概述
QPanda是一种功能齐全，运行高效的量子软件开发工具包，作为一款开源的量子计算框架，它可以用于构建、运行和优化量子算法。 QPanda提供的功能有：
量子计算编程基础组件： QPanda提供了丰富的量子计算编程基础组件，包括量子比特和量子门操作。开发者可以使用这些组件来构建复杂的量子算法，从简单的量子门序列到更复杂的量子电路。这些基础组件为开发者提供了构建量子计算任务所需的核心工具。
高性能量子虚拟机： QPanda的高性能量子虚拟机允许开发者在经典计算机上进行高效的量子模拟。这种虚拟机能够快速模拟量子算法的执行过程，使开发者能够在不依赖实际量子硬件的情况下测试和优化他们的算法。
算法组件介绍： QPanda提供了多种量子算法组件的介绍，包括量子搜索、量子优化等。这些算法组件的介绍帮助开发者了解如何使用QPanda来实现不同类型的量子计算任务。通过这些介绍，开发者可以更快地上手并开始构建自己的量子算法。
量子芯片和高性能集群模拟：提供了本源高性能计算集群的模拟服务以及悟源真实芯片的量子计算服务。
pyqpanda是python版本的QPanda，通过pybind11工具，以一种直接和简明的方式，对QPanda2中的函数、类进行封装，并且提供了几乎完美的映射功能。 封装部分的代码在QPanda2编译时会生成为动态库，从而可以作为python的包引入。
开始使用pyqpanda
系统配置和安装
为了兼容 高效与便捷，QPanda2提供了C++ 和 Python两个版本，本文中主要介绍python版本的使用。 如要了解和学习C++版本的使用请移步 QPanda2。
系统配置
pyqpanda是以C++为宿主语言，其对系统的环境要求如下：
Windows
software |
version |
2015 |
|
Python |
>= 3.8 && <= 3.11 |
Linux
software |
version |
GCC |
>= 5.4.0 |
Python |
>= 3.8 && <= 3.11 |
下载pyqpanda
如果你已经安装好了python环境和pip工具， 在终端或者控制台输入下面命令：
pip install pyqpanda
备注
在linux下若遇到权限问题需要加 sudo
备注
在ubuntun高版本环境可能会出现libffi库导入失败问题，需要安装合适版本的libffi，通过 conda install -c conda-forge libffi
更新日志
3.8.3.2 - 2024-04-03
新增功能和重要更新：
1.调整了基准测试三个算法接口参数和用法，包括 单双门随机基准测试 , 双门交叉熵基准测试 ,和 量子体积QV ，具体可以参考 量子体积
2.本源量子云计算服务新增了混合加密配置使用选项，用于对量子计算任务传输和通信中的任务数据开启 混合加密 从而保护数据安全和隐私，可以根据需要选择开启或打开。
开启方式为：将 QCloud 初始化函数的参数 enable_pqc_encryption 设置为 True 即可，默认为 False 不开启。
from pyqpanda import * machine = QCloud() machine.set_configure(72,72) machine.init_qvm(token=my_api_key, enable_pqc_encryption=True)
当今，随着量子计算机在硬件技术、纠错方法、算法理论与应用等多个维度的不断进步，传统的公钥算法由于无法抵御量子计算机的攻击逐渐变得脆弱，面临着被未来量子计算机攻击的风险。为了提供更强大的安全保护，本源量子云平台引入了一种端到端的 后量子(PQC)混合加密 方法，以保护云服务的用户端和服务端之间的信息传输，在有效抵御量子计算机的各种攻击的同时考虑了现有后量子密码极低但潜在的风险，并借助融合传统公钥密钥(RSA类、ECC类)算法规避了这一隐患。
混合加密： 混合加密是一种结合了两种密码算法的模式，该模式或部分或完整地继承各部分密码模块的某些特性，用于混合的两个功能相近的算法可以均为经典密码算法，也可以同时来自PQC。考虑到现有公钥密码算法面对量子计算机的脆弱性以及现阶段PQC算法潜在的风险，混合算法的两部分“原料”一般一半来自经典，一半来自PQC。例如，苹果于最近推出的iMessage加密方案以及谷歌在其浏览器中部署的混合加密方案均为Kyber(PQC的一种)与ECC类算法的混合。
本源量子云采用的混合加密方法来自NIST将要形成标准的 格基密码算法Kyber 以及 ECC类算法 ，并且在具体的实现过程中尽量采用国家认证的SM系列算法，例如，ECC类算法选取SM2算法，混合流程中用以密钥导出的函数(KDF)选用SM3算法，建立会话密钥后后续加解密采用SM4算法，并使用了安全度较高的CBC模式。
3.解决了部分情况下由于全局虚拟机导致的originir转换异常
- 4.电路模块可视化完善，包括：
修复导出text偶尔丢失量子逻辑门的错误
对png格式下自定义名称过长进行限制
3.8.3 - 2024-03-01
新增功能和重要更新：
1.量子线路可视化新增模块化导出接口，支持线路模块化命名、展示和输出
import pyqpanda as pq from ..pyqpanda.Visualization.circuit_composer import CircuitComposer def test_append(): circ1 = CircuitComposer(n_qubits) circuit = pq.QCircuit() circuit << pq.H(q[0]) << pq.CNOT(q[0], q[1]) << pq.CNOT(q[1], q[2]) circ1.append(circuit) circ1 << pq.BARRIER(q) circ1.append(pq.QFT(q[3:]), "QFT") circ1.append(pq.deep_copy(circ1)) print(circ1) print(circ1.circuit) a = circ1.draw_circuit("pic", "test.png") b = circ1.draw_circuit("latex") c = circ1.draw_circuit("text") print(b) print(c) if __name__ == '__main__': n_qubits = 6 qvm = pq.CPUQVM() qvm.init_qvm() q = qvm.qAlloc_many(n_qubits) test_append()
2.修改了量子虚拟机初始化错误，该错误会导致多个量子虚拟机重复初始化过程引发未知异常，涉及到的虚拟机有张量网络虚拟机,部分振幅虚拟机，单振幅虚拟机，密度矩阵模拟器和Clifford模拟器等
3.解决了mac部分python环境（3.10,3.11）下的包的导入异常问题
4.修改了量子比特池初始化和清空操作不彻底的错误，该错误会导致清空后设置最大容量时内存异常
3.8.2.3 - 2024-01-05
新增功能和重要更新：
1.量子云计算服务芯片任务添加了相关限制，单个任务的层数不能超过 500 层，并且单门控制比特数量不能超过 2 个（Toffoli门除外）， 双门不支持添加控制比特，如果量子线路中有相关计算需求，需要先调用多控门分解接口 ldd_decompose ，参考如下代码：
import numpy as np from pyqpanda import * online_api_key = "XXX" machine = QCloud() machine.set_configure(72,72); # online machine.init_qvm(online_api_key,True) q = machine.qAlloc_many(6) c = machine.cAlloc_many(6) measure_prog = QProg() measure_prog << X(q[1])\ << X(q[2])\ << H(q[0]).control([q[1], q[2], q[3]])\ << CNOT(q[0], q[1])\ << CNOT(q[1], q[2]).control([q[1], q[2], q[3]])\ << Measure(q[0], c[0]) decomposed_prog = ldd_decompose(measure_prog) measure_result = machine.real_chip_measure(decomposed_prog, 1000, real_chip_type.origin_72) print(measure_result)
3.8.2 - 2024-01-05
新增功能和重要更新：
1.量子计算服务适配了本源悟空芯片上线，并且可以支持originir量子程序参数， real_chip_type.origin_72 即为72比特芯片类型，使用方法可以参考 真实芯片计算服务
machine = QCloud() machine.set_configure(72,72); # online, xxx 替换为实际的用户api_token machine.init_qvm("XXX",False) qlist = machine.qAlloc_many(6) clist = machine.cAlloc_many(6) # 构建量子程序，可以手动输入，也可以来自OriginIR或QASM语法文件等 measure_prog = QProg() measure_prog << H(qlist[0])\ << CNOT(qlist[0], qlist[1])\ << CNOT(qlist[1], qlist[2])\ << Measure(qlist[0], clist[0])\ << Measure(qlist[1], clist[1])\ << Measure(qlist[2], clist[2]) batch_prog = [measure_prog for _ in range (6)] pmeasure_prog = QProg() pmeasure_prog << H(qlist[0])\ << CNOT(qlist[0], qlist[1])\ << CNOT(qlist[1], qlist[2]) prog_string = convert_qprog_to_originir(measure_prog, machine) originir_list = [convert_qprog_to_originir(prog, machine) for prog in batch_prog] real_chip_measure_result = machine.real_chip_measure(measure_prog, 1000, real_chip_type.origin_72) originir_result = machine.real_chip_measure(prog_string, 1000, real_chip_type.origin_72) print(real_chip_measure_result) print(originir_result)
2.ldd多控门分解接口( ldd_decompose )适配了RXX,RYY,RZX,RZZ,MS等特殊双门以及 QOracle 的受控形式，示例程序如下
from pyqpanda import * from scipy.stats import unitary_group machine = CPUQVM() machine.init_qvm() q = machine.qAlloc_many(5) c = machine.cAlloc_many(5) prog = QProg() prog << random_qcircuit(q, 10) # 生成任意酉矩阵 unitary_matrix = unitary_group.rvs(2**2,random_state=169384) prog << X([q[2], q[3], q[4]])\ << RXX(q[0], q[1], 1).control([q[2], q[3], q[4]])\ << RYY(q[0], q[1], 2).control([q[2], q[3], q[4]])\ << QOracle([q[0], q[1]], unitary_matrix).control([q[2], q[3], q[4]]) in_matrix = get_unitary(prog) def compare_complex_lists(list1, list2, tolerance=1e-6): array1 = np.array(list1) array2 = np.array(list2) real_close = np.allclose(array1.real, array2.real, atol=tolerance) imag_close = np.allclose(array1.imag, array2.imag, atol=tolerance) return real_close and imag_close out_matrix = get_unitary(ldd_decompose(prog)) import numpy as np if(compare_complex_lists(in_matrix, out_matrix)): print("ldd_decompose success.")
其他更新：
1.修复了ISWAP的dagger形式在多个虚拟机下的计算结果错误 2.修复了部分情况下pyqpanda导入依旧需要libcurl的问题
3.8.1 - 2023-12-25
新增功能和重要更新：
1.新增了稀疏态量子态初态接口，用于稀疏方式进行初态制备，需要满足初态归一化条件，代码示例：
machine = CPUQVM() machine.set_configure(72,72); machine.init_qvm() qlist = machine.qAlloc_many(6) clist = machine.cAlloc_many(6) sparse_state = {'000000' : 0.5 + 0.5j, '000001' : 0.5 + 0.5j} machine.init_sparse_state(sparse_state, qlist) prog = QProg() prog << I(qlist[0]) machine.directly_run(prog) probs = machine.get_qstate(); print(probs)
2.量子云虚拟机添加了批量任务提交，目前仅可用于芯片任务的批量任务提交。
machine = QCloud() machine.set_configure(72,72); #xxx替换为量子云用户token machine.init_qvm("XXX", True) qlist = machine.qAlloc_many(6) clist = machine.cAlloc_many(6) measure_prog = QProg() measure_prog << hadamard_circuit(qlist)\ << CZ(qlist[0], qlist[1])\ << Measure(qlist[0], clist[0])\ << Measure(qlist[1], clist[1])\ << Measure(qlist[2], clist[2]) batch_prog = [measure_prog for _ in range (6)] pmeasure_prog = QProg() pmeasure_prog << hadamard_circuit(qlist)\ << CZ(qlist[0], qlist[1]) batch_measure_result = machine.real_chip_measure_batch(batch_prog, 1000, real_chip_type.origin_72); print(batch_measure_result)
3.虚拟机计算模拟和originir指令添加了Mlmer–Srensen"逻辑门（MS门）
MS q[0],q[1]
4.新增了CircuitComposer，用于优化打印时的信息显示
import pyqpanda as pq from pyqpanda import circuit_composer def test_append(): circ1 = CircuitComposer(n_qubits) circuit = pq.QCircuit() circuit << pq.H(q[0]) << pq.CNOT(q[0], q[1]) << pq.CNOT(q[1], q[2]) circ1.append(circuit) circ1 << pq.BARRIER(q) circ1.append(pq.QFT(q[3:]), "QFT") print(circ1) print(circ1.circuit) if __name__ == '__main__': n_qubits = 6 qvm = pq.CPUQVM() qvm.init_qvm() q = qvm.qAlloc_many(n_qubits) test_append()
其他更新：
1.修复量子虚拟机set_configure设置与init的冲突，该问题会导致部分情况下的内存泄露
3.8.0 - 2023-10-31
更新和代码改动内容：
1.新增量子程序关于单双门数、层数、总逻辑门数量相关的统计接口 count_prog_info ,示例
# 统计 QProg 的信息 prog_info = count_prog_info(my_qprog) # 统计 QCircuit 的信息，并启用优化 optimized_info = count_prog_info(my_qcircuit, optimize=True) # 获取统计结果的各种属性 num_layers = prog_info.layer_num num_gates = prog_info.gate_num num_double_gates = prog_info.double_gate_num # ... 其他属性获取基于分层统计的量子程序数据分析，可用于评估量子程序的运行时间、深度及复杂度，有利于更好的对量子算法进行改进， 该接口同时提供了较为全面的可视化输出接口，具体可参考 量子程序统计
基于Clifford的
stabilizer模拟器添加了噪声模拟，目前仅支持比特翻转,相位反转,比特相位反转,去极化以及相位阻尼这五个噪声模型，具体可以参考下面的代码和 稳定器与Clifford模拟器 中的接口介绍。from pyqpanda import * machine = Stabilizer() machine.set_configure(72,72) machine.init_qvm() qlist = machine.qAlloc_many(6) clist = machine.cAlloc_many(6) measure_prog = QProg() measure_prog << X(qlist[0])\ << X(qlist[1])\ << CNOT(qlist[1], qlist[2])\ << CNOT(qlist[2], qlist[3])\ << measure_all(qlist, clist) machine.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR,GateType.PAULI_X_GATE,0.2) print(machine.run_with_configuration(measure_prog,10000))
将pyqpanda中关于算法部分全部移植到
pyqpanda-algorithm算法库，这个是一个独立于pyqpanda的算法模块包，详细模块和接口功能具体可见 pyqpanda-algorithm密度矩阵噪声设置现在可以正确叠加，参考如下代码:
machine = DensityMatrixSimulator() machine.init_qvm() prog = QProg() q = machine.qAlloc_many(2) c = machine.cAlloc_many(2) prog.insert(X(q[0]))\ .insert(CNOT(q[0], q[1])) density_matrix1 = machine.get_density_matrix(prog) # case 1 expectation: 00 -> 0.42 , 11 -> 0.58 machine.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.PAULI_X_GATE, 0.3) machine.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.PAULI_X_GATE, 0.3) density_matrix2 = machine.get_density_matrix(prog)
ClassicalCondition添加c_and、c_or、c_not功能，用于构建量子逻辑分支程序时实现复杂的表达式判断，可以参考下面的代码
p = QProg(); p << H(qubits[0]) \ << CNOT(qubits[0], qubits[1]) \ << H(qubits[2]) \ << Measure(qubits[0], cbits[0])\ << Measure(qubits[1], cbits[1])\ << Measure(qubits[2], cbits[2]) true_prog1 = QProg(); true_prog2 = QProg(); true_prog3 = QProg(); true_prog4 = QProg(); true_prog3 << X(qubits[2]); if_prog3 = create_if_prog((cbits[0] == 0).c_and(cbits[1] == 0).c_and(cbits[2] == 0), true_prog3)
修复和解决的问题：
修复量子态编码中关于复数数据重载函数在python中调用出现丢失虚部，导致只索引double类型接口错误。
解决某些使用GPU虚拟机情况下，cuda与Eigen3的运行冲突问题
修改了经典寄存器部分情况下有误，造成无法使用qif和qwhile的问题
优化了量子线路映射和转化过程中的错误
解决CPUQVM部分初始化和虚拟机释放场景下使用引入的内存泄漏问题
解决了部分映射接口在使用时异常出现程序崩溃和死循环的错误
修改了所有模拟器可能在计算含有BARRIER的量子程序过程中出错的问题
解决控制swap逻辑门，进行多控门分解时，控制信息丢失问题
3.7.17.1 - 2023-7-25
**本次小版本更新重点解决的问题如下: **
1.量子门统计相关接口，添加对枚举和整型的兼容性支持
from numpy import pi from pyqpanda import * machine = CPUQVM() machine.init_qvm() q = machine.qAlloc_many(3) c = machine.cAlloc_many(3) prog = QProg() prog =random_qprog(2,2,10,machine,q) count_result = count_qgate_num(prog, 7) #上版运行结果：报错，提示数据类型不兼容 #本次更新结果：正常运行得到结果 print(count_result)
2.解决单个比特在释放时(qFree接口)程序异常退出的严重性bug
from numpy import pi from pyqpanda import * machine = CPUQVM() machine.init_qvm() q = machine.qAlloc_many(3) c = machine.cAlloc_many(3) machine.qFree(q[0]) #上版运行结果：程序异常退出 #本次更新结果 : 程序正常结束 print("qFree success")
3.修复了qasm相关指令集转化接口，在重复调用时比特重复申请的异常
from numpy import pi from pyqpanda import * machine = CPUQVM() machine.init_qvm() # 编写QASM文件 f = open('test_qasm.txt', mode='w',encoding='utf-8') f.write("""// test QASM file OPENQASM 2.0; include "qelib1.inc"; qreg q[2]; creg c[2]; x q[0]; x q[1]; """) f.close() for i in range(5): prog_trans, qv, cv = convert_qasm_to_qprog("test_qasm.txt", machine) print(prog_trans) #上版运行结果：每次的线路比特都不一样 #本次更新结果 : 每次的线路完全相同
3.7.17 - 2023-5-22
新增功能和重要更新：
1.新增 Clifford模拟器 ，主要用于基础量子纠错场景以及高比特且稀疏的Clifford门集构成的量子线路模拟，具体接口可以参考 稳定器与Clifford模拟器 。
2.量子云虚拟机相关更新
（1）为了适配了新版本的本源量子云平台做了相关改动，对每个用户的认证标识符做了签名加密处理，但接口使用方式与之前相同 （2）完善相关的错误处理，现在出错和异常信息输出更加具体明确
3.新增Pauli算符与矩阵的转化接口，通过矩阵转换Pauli算符接口名为 matrix_decompose_hamiltonian ,示例如下：
import pyqpanda as pq import numpy as np matrix = np.array([[2,1,4,2],[1,3,2,6],[4,2,2,1],[2,6,1,3]]) hamiltonian = pq.matrix_decompose_hamiltonian(matrix) print(hamiltonian)
4.提供一种利用矩阵乘积态（MPS）的低秩表达近似分布振幅制备算法，可以通过一种较少的CNOT的门完成对分布振幅的表达，并且这种表达是一种近邻接形式，因此可以直接作用于芯片，由于双门个数的减少，也有利于增加分布制备的成功率。
import pyqpanda as pq import numpy as np N = 6 machine = pq.CPUQVM() machine.init_qvm() q = machine.qAlloc_many(N) input = np.random.rand(2**N) input = input/np.linalg.norm(input) print(input) cir_encode = pq.Encode() cir_encode.approx_mps(q,input) # 测保真度 print(cir_encode.get_fidelity(input)) #获取对应的线路 cir=cir_encode.get_circuit()#input [0.16112594 0.16100983 0.1400971 0.17698809 0.00271532 0.03514281 0.21320235 0.16615301 0.05702894 0.00801802 0.1383352 0.19258674 0.17222723 0.04907042 0.08964018 0.18973404 0.19969125 0.04078985 0.09852639 0.0812352 0.01124633 0.15024028 0.0052733 0.08204391 0.13542787 0.0063939 0.01784828 0.20612599 0.00029431 0.11172891 0.03021631 0.04188075 0.11371365 0.01309453 0.15079619 0.10912272 0.10914789 0.09004797 0.14673464 0.01355957 0.14773146 0.06804273 0.18411989 0.11896504 0.20181007 0.14760838 0.01292288 0.05372168 0.16185868 0.0282684 0.20429462 0.15065767 0.00913953 0.05270058 0.14767897 0.05914504 0.14426304 0.17902859 0.14117762 0.14085366 0.16269993 0.11606257 0.18384488 0.08961622] #保真度 0.9900438487247981
5.Pauli算符的构造函数现在提供可选参数，用于决定是否合并同类项，同时也可以显式调用手动合并函数
import pyqpanda as pq import numpy as np #默认不合并同类项 operator = pq.PauliOperator({"X0 Y2" : -0.044750, "Z0 Z1" : 0.189766, "Z1 Z0" : 0.270597, "Z3" : -0.242743}) print(operator) #合并同类项 operator = pq.PauliOperator({"X0 Y2" : -0.044750, "Z0 Z1" : 0.189766, "Z1 Z0" : 0.270597, "Z3" : -0.242743},True) print(operator) #手动合并 operator.reduce_duplicates()输出结果如下：
#默认不合并同类项 { "X0 Y2" : -0.044750, "Z0 Z1" : 0.189766, "Z0 Z1" : 0.270597, "Z3" : -0.242743 } #合并同类项 { "X0 Y2" : -0.044750, "Z0 Z1" : 0.460363, "Z3" : -0.242743 }上述可选合并默认参数的使用方式适用于以下Pauli算符的构造函数
import pyqpanda as pq import numpy as np operator = pq.PauliOperator({"X0 X1" : -0.044750, "Z0 Z1" : 0.189766}, True) operator = pq.PauliOperator(np.array([0, 1, 1, 0]).reshape(2, 2), True) operator = pq.PauliOperator("X0 X1", 0.122, True)
其他更新：
1.修复在某些情况下，GPU虚拟机无法在linux下运行的问题
2.修复pyqpanda画量子线路时，Barrier门会出现比特和图像不符的现象
3.在编译优化方面，解决了高深度量子线路编译时，偶尔出现的内存崩溃问题
4.修复部分振幅虚拟机，分解Toffoli门和CU门无法正确识别分解结果的问题，现在部分振幅虚拟机对全部的单双门和Toffoli门均有很好地支持
5.噪声虚拟机添加线程数量控制
6.解决密度矩阵噪声在算符类噪声施加比特参数的错误
3.7.16 - 2023-1-12
新增功能和重要更新:
1.新增 密度矩阵模拟器 ，适用于小型量子系统下的密度矩阵模拟，同时提供约化密度矩阵，概率分布，哈密顿量期望以及噪声线路模拟等接口，具体可以参考 密度矩阵模拟器 。
2.优化了泡利算符的构造方式，新增了通过矩阵来构造泡利算符的接口。
3.优化了泡利算符的构造方式，新增了形如 operator = 1.5 * x(0) + 0.6 * y(1) + 2.1 * z(2) 的更简洁的构造方式。
4.单振幅虚拟机添加获取对应振幅接口。
其他更新
1.修复在只有measure线路等情况下，输出latex信息显示和转换失败的问题。
2.更新变分组件，添加三角函数相关接口。
3.优化了获取矩阵接口，现在可以添加了量子比特可选参数，获取一个量子线路中指定比特对应的矩阵。
4.修复退相干噪声计算错误的问题。
5.修复某些情况下GPU模拟器运行错误问题。
6.修复ISWAP门默认参数未统一的问题。
7.删除Encode类中归一化函数，并修改为入参检测归一化。
pyqpanda相关项目
作为一款开源量子计算编程框架，pyqpanda为开发者提供了高效、易用的工具，以便在量子计算领域开展研究和应用。PyQpanda 提供了丰富的功能和特性，使得在量子算法、量子模拟和量子程序设计方面都能够得到有效的支持。
除了提供基本的量子编程功能，pyqpanda在其他项目中的应用也具有重要意义，具体如下：
pyqpanda-algorithm
pyqpanda-algorithm是基于pyqpanda的量子算法开发和运行环境工具包。为开发者提供了一套标准化的工具，让他们可以编写量子程序，这些程序可以很容易地移植到不同的量子计算平台上。是发展量子软件和推进量子计算研究的重要资源。
py-vqnet
深度学习是实现人工智能的一种现代方法。实现机器学习任务的框架有很多，但是计算资源限制了机器学习的性能。量子计算提供了一种革新计算机的方法，量子计算机可以利用量子理论、叠加和纠缠的特性来进行与经典计算机完全不同的计算。使用量子计算机加速机器学习训练是一种具备前瞻性的方法。
VQNet是本源量子软件开发团队基于经典的机器学习开发的一种可高效连接机器学习和量子算法的量子机器学习框架，可满足构建所有类型的量子机器学习算法。
基于经典的机器学习，VQNet在量子经典机器学习区域中生成了一个通用架构，融合了传统的机器学习任务和可变量子线路(Variational Quantum Circuit, VQC)。该框架让用户能够用一种常见的操作来构建量子线路，例如矩阵乘法，并允许前向和反向传播。用户能够将可训练的量子操作实现到神经网络中。该框架可实现量子-经典混合任务的训练，为量子机器学习开辟了一个新的领域。
py-chemiq
pyChemiQ就像是一款化学计算器，研究人员可以利用这款软件来计算材料合成与生物制药中的化学过程，便捷地利用量子计算机的算力解决和研究化学问题。
目前pyChemiQ提供丰富的功能和python API接口，包括：
支持输入分子结构得到二次量子化后的Fermion Hamiltonian
丰富的映射功能：Jordan-Wigner变换、Bravyi-Kitaev变换、Parity变换和Multilayer Segmented Parity(MSP) 变换
多种拟设方法：Unitary Coupled Cluster（UCC）、Hardware-Efficient、symmetry-preserved
不同优化器可选择：NELDER-MEAD、POWELL、COBYLA、L-BFGS-B、SLSQP和Gradient-Descent