量子人工智能

金賢敏、胡俊傑

量子人工智能 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2023-06-01
  • 售價: $474
  • 貴賓價: 9.5 折 $450
  • 語言: 簡體中文
  • 頁數: 255
  • 裝訂: 精裝
  • ISBN: 7302619190
  • ISBN-13: 9787302619192
  • 相關分類: 量子 Quantum

    • 立即出貨

  • 量子人工智能-preview-1
  • 量子人工智能-preview-2
  • 量子人工智能-preview-3
量子人工智能-preview-1

買這商品的人也買了...

相關主題

商品描述

量子計算與人工智能的交叉融合，促使量子人工智能的不斷發展。本書旨在採用對深度學習愛好者友好的方式，構建量子人工智能應用。 全書共13章，第1章和第2章系統介紹量子電腦發展脈絡和量子計算編程的基礎知識。第3~7章分別介紹不同的深度學習方法和在這些算法邏輯上構建量子啟發算法的方式，用量子線路中的相位作為神經網絡的可學習參數，重構為量子神經網絡算子。這些算子可以在PyTorch環境中直接調用。第8章和第9章是量子人工智能的進階知識，講解不同量子算法的可行的評估方式和量子神經網絡基於Torch.Script技術進行算子化的內容。第10~13章通過在原生的深度學習PyTorch環境中引入量子算法，帶來可能的量子增強，並分別實現了對材料晶體結構相變過程搜索，冠狀病毒RNA序列變異預測、藥物虛擬篩選中親和能的預測及基因表達藥物設計等案例。 本書可作為量子人工智能初學者的入門書籍，PyTorch深度學習愛好者的參考書籍，也可作為從事量子人工智能相關工作技術人員的應用指南。

目錄大綱

 

 

 

CONTENTS

 

目錄

 

 

 

 

 

第1章量子計算和人工智能00

 

 

1.1量子電腦體系各個物理進展00

 

1.2量子線路介紹00

 

1.3量子神經網絡及其應用00

 

參考文獻00

 

第2章量子計算基礎框架00

 

2.1量子計算基本概念00

 

2.1.1復內積空間00

 

2.1.2狄拉克符號00

 

2.1.3量子比特00

 

2.2矩陣的張量積0

 

2.3封閉量子系統中量子態的演化(酉算子)0

 

2.4量子門0

 

2.5量子電路0

 

2.6量子測量0

 

2.7密度算子0

 

2.8含參數的量子門表示0

 

2.9約化密度算子0

 

2.10量子信息的距離度量0

 

2.11經典的量子算法和工具0

 

第3章量子自編碼網絡0

 

3.1經典自編碼網絡0

 

3.2變分自編碼網絡0

 

3.3量子自編碼網絡的量子信息學基礎0

 

3.3.1量子信息學中的偏跡運算0

 

3.3.2保真度與量子自編碼網絡的損失函數0

 

3.4量子自編碼網絡0

 

3.5案例0

 

參考文獻0

 

 

第4章捲積、圖、圖神經網絡相關算法0

 

4.1捲積神經網絡0

 

4.1.1經典捲積神經網絡0

 

4.1.2AlexNet0

 

4.2量子捲積神經網絡0

 

4.2.1回顧經典捲積0

 

4.2.2量子捲積0

 

4.2.3代碼實現0

 

4.3量子圖循環神經網絡0

 

4.3.1背景介紹0

 

4.3.2經典GGRU0

 

4.3.3基於QuGRU實現的QuGGRU0

 

4.3.4循環圖神經網絡補充介紹0

 

參考文獻0

 

第5章註意力機制0

 

5.1註意力機制背景0

 

5.1.1SelfAttention0

 

5.1.2MultiHead Attention0

 

5.1.3量子註意力機制0

 

5.1.4量子註意力機制的代碼實現0

 

5.2圖註意力機制0

 

5.2.1圖註意力網絡0

 

5.2.2經典算法的代碼實現0

 

5.2.3量子圖註意力網絡0

 

第6章量子對抗自編碼網絡0

 

6.1經典生成對抗網絡0

 

6.1.1生成對抗網絡介紹

 

 

6.1.2GAN的訓練過程及代碼

 

6.1.3GAN的損失函數

 

6.2量子判別器

 

6.3對抗自編碼網絡

 

6.3.1對抗自編碼網絡架構

 

6.3.2對抗自編碼網絡的代碼實現

 

6.3.3完全監督的對抗自編碼網絡架構

 

6.3.4完全監督的對抗自編碼網絡的代碼實現

 

6.3.5量子有監督對抗自編碼網絡

 

第7章強化學習的概念與理論

 

7.1強化學習的概念

 

7.1.1什麽是強化學習

 

7.1.2馬爾可夫決策過程

 

7.2基於值函數的強化學習方法

 

7.2.1基於蒙特卡洛的強化學習方法

 

7.2.2基於時間差分的強化學習方法

 

7.2.3基於值函數逼近的強化學習方法

 

7.3基於策略的強化學習方法

 

7.4基於參數化量子邏輯門的強化學習方法

 

7.4.1量子態編碼方法

 

7.4.2QPolicy Gradient方法

 

第8章量子機器學習模型評估

 

第9章基於TorchScript量子算子編譯

 

9.1TorchScript語義和語法

 

9.1.1術語及類型

 

9.1.2類型註釋

 

9.2PyTorch模塊轉換為TorchScript

 

9.2.1跟蹤量子及經典神經網絡

 

9.2.2script（）方法編譯量子模型及其函數

 

9.2.3混合編譯、跟蹤及保存加載模型

 

9.3Torch自動求導機制

 

9.3.1自動求導機制的使用方法

 

9.3.2自動求導的微分及有向無環圖

 

9.3.3量子算子及編譯原理

 

9.3.4量子求導及編譯

 

第10章量子StyleGAN預測新冠毒株Delta的變異結構

 

10.1經典StyleGAN模型

 

10.1.1移除傳統輸入

 

10.1.2添加映射網絡

 

10.1.3生成網絡與特徵控制

 

10.2StyleGAN部分代碼

 

10.3量子QuStyleGAN模型

 

10.3.1QuStyleGAN模型構建

 

10.3.2量子啟發模糊捲積

 

10.3.3量子漸進式訓練

 

10.4QuStyleGAN部分代碼

 

10.5QuStyleGAN生成表現

 

第11章模擬材料相變過程路徑搜索

 

11.1建模方法

 

11.2實現方案

 

第12章蛋白質生物分子親和能力預測

 

第13章基因表達

 

附錄A神經網絡基礎簡介

 

A.1感知機

 

A.2多層感知機

 

A.3神經網絡

 

A.4激活函數

 

A.5損失函數

 

A.6誤差反向傳播

 

A.7參數更新

 

A.8模型優化

 

類似商品