今年大赛的四大亮点：
-
黑客松大赛新增热身赛道，零基础起步，助您开启量子计算之旅，探索新世界。
-
专家团队提供全方位服务：赛题解读和演练、课程培训、答疑等，帮助开发者快速成长。
-
体验全新一代通用量子计算套件MindSpore Quantum和首发的量子模拟加速引擎QuPack。
-
荣誉殿堂展播，黑客松决赛大奖、鼓励奖、推广奖等多重奖项可叠加。
假期赛程，炎炎夏日，潜研希尔伯特空间。初赛截止7月23日，决胜在8月17日。
1 参赛对象和赛程安排
对量子计算感兴趣，具备基本Python编程能力的所有开发者，均可报名参加。
热身赛为量子计算基础学习和编程演练，初赛为量子应用算法开发，分量子化学模拟和量子组合优化两个独立赛道，可单选或同时挑战，决赛包括量子应用算法开发和答辩。
2 热身赛答题指导
热身赛为量子计算基础学习和编程演练。
第一步：关注MindSpore Quantum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。
热身参考文档：
https://competition.huaweicloud.com/informations/mobile/1000041884/circumstance
可以看到，在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。
MindQuantum教程：https://hiq.huaweicloud.com/tutorial/parameterized_quantum_circuit
MindQuantum API参考：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/index.html
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，并且受第一个比特控制。本题要求X门作用在第二个比特上，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。
on方法的API文档：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.gates.html#mindquantum.core.gates.BasicGate.on
点击下方链接，观看6月14日赛题讲解视频
蔻享：https://m.koushare.com/lives/room/261155
扫码观看赛题讲解视频
第二题：
这道题考的是如何对量子线路进行压缩。在MindQuantum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。
Circuit类：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.circuit.html#mindquantum.core.circuit.Circuit
compress()：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.circuit.html#mindquantum.core.circuit.Circuit.compress
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。
reverse_qubits()：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.circuit.html#mindquantum.core.circuit.Circuit.reverse_qubits
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+=的方式添加到原先的线路的后面，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。
mindquantum.core.circuit：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.circuit.html
add_suffix()：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.circuit.html#mindquantum.core.circuit.add_suffix
第五题：
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H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，对应于式子。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。
TimeEvolution：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.operators.html#mindquantum.core.operators.TimeEvolution
mindquantum.core.operator：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.operators.html
第六题：
第6-9题都来源于同一个算法实践教程：通过量子神经网络对鸢尾花进行分类，可以进入链接参考详细内容。
https://hiq.huaweicloud.com/tutorial/classification_of_iris_by_qnn
此题需要我们将图中的encoder线路搭建出来。代码中已经搭建好了H和RZ这前两层，需要我们搭建的是红框部分。
因此，我们要在12行的区域搭建CNOT+RZ+CNOT这样的线路结构。通过观察作用的比特位和循环计数器 j 的关系，可以这样实现：X.on(j + 1, j)是CNOT门，RZ(f'alpha{j+4}').on(j + 1)是含参RZ门，然后再作用一次CNOT门，这样就实现了encoder线路的搭建。
第七题：
此题需要我们将图中的ansatz线路搭建出来。代码中已经给出了HardwareEfficientAnsatz模块，我们可以基于此模块搭建图中Ansatz。
可以看到，Ansatz中需要RY旋转门，并且纠缠层用的CNOT门（受控X门），一共作用在4个比特上，需要3层线路。因此可以这样实现：
HardwareEfficientAnsatz(4, single_rot_gate_seq=[RY], entangle_gate=X, depth=3).circuit
这样就完成了Ansatz线路的搭建。
HardwareEfficientAnsatz：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.algorithm.nisq.html#mindquantum.algorithm.nisq.HardwareEfficientAnsatz
第八题：
此题需要我们构造出哈密顿量Z2，Z3。在MindQuantum中，Hamiltonian模块是一个包装器，可以将用Qubitoperator构造的一些泡利算符包装成哈密顿量。因此这题可以这样实现：
[Hamiltonian(QubitOperator(f'Z{i}')) for i in [2, 3]]
这样就完成了哈密顿量的构造。
Hamiltonian：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.operators.html#mindquantum.core.operators.Hamiltonian
Qubitoperator：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.core.operators.html#mindquantum.core.operators.QubitOperator
第九题：
此题需要我们用get_expectation_with_grad接口得到先前搭建的变分量子线路的梯度算子。get_expectation_with_grad接口是mindquantum.simulator.Simulator类的一个方法，接受哈密顿量和线路，返回一个梯度算子。这个梯度算子可以接受变分线路中参数的值，然后返回对应的期望值和梯度。
因此，我们可以将先前构造的哈密顿量和线路输入到get_expectation_with_grad接口中：
grad_ops = sim.get_expectation_with_grad(hams, circuit)
这样就生成了可以计算期望值和梯度的算子grad_ops。
get_expectation_with_grad：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.simulator.html#mindquantum.simulator.Simulator.get_expectation_with_grad
mindquantum.simulator.Simulator：
https://mindspore.cn/mindquantum/docs/zh-CN/r0.8/mindquantum.simulator.html#mindquantum.simulator.Simulator
3 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/1000041884/invite
