TuringQ 示例文件说明¶

本目录包含了 TuringQ 量子计算框架的多种示例，涵盖从基础量子门操作到前沿量子机器学习的广泛应用场景。

📁 主要示例文件¶

1. basic_gate_MBQC.ipynb¶

功能：展示基于测量的量子计算（MBQC）的基本门操作

量子算法： - MBQC（Measurement-Based Quantum Computation）

核心内容： - 单量子比特门 HR_z(-α)|+⟩ - 随机单量子比特旋转门 - CNOT 门的 MBQC 实现

应用场景：验证 MBQC 与传统电路模型的等价性

2. hhl.ipynb¶

功能：求解线性方程组 Ax=b

量子算法： - HHL 算法 - 量子相位估计（QPE） - 量子傅里叶变换（QFT）

核心内容： - 量子相位估计实现 - 逆量子傅里叶变换 - 厄米矩阵线性系统求解

应用场景：量子机器学习、大规模线性系统求解

3. qaoa.ipynb¶

功能：解决组合优化问题

量子算法： - QAOA（量子近似优化算法）

核心内容： - Max-Cut 问题求解 - 参数化量子电路优化 - PyTorch 集成训练

应用场景：组合优化、最大割/分割问题

4. qresnets.ipynb¶

功能：量子神经网络实现函数拟合

量子算法： - 量子残差网络（Quantum Residual Networks）

核心内容： - 变分量子电路层 - 经典-量子混合架构 - 残差连接机制

应用场景：量子机器学习、回归任务、函数逼近

5. quantum_state_transfer_1d.ipynb¶

功能：模拟一维量子态传输

量子算法： - 时间演化算符 - 张量网络（MPS）

核心内容： - 20 量子比特大规模系统模拟 - 特征值分解构造演化算符 - 时间演化可视化

应用场景：量子信息传输、量子物理模拟

6. test_for_onchip_optimizer.ipynb¶

功能：光量子芯片参数优化

量子算法： - 贝叶斯优化 - SPSA（Simultaneous Perturbation Stochastic Approximation） - Fourier 级数优化

核心内容： - 三种优化算法性能对比 - 两量子比特系统能量估计 - ZZ/XX/YY 多基测量

应用场景：片上光量子实验、参数优化

7. vqe_for_CRW.ipynb¶

功能：求解哈密顿量基态能量

量子算法： - VQE（变分量子本征求解器）

核心内容： - 8×8 厄米矩阵对角化 - Pauli 算符基分解（64个测量基） - CMA-ES 进化策略优化

应用场景：量子化学、量子材料模拟、CRW（Continuous Random Walk）系统

8. bosonic/max_clique/GBS_max_clique.ipynb¶

功能：解决最大团问题

量子算法： - 高斯玻色采样（GBS） - 局域搜索算法

核心内容： - 图邻接矩阵编码到量子采样器 - 后选择技术 - 团收缩算法

应用场景：NP 难问题求解、社交网络分析、生物信息学

🎯 TuringQ 框架核心能力¶

1. 多种量子计算模型支持¶

✅ 电路模型（门操作）
✅ 测量模型（MBQC）
✅ 光量子模型（玻色采样）
✅ 混合模型（量子-经典）

2. 丰富的量子算法库¶

🔹 变分算法：VQE、QAOA、量子神经网络
🔹 线性代数：HHL 线性方程求解
🔹 优化算法：组合优化、参数优化
🔹 量子模拟：时间演化、态传输
🔹 量子机器学习：函数拟合、神经网络

3. 高级技术特性¶

📈 张量网络（MPS）支持大规模系统（20+ 量子比特）
📈 多种优化器（贝叶斯、SPSA、CMA-ES、Adam）
📈 完整的工具链（可视化、性能评估、数据处理）
📈 PyTorch/NumPy 无缝集成

4. 实际应用领域¶

🔬 量子化学：分子基态能量计算
🔬 组合优化：最大割、最大团问题
🔬 机器学习：函数拟合、回归分析
🔬 物理模拟：量子态传输、时间演化
🔬 片上实验：光量子芯片参数优化

📂 子目录说明¶

benchmarks/：性能基准测试代码
bosonic/：玻色子相关算法（玻色采样、高斯玻色采样等）
figure/：示例图片和图表
gbs/：高斯玻色采样（GBS）相关应用
tdm/：时间复用相关算法（簇态等）

🚀 快速开始¶

每个示例文件都是独立的 Jupyter Notebook，可以按任意顺序学习：

初学者路径：
从 basic_gate_MBQC.ipynb 开始，理解基本量子门操作
然后学习 qaoa.ipynb 和 vqe_for_CRW.ipynb 了解变分算法
进阶路径：
深入 hhl.ipynb 学习量子线性代数算法
探索 quantum_state_transfer_1d.ipynb 了解大规模量子模拟
应用导向路径：
机器学习：qresnets.ipynb
优化问题：qaoa.ipynb、GBS_max_clique.ipynb
片上实验：test_for_onchip_optimizer.ipynb

📖 使用说明¶

所有示例都需要安装 TuringQ 框架及其依赖：

pip install turingq

推荐使用 Jupyter Notebook 或 JupyterLab 运行示例：

jupyter notebook

💡 框架特点¶

TuringQ 是一个**功能完整、设计优雅的量子计算框架**，具有以下优势：

理论深度：覆盖从基础量子门到前沿量子算法的完整理论体系
实用性强：每个示例都可直接运行，配有详细数学说明
易用性高：Python 友好 API，与主流深度学习框架无缝集成
可扩展性：模块化设计，支持自定义量子门、电路和优化器

适用于**量子计算研究、算法开发、教育和实际应用**等多个领域。

📝 文档和支持¶

每个示例文件都包含详细的代码注释和数学说明
支持自定义量子门、测量策略和优化算法
提供完整的可视化工具和性能评估指标

最后更新：2026-01-08