变异量子因式分解 介绍 该存储库包含Eric R. Anschuetz，Jonathan P. Olson，AlánAspuru-Guzik，Yudong Cao的文章“可变量子因式”中提出的算法的实现。 它在上。 代码中的符号直接指的是本文中的符号。 我讲了这个项目，这可能是一个很好的介绍。 您可以找到它并且幻灯片在presentation.pdf文件的此存储库中。 由于QAOA是算法的重要组成部分，因此，如果您不熟悉它，您可能会发现很有帮助。 要求 该项目严重依赖pyquil和grove库。 不幸的是，在我开发该项目时，发行版中存在一些对该项目至关重要的错误。 因此，我从源代码安装了它们： pyquil，提交sha： f22a851d5803e0a6aa73b236c25d28a5fcdb0116 格罗夫，commit-sha： dc6bf6ec63e8c435fe52b1e

低剂量CT（LDCT）扫描是减少人群中X射线辐射的一种潜在方法。 有必要提高低剂量CT图像的质量。 在本文中，我们提出了一种有效的算法，用于利用剪切波变换去除LDCT图像中的量子噪声。 因为可以通过泊松过程来模拟量子噪声，所以我们首先使用安斯科姆方差稳定变换（VST）对量子噪声进行变换，从而产生具有单位方差的近似高斯噪声。 其次，通过在小波域中的自适应硬阈值处理获得无噪声的小波系数。 第三，我们使用逆剪切波变换来重建去噪图像。 最后，将anscombe逆变换应用于降噪后的图像，从而可以产生改进的图像。 主要贡献是将anscombe VST与Slicelet变换相结合。 通过这种方式，可以有效地将边缘系数和噪声系数与高频子带分离。 使用所提出的方法对一些LDCT图像进行了许多实验。 定量和视觉结果均表明，该方法可以有效地减少量子噪声，同时增强细微的细节。 在临床应用中具有一定的价值。

量子布洛赫球模拟器 在具有各种量子噪声通道和门的布洛赫球体中模拟纯量子态和混合量子态。 各种组件的效果实时显示在布洛赫球体的右侧。 布洛赫球体 这里显示了两个布洛赫球：一个在顶部，一个在底部。 顶部球体代表 Bloch 球体，不受左下角选项卡中设置的任何影响。 这些更改将在底部球体中显示。 顶部球体可以由用户旋转，底部球体将随之移动。 计算表示密度矩阵的 Bloch 球体中的向量使用以下公式完成： ρ = 1/2 (I + a⋅ σ) 这里 a 是系统的 Bloch 向量，I 是单位。 σ 表示三个 Hermitian、无迹泡利矩阵，也称为用作 X 门、Y 门和 Z 门的矩阵。 可以通过计算这些泡利矩阵与密度矩阵的乘法的迹来检索布洛赫向量。 结果数字将是向量的坐标。 量子态 在左上角的面板中，最多可以构建 4 个状态并将其添加到 Bloch 球体中。 可以使用两种方法构造状态： 第一个

量子计算入

量子计算资源集合 | 关注/与我联系： 捐赠/支持 查看我的作品（进行中！） 关注/与我联系 关注/与我联系 关于 您好 :waving_hand: 欢迎来到这个惊人且维护良好的量子计算资源库[Code + Theory]，我在IBM，Qubit x Qubit和编码学校的《量子计算入门》课程21期间定期更新 此存储库中的当前内容和计划内容： 1.使用Qiskit-IBM SDK编程量子计算机的指导项目 任务 内容（点击查看） 任务1 任务2 任务3 任务4 任务5 2.CERN量子计算实用入门 演讲 链接查看 讲座1 第二讲 第三讲 讲座4 讲座5 讲座6 讲座7 3.备忘单 没

资源来自pypi官网，解压后可用。 资源全名：aliro_quantum-2.10.0-py3-none-any.whl

介绍 Quantum Katas是一系列自定进度的教程和编程练习，可帮助您学习量子计算和Q＃编程。 每个kata都是独立的练习集，包括： 一系列任务从轻而易地完成。 每个任务都需要您填写一些代码。 第一个任务可能只需要一行，而最后一个任务可能需要相当复杂的代码。 建立，运行和验证解决方案的测试框架。 每个任务都包含一个最初失败的。 一旦编写了使测试通过的代码，就可以继续执行下一个任务。 解决任务可能需要量子计算和Q＃参考资料的链接。 提示，参考解决方案和详细说明可帮助您解决问题。 Quantum Katas还包括一些教程，从必要的数学（复数和线性代数）开始，向学习者介绍量子计算中使

DFTB +：用于执行快速原子计算的通用软件包 DFTB +是用于基于密度泛函紧密结合方法进行快速量子力学原子计算的软件包。 最新的功能在。 DFTB +既可以用作独立程序，也可以作为库集成到其他软件包中。 安装 下载二进制发行版 最新的稳定发行版的二进制（线程）发行版可以在上找到。 另外，您也可以通过框架安装DFTB +。 （此功能目前处于试验阶段。） 从源头建造 注意：本节介绍在典型Linux环境中使用默认设置（仅提供DFTB +中所有可能功能的子集）的构建。 有关构建定制和构建过程的更多详细信息，请参阅的详细构建说明。 从下载源代码。 您需要CMake（> = 3.16）来构建DFTB +。 如果您的环境不提供CMake或仅提供旧版本，则可以通过Python的pip命令轻松安装最新的CMake： pip install cmake 通过将编译器作为环境变量（ FC和CC

官方离线安装包，测试可用。请使用rpm -ivh [rpm完整包名] 进行安装

The challenge posed by the many-body problem in quantum physics originates from the difficulty of describing the non-trivial correlations encoded in the exponential com- plexity of the many-body wave function. Here we demonstrate that systematic machine learning of the wave function can reduce this complexity to a tractable computational form, for some notable cases of physical interest. We introduce a variational repre- sentation of quantum states based on artificial neural networks with variable number of hidden neurons. A reinforcement-learning scheme is then demonstrated, capable of either finding the ground-state or describing the unitary time evolution of complex interacting quantum systems. We show that this approach achieves very high accuracy in the description of equilibrium and dynamical properties of prototypical interacting spins models in both one and two dimensions, thus offering a new powerful tool to solve the quantum many-body problem.