16

环境要求

• 硬件（CPU）
• 框架
  • MindSpore
  • MindQuantum
• 如需查看详情，请参见如下资源：
  • MindSpore教程
  • MindQuantum教程
• 第三方库

pip install numpy
pip install sklearn

脚本说明

脚本及样例代码

.
├── README.md                           # QCNN相关说明
├── requirements.txt                    # 依赖说明文件
├── TFI_chain                           # 数据集
│   └── closed
├── src
│   ├── QCNNet.py                       # 模型结构定义
│   ├── ansatz_qcnn.py                  # 量子拟设定义
│   ├── loss.py                         # 损失函数定义
│   └── dataset.py                      # 数据集处理定义
├── research
│   ├── performance_test1.ipynb         # 模型表现测试1
│   ├── performance_test2.ipynb         # 模型表现测试2
│   └── performance_test3.ipynb         # 模型表现测试3
├── eval.py                             # 评估文件
└── train.py                            # 训练文件

训练和测试

训练过程

准备

• 下载数据集并置于QCNN-NGPark目录下。

训练

• 运行train.py开始训练。将会对N = 4, 8, 12情况数据集进行训练。

python train.py

• 训练过程中每训练5步将会打印一次损失值。

训练结果

• 训练checkpoint将被保存在model_N{N}.ckpt中。

评估过程

评估

• 运行eval.py进行评估。将会对N = 4, 8, 12情况数据集进行评估。

python eval.py

模型描述

性能

训练性能

参数	QCNN(N = 4)	QCNN(N = 8)	QCNN(N = 12)
模型版本	V1	V1	V1
资源	Ubuntu 18.04.5 LTS	Ubuntu 18.04.5 LTS	Ubuntu 18.04.5 LTS
上传日期	2022-06-28	2022-06-28	2022-06-28
MindSpore版本	1.6.0	1.6.0	1.6.0
MindQuantum版本	0.5.0	0.5.0	0.5.0
数据集	TFI_chain	TFI_chain	TFI_chain
训练参数	epoch=5，batch_size=60	epoch=4，batch_size=30	epoch=1，batch_size=30
优化器	Adam	Adam	Adam
损失函数	SoftMarginLoss	SoftMarginLoss	SoftMarginLoss
参数（M）	63	147	231

评估性能

参数	QCNN(N = 4)	QCNN(N = 8)	QCNN(N = 12)
模型版本	V1	V1	V1
资源	Ubuntu 18.04.5 LTS	Ubuntu 18.04.5 LTS	Ubuntu 18.04.5 LTS
上传日期	2022-06-28	2022-06-28	2022-06-28
MindSpore版本	1.6.0	1.6.0	1.6.0
MindQuantum版本	0.5.0	0.5.0	0.5.0
数据集	TFI_chain	TFI_chain	TFI_chain
批次大小	81	81	81
输出	Acc	Acc	Acc
精确度	0.9876543209876543	0.9876543209876543	0.9876543209876543
推理模型	287B（.ckpt文件）	624B（.ckpt文件）	960B（.ckpt文件）

参考资料

参考论文

• An Application of Quantum Machine Learning on Quantum Correlated Systems: Quantum Convolutional Neural Network as a Classifier for Many-Body Wavefunctions from the Quantum Variational Eigensolver