第六届·2024 MindSpore 量子计算黑客松火热进行中。本次大赛由量子信息网络产业联盟主办，昇思 MindSpore Quantum 社区承办，多所高校和单位联合举办。开发者将全面体验全新一代通用量子计算框架 MindSpore Quantum。

热身赛为量子计算基础学习和编程演练。完成热身赛的前 100 名选手将有机会获得定制文化衫 1 件，数量有限，不容错过。

第一步：关注 MindQuantum 代码仓，参见量子软件编程指南。

第二步：注册并完成华为云账号实名认证。

第三步：登录HiQ量子计算云平台进行在线答题。

热身赛参考文档：https://competition.huaweicloud.com/information/1000042022/noise

每道题目的上方都有两个链接：MindQuantum教程和MindQuantum API参考。两个链接中都能找到题目的解答。小技巧：在MindQuantum API参考中搜索题目中的关键词，可以快速找到对应的内容。

热身赛通过攻略视频回放：https://www.koushare.com/live/details/33684

第一题

这道题考的是如何在线路中用 on 的方式添加量子门，在 MindQuantum 中，每个量子门都有 on 方法，比如 X.on(0, 1)就意味着将 X 门作用在第 0 个比特上，并且受第 1 个比特控制。本题要求 X 门作用在第 2 个比特上，受第 0 个和第 1 个比特控制。因此可以用 X.on(2, [0, 1])来表示。可以看到，on 方法的第二个参数可以接受包含多个控制位的列表，因此可以方便的添加多控制门。详细用法可以参考 on方法的API文档。

第二题

这道题考的是如何对量子线路进行压缩。在 MindSpore Quantum 中，Circuit类是量子线路模块，其中实现了很多操作量子线路的方法。其中就有一个方法可以压缩线路，接口名就叫作compress()。因此，这道题调用compress()方法就可以成功通过了。

第三题

这道题考的是线路翻转，也就是说，我们需要将线路的比特顺序上下颠倒。题中给出了一个很长的线路，但是我们并不需要关心线路的具体内容，因为Circuit类中有一个方法可以直接实现线路翻转的功能——reverse_qubits()，我们在代码中直接调用该方法就可以成功通过了。

第四题

这道题考的是如何给参数化量子线路中的变量名添加后缀，掌握这种技巧就可以很方便的搭建变分量子线路了。在mindquantum.core.circuit模块中，add_suffix()函数就可以实现添加后缀的功能。具体来说，它需要接受一个量子线路和一个后缀字符串作为输入参数，然后返回一个添加了后缀的新的量子线路。选手只需要将这个新的量子线路通过+=的方式添加到新构造的线路后面，就可以构造出多层的变分线路了。题中的代码如下：

首先我们需要将add_suffix()函数 import 进来。题目中需要搭建 3 层线路，因此可以用一个循环实现，在每次循环中都对 new_circ 用+=的方式添加add_suffix()函数返回的新线路，后缀字符串设置为循环计数器的值 p，就可以成功通过题目了。

第五题

题目中给出了所有需要用到模块的链接，点击即可查看用法。其中，第三个门——RY 受控门可以用 RY 门简单搭建出来：circ += RY(0.1).on(1, 0) 。QubitOperator 可以构造泡利算子，Hamiltonian 则是构造哈密顿量的类，因此题中的哈密顿量可以这样构建：ham = Hamiltonian(QubitOperator(“X0 Y1”)) 。最后，运行 sim.get_expectation(ham, circ) 就得到哈密顿量的期望值了。

第六题

mindquantum.algorithm.nisq 中可以看到各种已实现的 Ansatz 线路，只需要传入比特数和层数即可构造（题中 ansatz 为 RYCascade），构造完成后，circ = RYCascade(n_qubits, depth).circuit 就得到 ansatz 线路了。

第七题

这题考的是 Rn 门的构造，以及如何求变分线路参数关于哈密顿量的期望值和梯度。Rn 门有 3 个参数，因此可以像这样构造含参线路： circ += Rn(‘a’,’b’,’c’).on(0) ，哈密顿量的构造方法与第五题类似：ham = Hamiltonian(QubitOperator(“Z0”)) ，梯度算子需要调用模拟器的类方法来得到：grad_ops = sim.get_expectation_with_grad(ham, circ) ，得到的梯度算子可以传入线路参数的具体数值，并返回相应的期望值和梯度： f, g = grad_ops(np.array([alpha, beta, gamma])) ，由于题目需要求α的导数值，最后将得到的梯度值的第一个参数的实部返回即可：return np.real(g[0,0,0]) 。

第八题

此题中涉及的数学概念较多，但总的来说考的是 TimeEvolution 模块的使用，下面我们详细分析一下。

TimeEvolution类属于mindquantum.core.operator模块，主要功能是根据哈密顿量生成式子对应的量子线路。它接受两个输入参数：第一个是哈密顿量 H，第二个是演化时间 t。调用TimeEvolution().circuit方法将返回一个量子线路，对应于算符。在某些情况下，生成的线路只是

理论值的一种近似，因此会出现精度问题，而这种近似可以通过增加近似阶数 n 来提高精度（具体近似公式如题中所述）。在本题中，我们需要用TimeEvolution生成 n 阶的近似线路，并与理论计算得到的精确值相比较。

可以看到，在题目代码中已经给出了哈密顿量 H（第 7 行）和精确值 m1（第 8 行），并且在循环中给出了线路对应的矩阵 m2（第 14 行），以及 m1 与 m2 比较的代码（第 15 行）。我们只需要补充第 12 行，即：用TimeEvolution生成 n 阶的近似线路。

在近似公式中可以发现，所谓 n 阶近似，就是将演化时间 t 除以 n，变成，再将该式子作用 n 次，即。这个式子可以这样构造：括号中的式子可以用TimeEvolution模块生成量子线路，然后将该线路重复 n 次，即可得到 n 阶近似线路。我们可以很简洁的实现整个过程：TimeEvolution(h, 1.0/n).circuit*n，一行简短的代码就构造出了 n 阶近似。

之后这个线路的矩阵 m2 会与理论解 m1 相比较，如果达到精度 1e-2 的话，则跳出循环，这样就得到了达到精度所需的最小的 n。

第九题

本题考的是如何在线路中添加噪声。在 MindQuantum 中，通过ChannelAdder可以构建噪声模型。首先我们通过 GateSelector 设置需要添加噪声的门，然后用MixerAdder结合想要添加的噪声，例如：MixerAdder([GateSelector('x'),DepolarizingChannelAdder(0.05, 1)]) 。Y 门和 CNOT 门以此类推，最后，通过 SequentialAdder 结合成一个噪声模型：

第十题

本题考虑的是运行真实量子硬件的情况，此时我们无法直接求得关于哈密顿量的期望值，只能通过处理多次采样获得的比特串来得到结果。 假设线路末态为，则期望值为（因为）。在采样 10000 次后，得到的比特串分布应当近似于相应的系数，因此可以认为：a=res.data.get('00', 0)/shots，以此类推，最后将计算出的期望值返回即可。

大赛报名 &邀请好友参赛

点击查看奖品和操作步骤：https://competition.huaweicloud.com/information/1000042022/invite

奖品图片仅做参考，以实际收到奖品为准，数量有限，先到先得！

大赛链接：https://competition.huaweicloud.com/information/1000042022/introduction

点击关注，第一时间了解华为云新鲜技术~