qml.math

该包包含用于框架无关的张量和数组操作的统一函数。根据输入的类似张量的对象，调用会分派到相应的数组操作框架，从而允许保持端到端的微分。

警告

这些函数是实验性的，仅支持一部分常见功能。此外，这些函数的名称和行为可能与常见框架中的类似函数不同；请参考函数文档字符串以获取更多细节。

当前支持以下框架：

• NumPy

• 自动微分

• 张量流

• 深度学习框架

• JAX

函数

add(*args[, like])	逐元素添加参数。
allclose(a, b[, rtol, atol])	如果两个数组在容差范围内逐元素相等，则返回 True。
allequal(tensor1, tensor2, **kwargs)	如果两个张量在给定轴上逐元素相等，则返回True。
array(*args[, like])	创建目标框架的数组或张量对象。
block_diag(值[, 类似])	将一系列 2D 张量组合成一个块对角张量。
cast(张量, 数据类型)	将给定的张量转换为新类型。
cast_like(tensor1, tensor2)	将一个张量转换为与另一个相同的数据类型。
concatenate(值[, 轴, 类似])	沿指定轴连接一系列张量。
convert_like(tensor1, tensor2)	将一个张量转换为与另一个相同的类型。
cov_matrix(prob, obs[, wires, diag_approx])	计算一组可交换观测量的协方差矩阵，给定系统在共享特征基中的联合概率分布。
detach(张量[, 类似])	从张量中分离其迹，并仅返回其数值。
diag(值[, k, like])	从一组标量构造对角张量。
dm_from_state_vector(状态[, 检查状态, ...])	便捷函数，用于从状态向量计算（完整）密度矩阵。
dot(tensor1, tensor2[, like])	返回两个张量的矩阵或点积。
einsum(indices, *operands[, like, optimize])	对操作数评估爱因斯坦求和约定。
expand_matrix(mat, wires[, wire_order, ...])	根据全局导线顺序，对由一组导线标签定义的子空间上作用的矩阵进行重新表达。
expand_vector(向量, 原始_wires, ...)	将向量扩展到更多的线。
expectation_value(operator_matrix, state_vector)	计算一个算符 respecto 一个纯态的期望值。
eye(*args[, like])	创建目标框架的单位数组或张量对象。
fidelity(state0, state1[, check_state, c_dtype])	计算两个状态的保真度（以密度矩阵的形式给出），作用于相同大小的量子系统。
fidelity_statevector(state0, state1[, ...])	计算两个状态的保真度（以状态向量的形式给出），作用于相同大小的量子系统上。
frobenius_inner_product(A, B[, normalize, like])	两个矩阵之间的Frobenius内积。
get_dtype_name(x)	一种与接口无关的获取数据类型名称的方法。
get_interface(*值)	根据给定的张量类型对象或张量类型对象序列，确定正确的框架以进行分发。
get_canonical_interface_name(user_input)	帮助函数以获取标准接口名称。
get_deep_interface(值)	给定一个深层数据结构，底部具有特定于接口的标量，返回它们的接口名称。
get_trainable_indices(值[, 类似])	返回一个包含可训练索引的值序列的集合。
grad(f[, argnums])	以类似于jax的方式计算任何接口的梯度。
in_backprop(张量[, 接口])	如果张量被认为处于反向传播环境中，则返回True，它适用于Autograd、TensorFlow和Jax。
is_abstract(张量[, 像])	如果张量被认为是抽象的，则返回True。
is_independent(函数, 接口, 参数[, ...])	测试一个函数是否独立于其输入参数，包括数值和解析方法。
iscomplex(张量[, 类似])	如果张量具有非零复数分量，则返回 True。
jacobian(f[, argnums])	以jax的方式计算任何接口的雅可比矩阵。
marginal_prob(概率, 轴)	根据作为张量表示的联合概率分布计算边际概率。
max_entropy(状态, 索引[, 基数, ...])	计算给定子系统的密度矩阵的最大熵。
min_entropy(state, indices[, base, ...])	计算密度矩阵的最小熵。
multi_dispatch([argnum, tensor_list])	用于调度接口处理的参数的装饰器。
mutual_info(state, indices0, indices1[, ...])	计算给定状态下两个子系统之间的互信息：
ones_like(张量[, 数据类型])	返回一个与输入张量形状和数据类型相同的全为一的张量。
partial_trace(矩阵, 索引[, c_dtype])	通过对提供的索引进行追踪计算约化密度矩阵。
purity(状态, 索引[, 检查状态, 数据类型])	计算密度矩阵的纯度。
reduce_dm(密度矩阵, 索引[, ...])	从用密度矩阵表示的状态计算密度矩阵。
reduce_statevector(state, indices[, ...])	从状态向量计算密度矩阵。
relative_entropy(state0, state1[, base, ...])	计算一个状态相对于另一个状态的量子相对熵。
requires_grad(张量[, 接口])	如果张量被认为是可训练的，则返回 True。
sqrt_matrix(density_matrix)	计算密度矩阵的平方根矩阵，其中 \(\rho = \sqrt{\rho} \times \sqrt{\rho}\)
scatter_element_add(tensor, index, value[, like])	在张量的各个索引上对多维值进行就地加法。
stack(值[, 轴, 类似])	沿指定轴堆叠一系列张量。
svd(张量[, 像])	计算每个接口中张量的奇异值分解。
tensordot(tensor1, tensor2[, axes, like])	返回两个张量的张量积。
trace_distance(state0, state1[, ...])	计算两个量子态之间的迹距离。
unwrap(值[, 最大深度])	将一系列对象解包为NumPy数组。
vn_entropy(状态, 索引[, 基数, ...])	计算给定子系统上的密度矩阵的冯·诺依曼熵。
vn_entanglement_entropy(state, indices0, ...)	计算给定状态下两个子系统之间的冯·诺依曼纠缠熵。
where(条件[, x, y])	根据布尔张量条件从x或y中返回选择的元素，或返回满足条件的条目的索引。

代码/qml_math

 

下载 Python 脚本

 

下载笔记本

 

在GitHub上查看