QCNN

量子卷积神经网络Quantum Convolutional Neural Network(QCNN)。

复现论文："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"

数据集

• TFI_chain是TFQ提供的一个广泛用于模型测试的数据集，称为一维横向场Ising(TFIM)模型量子数据集。此数据集包含边界条件为closed且N = [4, 8, 12, 16]的四组数据，每组数据包含81个数据点。参考文档

• 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。

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

快速入门

1. 下载TFI_chain数据集。

2. 执行训练程序。数据集准备完成后，按照如下步骤开始训练：

   # 训练
   python train.py
   

3. 执行评估程序。训练结束后，按照如下步骤启动评估：

   # 评估
   python eval.py

脚本说明

脚本和样例代码

qcnn
├── README.md                           # 模型说明文档
├── requirements.txt                    # 依赖说明文件
├── eval.py                             # 精度验证脚本
├── src                                 # 模型定义源码目录
│   ├── 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
└── train.py                            # 训练脚本

训练过程

准备

• 下载数据集并置于qcnn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。

• 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。

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
脚本	link

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）

随机情况说明

使用train.py中的随机种子进行权重初始化。

在train.py中随机分割测试集和训练集。

贡献者

• NoEvaa

ModelZoo 主页

请浏览官方主页。