量子人工智能

金贤敏,上海交通大学长聘教授，博士生导师，集成量子信息技术研究中心主任，获上海市青年科技英才奖、全国百篇优秀博士论文奖、中国科学院百篇优秀博士论文奖，区域光纤通信网与新型光通信系统实验室学术带头人。 胡俊杰，现就职于上海交通大学集成量子信息技术研究中心，主要研究方向为在实验室光子芯片平台上进行量子模拟与量子机器学习。毕业于中国科学院大学并获得博士学位，研究方向为机器学习与材料模拟的交叉方向。

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
参考文献
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
4.1.2AlexNet
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
参考文献
第5章注意力机制
5.1注意力机制背景
5.1.1Self-Attention
5.1.2Multi-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
6.1.2GAN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监督的对抗自编码网络架构
6.3.4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