量子门在深度学习中的应用

Question

我正在研究深度学习中的混合经典量子模型。我不明白哈达玛门和CNOT门在量子训练层的使用。该代码使用 Hadamard 层、CNOT 层和旋转编码。

这是代码

def H_layer(nqubits):
    """Layer of single-qubit Hadamard gates.
    """
    for idx in range(nqubits):
        qml.Hadamard(wires=idx)

def RY_layer(w):
    """Layer of parametrized qubit rotations around the y axis.
    """
    for idx, element in enumerate(w):
        qml.RY(element, wires=idx)

def entangling_layer(nqubits):
    """Layer of CNOTs followed by another shifted layer of CNOT.
    """
    # In other words it should apply something like :
    #CNOT  CNOT  CNOT  CNOT...  CNOT
    #   CNOT  CNOT  CNOT...  CNOT
    for i in range(0, nqubits - 1, 2): #loop over even indices: i=0,2,...N-2
        qml.CNOT(wires=[i, i + 1])
    for i in range(1, nqubits - 1, 2): #loop over odd indices:  i=1,3,...N-3
        qml.CNOT(wires=[i, i + 1])  

为什么代码使用hadamrad门和CNOT门？

Answer 1

该模型似乎通过应用 H 门然后应用所有 CNOT 将两组不同的纠缠量子位设置为贝尔态。

鉴于您共享的代码，我不清楚将两组纠缠量子位分开为偶数和奇数背后的逻辑