更新时间：2024-12-27 23:22:43
封面
版权信息
内容简介
作者简介
前言
第1章 量子计算和人工智能
1.1 量子计算机体系各个物理进展
1.2 量子线路介绍
1.3 量子神经网络及其应用
参考文献
第2章 量子计算基础框架
2.1 量子计算基本概念
2.1.1 复内积空间
2.1.2 狄拉克符号
2.1.3 量子比特
2.2 矩阵的张量积
2.3 封闭量子系统中量子态的演化（酉算子）
2.4 量子门
2.5 量子电路
2.6 量子测量
2.7 密度算子
2.8 含参数的量子门表示
2.9 约化密度算子
2.10 量子信息的距离度量
2.11 经典的量子算法和工具
第3章 量子自编码网络
3.1 经典自编码网络
3.2 变分自编码网络
3.3 量子自编码网络的量子信息学基础
3.3.1 量子信息学中的偏迹运算
3.3.2 保真度与量子自编码网络的损失函数
3.4 量子自编码网络
3.5 案例
第4章 卷积、图、图神经网络相关算法
4.1 卷积神经网络
4.1.1 经典卷积神经网络
4.1.2 AlexNet
4.2 量子卷积神经网络
4.2.1 回顾经典卷积
4.2.2 量子卷积
4.2.3 代码实现
4.3 量子图循环神经网络
4.3.1 背景介绍
4.3.2 经典GGRU
4.3.3 基于QuGRU实现的QuGGRU
4.3.4 循环图神经网络补充介绍
第5章 注意力机制
5.1 注意力机制背景
5.1.1 Self-Attention
5.1.2 Multi-Head Attention
5.1.3 量子注意力机制
5.1.4 量子注意力机制的代码实现
5.2 图注意力机制
5.2.1 图注意力网络
5.2.2 经典算法的代码实现
5.2.3 量子图注意力网络
第6章 量子对抗自编码网络
6.1 经典生成对抗网络
6.1.1 生成对抗网络介绍
6.1.2 GAN的训练过程及代码
6.1.3 GAN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
7.4.2 Q-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
9.1 TorchScript语义和语法
9.1.1 术语及类型
9.1.2 类型注释
9.2 PyTorch模块转换为TorchScript
9.2.1 跟踪量子及经典神经网络
9.2.2 script（）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
9.3 Torch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
