Q-Net Lab — десктопное приложение с нейросетевыми моделями. Загрузите измерения, обучите модель и получите распознанные состояния с отчётом — без собственных скриптов.
accuracy / epoch
confusion matrix
recognized states
Поддержка: Фонд содействия инновациям
Q-Net Lab — команда ООО «Измерительные квантовые системы». Мы делаем программное обеспечение, которое снимает с исследователя рутину обработки квантовых данных.
Идея простая: исследователь должен заниматься физикой, а не писать скрипты классификации. Поэтому мы собрали импорт, фильтрацию, обучение модели, распознавание и отчёт в один интерфейс.
За проектом стоит генеральный директор Артём Соловьев. Первый этап уже позади: зарегистрировано юридическое лицо, разработано техническое задание и начат прототип приложения.
11 месяцев · 3 этапа · прототип в работе
Выберите систему — интерфейс и модель подстроятся под число уровней.
Модель различает состояния по массиву отсчётов — без ручной калибровки порогов и подбора амплитуд.
Классификация по трём состояниям сразу — там, где бинарный порог даёт ошибку на средней точке.
Модель смотрит на все каналы считывания сразу и учит корреляции между соседними кубитами.
input .csv / .npz · model FNN / filter+FNN · accuracy > 0.90
Пять шагов от файла с измерениями до отчёта — каждый шаг виден на экране, а не в консоли.
Загружаете выборку в .csv или .npz — приложение распознаёт колонки и метки само.
Свёрточные фильтры, фильтры распада и возбуждения — по отдельности или вместе.
Обучаете полносвязную сеть с нуля или дообучаете готовую модель на новых данных.
Классификация выбранной моделью: состояние и вероятность по каждой записи.
График accuracy, матрица ошибок, выгрузка результата и сохранение сессии.
Короткий паспорт продукта — без маркетинга.
Без командной строки
Все операции — в графическом интерфейсе: импорт, обучение, фильтры, распознавание и экспорт отчёта.
Коротко о том, что чаще всего спрашивают перед демо.
Файлы .csv — таблица признаков с метками — и .npz — массивы NumPy. Один файл соответствует одной выборке, состояние сопоставляется с меткой автоматически.
Нет. Приложение рассчитано на Windows и 8 ГБ оперативной памяти. Для тяжёлых выборок обучение на GPU будет быстрее, но это не обязательное требование.
Свыше 90% на отложенной выборке эталонных данных. На ваших измерениях цифра будет зависеть от качества сигнала и размера выборки — метрики видны прямо в интерфейсе.
Сейчас поддерживается Windows. О других платформах напишите нам — соберём список запросов и вернёмся с ответом.
30–40 минут онлайн. Показываем прототип на демонстрационном наборе, а если есть свои данные — разбираем их: импорт, обучение, распознавание и отчёт.
Покажем прототип на ваших данных: загрузку выборки, обучение модели и распознавание состояний с разбором результата.
demo · online · 30–40 min
Ответим в течение рабочего дня и подберём формат демонстрации под ваши данные.
Или напишите на почту — приложите пример данных, если он есть.