前言　PREFACE

在20世纪中叶，量子论的建立和不断完善带来了技术的重大突破，耳熟能详的半导体、激光器、核能等都是这一次量子技术革命的产物。在摩尔定律和登纳德缩放比例都逐渐失效的同时，高级应用程序很难再直接受益于芯片性能的飞速提升。另外，信息化不断融入社会的每个角落，以及科学技术的进步，都在不断地产生数据，并产生算力的需求。在这些新增算力需求中，以运行人工智能程序为代表的智能算力占据着主要角色。这一趋势也带来了计算机体系架构的革新，为特定领域语言设计特定领域处理器，以软硬一体的方式带来应用程序运行效率的提升。在这其中，谷歌的TPU、华为的腾AI芯片、百度的昆仑AI芯片等不约而同地选择了对神经网络在芯片上的运行进行优化。接下来的十年会是芯片架构设计的黄金时期，这是领域同行的共识。半导体集成电路工艺对AI芯片算力的提升再一次助推智能算力需求，相应地，CPU算法持续提升的瓶颈也是硅电半导体AI处理器的难题。目前正在发生的第二次量子技术革命，产生的量子计算机和量子处理器是摩尔定律瓶颈的有效解决方案。解铃还须系铃人，自然界背后的量子理论定律产生的算力提升难题，只有深刻地认识并加以利用，以物理计算逻辑的革新解决量子物理的限制，才可以真正地再次带来算力飞速提升的黄金时代，而智能算力的极速扩张仍然会是许多年之后社会经济和科学研究的主要诉求，量子人工智能是迎合以上需求的开端。

量子人工智能是以量子物理底层芯片的运行逻辑尝试重新描述人工智能算法和应用。量子计算机已经在特定的问题上表现出相比传统算法和经典计算机的绝对优势，经典计算机也在这些案例的启发下进一步提升了算法实现。科学进步带来的技术发展过程中的曲折，并不影响描述自然规律的语言所揭示的技术方向。量子人工智能是衔接最具潜力的硬件技术与最迫切算力需求场景的必要尝试，也是用新的工具提升现有人工智能方法的有意义的措施。在这个过程中，来自这个领域的专家学者们迫切地希望能够寻找或是开发出新的、更有效的量子算法、AI架构或者更有意义的深入融合。量子人工智能不论在学术界还是工业界都是一颗冉冉升起的新星，上海交通大学和图灵量子技术团队的成员有幸见识到了它的魅力。

在这里，不乏会有一些让高才生或者高级专业技术人员望而却步的难题。软件分层和极简主义的设计风格是一个普适性的解决方案。通过量子神经网络的封装和实现方式的开源，一个受欢迎的量子人工智能框架需要做到易用性和专业性的平衡。易用性是一个因人而异的问题，对于一个量子物理专家，难的或许是人工智能算法，而对于深度学习的开发者，量子纠缠或许又会成为一些人脑子里的死结，这样看来易用性本身是一个与受众群体有关的词汇。相比量子计算编程，深度学习开发者已经颇具规模并形成了自己的生态，PyTorch更是其中的佼佼者，重新开发一个深度学习工具包并不是最难的，难的是已经形成的开源代码和开发者技能、习惯的培养并不是一时能够改变的。在量子计算领域也有类似的现象，当大家提及量子编程时第一时间想到的、能接触到的专业资料很大概率上会是IBM的Qiskit。同时我们也期待诸如PaddlePaddle、MindSpore等国产深度学习工具的用户生态能够不断完善。在现阶段，基于PyTorch开发环境构建Qiskit风格的量子神经网络开发工具，毫无疑问可以使更大规模的群体从正在进行的开源项目中获益。

以芯片最终要服务于行业场景的观点出发，行业用户和量子算力的解决方案是最终的诉求。以AI作为桥梁，量子计算可以使沿用更加成熟的人工智能应用实现的逻辑，通过赋能人工智能技术解决更加广泛的实际问题。作为在深度学习模型中加入量子计算模块，并用于多领域热点问题求解器的示例，我们策划的开源项目中也包含了冠状病毒RNA序列变异预测、光伏器件中的吸光材料结构相变搜索、药物设计中的蛋白靶点结合能力预测，以及基因表达用于分子设计等模块揭示量子计算可以在解决实际问题中发挥效用的一些可能性。我们也希望这些开源项目能够成为兴趣爱好者了解量子人工智能算法设计和应用的便捷路径，启发更多想法和方案的诞生，促进国内量子人工智能乃至量子计算行业的蓬勃发展。

在完成全书的过程中，来自图灵量子算法应用部门的靳羽欣、李翔宇、李昱霖、刘丹聃、孙瀛吉、田泽卉、王诗瑜、赵翔、张方言和软件组的徐晓俊等为完善各章节内容均贡献了自己的力量。张方言、郭晓敏、李昱霖在清华大学出版社编辑们的指导和帮助下一同修订了书中文字、代码样式、插图等内容。本书的完成离不开大家的共同努力。

本书主要包括以下内容：

第1章介绍量子计算和人工智能的背景。

第2章介绍量子计算的基础框架和量子物理知识。

第3章介绍经典自编码网络、变分自编码网络、量子自编码网络和案例分析。

第4章介绍卷积神经网络、量子卷积神经网络和量子图循环神经网络。

第5章介绍注意力机制，主要包括注意力机制背景、量子注意力机制、量子注意力机制代码实现，以及图注意力机制和代码实现。

第6章介绍量子对抗网络，主要包括经典生成对抗网络算法、量子对抗自编码网络和完全监督的对抗自编码网络算法等。

第7章介绍强化学习的概念与理论，包括什么是强化学习、强化学习方法和基于参数化量子逻辑门的强化学习方法。

第8章介绍量子机器学习的模型评估。

第9章介绍基于TorchScript的量子算子编译，包括术语、类型、类型注释、TorchScript编译量子模型、自动求导机制和量子算子编译原理等。

第10章介绍经典的StyleGAN模型、量子QuStyleGAN模型及代码、生成表现。

第11章介绍强化学习的案例。

第12章介绍蛋白靶点亲和能力预测案例。

第13章介绍基因表达的案例分析。

附录部分主要介绍构建人工神经网络模型的基础知识。

编者

2023年2月