DynexSDK（Dynex软件开发工具包） Dynex是基于DynexSolve芯片算法的世界上第一个神经形态超级计算区块链，采用了“有用工作证明”（PoUW）方法来解决现实世界的问题。Dynex SDK 用于与Dynex平台进行交互和计算。所有示例都需要使用Python的DynexSDK以及有效的API密钥。我们的存储库会持续更新，请定期查看以获取更新。
使用DyneX技术在本地计算机（MainNet=false）上进行计算是免费的。它允许在使用Dynex神经形态计算云之前对本地机器上的计算问题进行采样，主要用于代码的原型设计和测试。主网上的计算在DNX中根据使用情况收费。用户可以在Dynex市场上查询他的余额余额。在DyneX上计算的成本是基于供应和需求的，而工资较高的计算工作是优先考虑的。值“ Current Avg Block Fee ”显示计算的当前平均价格。它定义了每2分钟生产一次的每个区块的支付金额。根据芯片的数量(num_reads)、持续时间 (annealing_time)、计算问题的大小和复杂性，您的计算只会调用整个网络的一小部分。计算的价格被计算为基本“块费用”的一部分，并在计算过程中显示在Python界面以及DyneX市场的“使用”部分。 Dynex SDK提供了以下方法来估算计算作业的实际成本，然后在主作业上对其进行采样：使用Dynex技术在本地计算机上进行计算（MainNet=false）是免费的。它允许在使用DyneX神经形态计算云之前对本地机器上的计算问题进行采样，主要用于代码的原型设计和测试。主网上的计算在DNX中根据使用情况收费。用户可以在Dynex市场上保持他们的余额。在DyneX上计算的成本是基于供应和需求的，而工资较高的计算工作是由工人优先考虑的。值“ Current Avg Block Fee ”显示计算的当前平均价格。它定义了每2分钟生产一次的每个区块的支付金额。这取决于芯片的数量（_读取的数量）、持续时间（_退火时间）、计算的大小和复杂性。
model = dynex.BQM(bqm);
dynex.estimate_costs(model, num_reads=10000);
[DYNEX] AVERAGE BLOCK FEE: 282.59 DNX
[DYNEX] SUBMITTING COMPUTE FILE FOR COST ESTIMATION...
[DYNEX] COST OF COMPUTE: 0.537993485 DNX PER BLOCK
[DYNEX] COST OF COMPUTE: 0.268996742 DNX PER MINUTE
使用以下命令下载并安装Dynex SDK：
pip install dynex
然后按照安装Dynex SDK中的说明配置SDK. 建议首先下载Dynex SDK Hello World示例 Dynex SDK Hello World Example 以了解如何使用Dynex神经形态平台的基本步骤。
Dynex SDK文档:
Dynex SDK 专业社区:
为了让新手快速熟悉如何在Dynex平台上进行计算，我们准备了一些Python Jupyter笔记本。以下是一些初学者指南，演示了如何使用Dynex SDK。
- 示例：使用Python在Dynex平台上进行计算 - 二进制二次优化问题
- 示例：使用Python在Dynex平台上进行计算 - 二进制二次优化问题 K4完全图
- 示例：使用Python在Dynex平台上进行计算 - 逻辑门
- 示例：使用Python在Dynex平台上进行计算 - QUBO
- 示例：使用Python在Dynex平台上进行计算 - 反交叉问题
- 示例：使用Python在Dynex平台上进行计算 - 最大独立集
- 示例：使用Python在Dynex平台上进行计算 - SAT
- 示例：使用Python在Dynex平台上进行计算 - NAE3SAT
以下是一些高级的代码示例和笔记本，可用于在Dynex神经形态计算平台上进行计算：
-
示例：流体动力学量子计算（CFD | 科学背景：流体动力学量子计算算法介绍，Sachin S.Bharadwaj和Katepalli R.Sreenivasan，机械与航空航天工程系，STO-教育笔记论文，2022
-
示例：烟草花叶病毒RNA折叠 | 科学背景：Fox DM，MacDermaid CM，Schreij AMA，Zwierzyna M，Walker RC。使用量子计算机进行RNA折叠，PLoS Comput Biol。2022年4月11日；18(4)：e1010032。doi：10.1371/journal.pcbi.1010032。PMID：35404931；PMCID：PMC9022793
-
示例：量子单图像超分辨率 | 科学背景：Choong HY，Kumar S，Van Gool L。单图像超分辨的量子退火。在计算机视觉和模式识别2023 IEEE / CVF会议文集中的论文（第1150-1159页）。
-
示例：充电站的布置 | 科学背景：Pagany，Raphaela＆Marquardt，Anna＆Zink，Roland。 （2019）。电动充电需求位置模型-一种基于用户和目的地的电动汽车充电站的布置方法。可持续性。11。2301。10.3390/su11082301
-
示例：使用Dynex scikit-learn插件进行乳腺癌预测 | 科学背景：Bhatia，H.S.，Phillipson，F.（2021）。在D-Wave量子退火器上实现支持向量机的性能分析。在：Paszynski，M.，Kranzlmüller，D.，Krzhizhanovskaya，V.V.，Dongarra，J.J.，Sloot，P.M.A.（eds）计算科学-ICCS 2021。ICCS 2021。计算机科学讲义（），第12747卷。斯普林格，香槟
-
示例：量子整数分解 | 科学背景：江，S.，Britt，K.A.，McCaskey，A.J.等。 量子退火用于素数分解。科学报告8，17667（2018）
-
示例：酶靶标预测 | 科学背景：Hoang M Ngo，My T Thai，Tamer Kahveci，QuTIE：酶靶标的量子优化，生物信息学进展，2023；，vbad112
用于机器学习的量子计算算法利用了量子力学的力量来增强机器学习任务的各个方面。由于量子计算和神经形态计算都具有相似的特征，因此这些算法也可以在Dynex平台上有效地计算，但不受有限量子比特、错误校正或可用性的限制。
量子支持向量机（QSVM）： QSVM是一种受量子启发的算法，旨在使用量子核函数对数据进行分类。它利用了量子叠加和量子特征映射的概念，在某些情况下可能在某些场景中比经典SVM算法提供更高的计算优势。
量子主成分分析（QPCA）： QPCA是经典主成分分析（PCA）算法的量子版本。它利用量子线性代数技术从高维数据中提取主成分，从而在量子机器学习中更有效地降维。QPCA是经典主成分分析（PCA）算法的量子版本。它利用量子线性代数技术从高维数据中提取主成分，从而在量子机器学习中更有效地降维。
量子神经网络（QNN）： QNN是经典神经网络的量子对应物。它利用了量子原理，如量子叠加和纠缠，来处理和操作数据。QNN有潜力学习复杂的模式并执行分类和回归等任务，从量子并行性中受益。
量子K均值聚类： 量子K均值是经典K均值聚类算法的量子启发变体。它使用量子算法同时探索多个解决方案，以加速大规模数据集的聚类任务。
量子Boltzmann机器（QBMs）： QBMs是用于无监督学习的量子类似于经典Boltzmann机器的算法。QBMs利用量子退火从概率分布中采样并学习数据中的模式和结构。
量子支持向量回归（QSVR）： QSVR扩展了QSVM的概念，用于回归任务。它使用量子计算技术执行回归分析，可能在效率和准确性方面比经典回归算法具有优势。
以下是在Dynex平台上实施这些算法的一些示例：
-
示例：在Dynex上实施量子支持向量机 | 科学背景：Rounds, Max and Phil Goddard. 《使用量子退火器进行信用评分和分类的最佳特征选择.》 (2017)
-
示例：在Dynex上的量子支持向量机（PyTorch） | 科学背景：Rounds, Max and Phil Goddard.《使用量子退火器进行信用评分和分类的最佳特征选择.》(2017)
-
示例：在Dynex上的量子Boltzmann机器（PyTorch） | 科学背景：Dixit V, Selvarajan R, Alam MA, Humble TS and Kais S (2021)使用 D 波量子退火器训练受限玻尔兹曼机. Front. Phys. 9:589626. doi: 10.3389/fphy.2021.589626; Sleeman, Jennifer, John E. Dorband and Milton Halem.《混合量子启用的 RBM 优势：用于量子图像压缩和生成学习的卷积自动编码器》 Defense + Commercial Sensing (2020)
-
示例：在Dynex上的量子Boltzmann机器实施（3步QUBO） | 科学背景：Dixit V, Selvarajan R, Alam MA, Humble TS and Kais S (2021) 使用 D 波量子退火器训练受限玻尔兹曼机. Front. Phys. 9:589626. doi: 10.3389/fphy.2021.589626; Sleeman, Jennifer, John E. Dorband and Milton Halem. 《混合量子启用的 RBM 优势：用于量子图像压缩和生成学习的卷积自动编码器》 Defense + Commercial Sensing (2020)
-
示例：在Dynex上的量子Boltzmann机器（协同过滤） | 科学背景：Dixit V、Selvarajan R、Alam MA、Humble TS 和 Kais S (2021) 使用 D-Wave 量子退火器训练受限玻尔兹曼机。 正面。 物理。 9:589626。 doi：10.3389/fphy.2021.589626； 詹妮弗·斯利曼、约翰·E·多班德和米尔顿·哈勒姆。 “混合量子启用 RBM 优势：用于量子图像压缩和生成学习的卷积自动编码器。” Defense + Commercial Sensing (2020)
-
示例：在Dynex上实施量子Boltzmann机器 | 科学背景：Dixit V、Selvarajan R、Alam MA、Humble TS 和 Kais S (2021) 使用 D-Wave 量子退火器训练受限玻尔兹曼机。 正面。 物理。 9:589626。 doi：10.3389/fphy.2021.589626； 詹妮弗·斯利曼、约翰·E·多班德和米尔顿·哈勒姆。 “混合量子启用 RBM 优势：用于量子图像压缩和生成学习的卷积自动编码器。” Defense + Commercial Sensing (2020)
-
示例：模式辅助的无监督学习受限制Boltzmann机器（MA-QRBM for Pytorch） | 科学背景：模式辅助的无监督学习受限制Boltzmann机器，通信物理学卷3，文章编号：105（2020）
-
示例：特征选择 - 泰坦尼克号幸存者 | 科学背景：Xu Vinh Nguyen、Jeffrey Chan、Simone Romano 和 James Bailey。 2014。基于互信息的特征选择的有效全球方法。 第 20 届 ACM SIGKDD 知识发现和数据挖掘国际会议 (KDD '14) 的会议记录。 计算机协会，美国纽约州纽约市，512–521
-
示例：使用Dynex scikit-learn插件进行乳腺癌预测 | 科学背景：巴蒂亚，H.S.，菲利普森，F.（2021）。 D-Wave 量子退火器上支持向量机实现的性能分析。 见：Paszynski, M., Kranzlmüller, D., Krzhizhanovskaya, V.V., Dongarra, J.J., Sloot, P.M.A.（编）计算科学 – ICCS 2021. ICCS 2021. 计算机科学讲义(), vol 12747. Springer, Cham
Dynex神经形态Torch层可以用于任何神经网络模型。欢迎使用混合模型、神经形态、迁移学习和联邦学习与PyTorch。 PyTorch
-
示例：在Dynex上的量子Boltzmann机器（PyTorch） | 科学背景: Dixit V、Selvarajan R、Alam MA、Humble TS 和 Kais S (2021) 使用 D-Wave 量子退火器训练受限玻尔兹曼机。 正面。 物理。 9:589626。 doi：10.3389/fphy.2021.589626； 詹妮弗·斯利曼、约翰·E·多班德和米尔顿·哈勒姆。 “混合量子启用 RBM 优势：用于量子图像压缩和生成学习的卷积自动编码器。” Defense + Commercial Sensing (2020)
-
示例：在Dynex上的量子支持向量机（PyTorch） | 科学背景: 朗斯，麦克斯·戈达德和菲尔·戈达德。 “使用量子退火器进行信用评分和分类的最佳特征选择。” (2017)
感谢Richard H. Warren的开创性研究,现在可以直接将Qiskit量子电路翻译成Dynex神经形态芯片。这个概念的背后是将Qiskit对象直接翻译，但是不是在IBM Q上运行，而是在Dynex神经形态平台上执行电路。以下是使用这种方法的一个一比特加法器电路示例：
from dynexsdk.qiskit import QuantumRegister, ClassicalRegister
from dynexsdk.qiskit import QuantumCircuit, execute
# 输入寄存器：
a = qi[0]；b = qi[1]；ci = qi[2]
qi = QuantumRegister(3)
ci = ClassicalRegister(3)
# 输出寄存器：
s = qo[0]；co = qo[1]
qo = QuantumRegister(2)
co = ClassicalRegister(2)
circuit = QuantumCircuit(qi, qo, ci, co)
# 定义加法器电路
for idx in range(3):
circuit.ccx(qi[idx], qi[(idx+1) % 3], qo[1])
for idx in range(3):
circuit.cx(qi[idx], qo[0])
circuit.measure(qo, co)
# 运行
execute(circuit)
# 输出
print(circuit)
此包提供了一个用于使用Dynex神经形态计算平台进行特征选择的scikit-learn转换器。它专为与scikit-learn集成而构建，这是一种行业标准的、最先进的Python机器学习库。
Dynex scikit-learn 插件使在ML工作流程的特征选择方面更容易使用Dynex平台。特征选择是机器学习的关键构建块，它是确定一小组最具代表性特征以改善模型训练和性能的问题。有了这个新的插件，ML开发人员不需要成为优化或混合求解方面的专家，就能获得商业和技术上的双重好处。创建特征选择应用程序的开发人员可以构建与scikit-learn集成的管道，然后更轻松高效地将Dynex平台嵌入到这个工作流程中。
D-Wave量子计算机作为一个接受任何问题的离散优化引擎已经广泛研究，该问题被制定为二次不受约束的二进制优化（QUBO）。2008年，Google和D-Wave发表了一篇论文, Training a Binary Classifier with the Quantum Adiabatic Algorithm,介绍了Qboost集成方法是如何使二进制分类适于量子计算的：该问题被制定为一组弱分类器的阈值线性叠加，D-Wave量子计算机用于在学习过程中优化权重，力求最小化训练错误和弱分类器数量。
Dynex QBoost Implementation 提供了一个QBoost算法插件，可用于使用Dynex神经形态平台。
Dimod是一种共享的采样器API。它提供了二次模型的类，例如包含Dynex神经形态平台或D-Wave系统采样器使用的Ising和QUBO模型的二进制二次模型（BQM）类，以及高阶（非二次）模型、采样器和复合采样器的参考示例，以及构建新采样器和复合采样器的抽象基类。
PyQUBO允许您轻松地从灵活的数学表达式创建QUBO或Ising模型。它基于Python（C++后端），与Ocean SDK完全集成，支持约束的自动验证，并提供参数调整的占位符。
根据GNU通用公共许可证第3版授权。请参阅Dynex包中的许可证文件。