智算套件
核心能力
量子线路构建
灵活的量子线路设计与参数化量子门操作
量子机器学习
量子-经典混合的变分量子算法与量子神经网络
量子化学
量子计算求解分子哈密顿量与基态能量
量子优化
QAOA 等量子近似优化算法的高效实现
快速开始
Terminal
# 安装
$ pip install mindquantum
# 使用示例
from mindquantum.core.circuit import Circuit
from mindquantum.core.gates import H, CNOT, RY
# 构建参数化量子线路
circ = Circuit()
circ += H.on(0)
circ += CNOT.on(1, 0)
circ += RY('theta').on(0)交互环境
交互环境即将上线
MindQuantum 在线 Notebook 与交互 Demo 正在接入中，敬请期待
关联科学任务
查看全部 →第一性原理哈密顿量预测
基于第一性原理计算的材料电子结构哈密顿量预测任务，通过机器学习方法从原子结构信息快速预测材料哈密顿量矩阵，实现高效精准的量子力学计算。
基于密度泛函理论的多体量子力学模拟
基于密度泛函理论(DFT)的多体量子力学模拟方法，利用机器学习技术加速电子结构计算，有效解决大规模量子体系计算成本高、精度不足的难题，为材料性质预测提供高效解决方案。
第一性原理电荷密度预测
利用深度学习方法从原子结构信息直接预测第一性原理电荷密度分布，替代耗时的自洽场迭代计算，大幅加速材料电子性质的量子力学计算，为高通量材料筛选提供关键技术支撑。
密度泛函理论交换关联泛函优化
利用深度学习技术优化密度泛函理论中的交换关联泛函，提升电子结构计算精度与效率，加速新材料发现与分子设计过程。