重复执行前向计算、损失评估、梯度计算和参数更新。
MODULE / 02 · QUANTUM MACHINE LEARNING
ArcQML
量子机器学习框架
连接参数化量子线路、状态模拟、自动微分与经典优化器，为量子神经网络的构建、训练和验证提供统一执行流程。
ArcQML量子与经典训练闭环
- 核心能力
- Automatic Differentiation
- 实验负载
- Quantum Neural Network
- 对比维度
- Training / Validation
FRAMEWORK / 01
连接量子线路
与经典训练流程
框架以统一接口组织数据编码、参数化量子线路、梯度计算和参数更新，并为不同量子机器学习后端保留一致的实验入口。
- 01数据与参数输入
准备训练样本、线路结构与可训练参数。
- 02参数化线路执行
在目标模拟后端完成量子态演化与测量。
- 03梯度计算
连接损失函数与自动微分流程，生成参数梯度。
- 04经典参数更新
由优化器迭代参数并进入下一轮训练。
WORKFLOW / 02
训练与验证
共享统一执行后端
训练阶段关注完整迭代开销，验证阶段关注固定参数下的执行效率。两组结果共同反映框架在不同线路深度与线程配置下的表现。
使用训练后的参数执行模型，比较不同框架的验证总时间。
分别固定电路层数或线程数，观察并行扩展与线路规模带来的影响。
RESULTS / 03 · QNN OVERVIEW
QNN 综合
性能总览
以 ArcQML 的运行时间为基准（1），对比不同框架完成相同 QNN 任务的相对耗时。柱状图采用对数刻度，数值越小，代表运行时间越短。
RESULTS / 04 · QNN BENCHMARK
QNN 训练与验证
性能结果
固定电路层数，横轴改变线程数量，观察不同框架的并行扩展表现。
01 / 05
RESULTS / 05 · VQE OVERVIEW
VQE 综合
性能总览
以 ArcQML 的时间和峰值内存为基准（均为 1），对比不同框架执行 VQE 的综合开销。横轴为相对时间，纵轴为相对峰值内存；越靠近左下方，时间与内存开销越低。
RESULTS / 06 · VQE DETAILS
VQE 时间与内存
详细结果
固定 VQE 电路层数，横轴改变量子比特数量，对比不同框架的时间与峰值内存开销。
01 / 03