量子计算
动机：
- 最近要参加CCF司南杯，开始学习量子计算相关的知识；加上这学期也选修了VLSI设计导论[IC设计基础课程]就想结合两者对比学习。
LearningPath：
首先粗略学习了大赛官方推荐的开源入门书籍：量子计算编程与入门，感觉对量子计算有了基础的了解，也感觉打开了新世界的大门，哈哈。
课程推荐：北大前沿计算研究中心-李彤阳老师-量子计算课程，这位老师也是量子领域大牛，上课板书很详细，1.5倍速比较容易理解。每节课视频的后五分钟有本节课的总结内容，复习的时候可以很好地回顾。
赛题：
题目一：PUBO优化
【问题背景】
一般而言，QAOA算法常被用于解决QUBO（二次二值无约束优化）算法。然而在部分现实应用中，PUBO（多次二值无约束优化）问题也有对应求解需求。PUBO可以直接利用QAOA求解，也可以利用替换变量的方式变为更多变量的QUBO问题。 QAOA算法在真实量子芯片运行时，一般会遇到拓扑结构问题，需要进行线路编译优化。其中，双门深度可以被当作一个比较重要的指标。
【问题描述】
给定一个PUBO问题： 现在有需要在X和Y两类材料中各挑选出m和n种材料组成某个复合材料，其中X类材料有M种，分别记作x₁, x₂, ⋯, xₘ，Y类材料有N种，分别记作y₁, y₂, ⋯, yₙ。
我们使用材料的两种属性得分作为评估复合材料的依据，属性得分来自于不同XY材料组合得分之和。对于任意一组(xᵢ, yⱼ)组合，属性一得分为αᵢⱼ，属性二得分为βᵢⱼ，总得分则为所有m×n种组合对应的得分之和。目标要求最终复合材料的属性一得分尽可能接近A，属性二得分尽可能接近B。
- 例如：在X中选择了x₁, x₃, x₅(m=3)，在Y中选择了y₀, y₂(n=2)，则属性一得分为α₁₀ + α₁₂ + α₃₀ + α₃₂ + α₅₀ + α₅₂，属性二得分为β₁₀ + β₁₂ + β₃₀ + β₃₂ + β₅₀ + β₅₂。
问题1：使用合适的编码手段，将问题转化为二值优化问题（不限多项式次数），并设计对应的QAOA算法，给出哈密顿量。
问题2：在第一问基础上，以M=5, N=5, m=3, n=2为例，在72量子比特、网格型的拓扑结构（见下）上实现p=1的QAOA线路，包括Cost层和Mixer层，以U3+CNOT+BARRIER+MEASURE作为基本门对线路进行合理排布，使得以独立CNOT层数作为评分，CNOT层数尽可能少。选手可以随机生成αᵢⱼ, βᵢⱼ, γ, β ≠ 0。
题目二：量子深度学习
【赛题设计】
具体任务
- 在本次挑战中，我们需要您建立一个图像类别预测模型来回答对于一幅给定的图像X，该图像中部分区域描述了一类物体，系统需要给出其具体属于哪种类别C，类别C取值可以是“猫”、“狗”等，或是“汽车”、“飞机”等，具体图像类别信息详见数据简介。
数据简介
- 目前在深度学习领域中图像分类常用的数据集之一为CIFAR10数据集，包含6万张带有标签的图像，涵盖了10个不同的类别：飞机、汽车、猫、狗等。本次比赛基于CIFAR10数据集，用于训练的图片总数约为5万张，测试集图片约有1万张。
后记：
- ** 队友摆烂，只获得优胜奖