Рабочий стол для распознавания квантовых состояний

Q-Net Lab — десктопное приложение с нейросетевыми моделями. Загрузите измерения, обучите модель и получите распознанные состояния с отчётом — без собственных скриптов.

О нас

Q-Net Lab — приложение для тех, кто работает с квантовыми состояниями: лабораторий, университетов и разработчиков квантовых устройств.

Мы убираем рутину между измерением и результатом: импорт данных, фильтрация сигнала, обучение модели и распознавание — в одном окне, без собственных скриптов.

На выходе — понятный отчёт: какое состояние распознано, с какой вероятностью и где модель ошиблась.

Что такое Q-Net Lab

Приложение читает сигналы с выхода квантового устройства и определяет, в каком состоянии была система.

С ростом числа кубитов отличить состояния по одиночным отсчётам всё сложнее: пороговые методы ошибаются. Нейросеть учится на ваших измерениях и относит каждую запись к состоянию с вероятностью — точность выше 90% на отложенной выборке.

  1. 01Измерениесырые отсчёты с устройства
  2. 02Модельнейросеть, обученная на ваших данных
  3. 03Состояниеметка состояния и вероятность

Три режима считывания

Q-Net Lab работает с тремя типами систем — от одного кубита до целого регистра.

Два уровня: |0⟩ и |1⟩

Модель различает состояния по массиву отсчётов — без ручной калибровки порогов и подбора амплитуд.

  • 2 уровня
  • FNN
  • фильтрация + FNN

input .csv / .npz  ·  model FNN / filter+FNN  ·  accuracy > 0.90

Как это работает

Пять шагов от файла с измерениями до отчёта — каждый шаг виден на экране, а не в консоли.

  1. 01

    Импорт данных

    Загружаете выборку в .csv или .npz — приложение распознаёт колонки и метки само.

  2. 02

    Фильтрация

    Свёрточные фильтры, фильтры распада и возбуждения — по отдельности или вместе.

  3. 03

    Обучение

    Обучаете полносвязную сеть с нуля или дообучаете готовую модель на новых данных.

  4. 04

    Распознавание

    Классификация выбранной моделью: состояние и вероятность по каждой записи.

  5. 05

    Отчёт

    График accuracy, матрица ошибок, выгрузка результата и сохранение сессии.

Спецификация

Короткий паспорт продукта — без маркетинга.

Без командной строки

Все операции — в графическом интерфейсе: импорт, обучение, фильтры, распознавание и экспорт отчёта.

Точность
Свыше 90% на отложенной выборке эталонных данных
Модели
Полносвязная сеть (FNN) и связка «фильтрация + FNN»
Входные данные
Файлы .csv и .npz, без ограничения по числу записей в пределах RAM
Стек
Python 3.10, PyTorch, NumPy, SciPy, Pandas, Matplotlib, Seaborn, PyQt
Платформа
Windows, оперативная память от 8 ГБ
Документация
Руководство пользователя, README и журнал операций logs.txt
Выгрузка
Результаты распознавания, отчёты и сохранённая сессия работы

Вопросы

Коротко о том, что чаще всего спрашивают перед демо.

Какие данные можно загрузить?

Файлы .csv — таблица признаков с метками — и .npz — массивы NumPy. Один файл соответствует одной выборке, состояние сопоставляется с меткой автоматически.

Нужна видеокарта?

Нет. Приложение рассчитано на Windows и 8 ГБ оперативной памяти. Для тяжёлых выборок обучение на GPU будет быстрее, но это не обязательное требование.

Какая точность распознавания?

Свыше 90% на отложенной выборке эталонных данных. На ваших измерениях цифра будет зависеть от качества сигнала и размера выборки — метрики видны прямо в интерфейсе.

Есть ли версия для macOS или Linux?

Сейчас поддерживается Windows. О других платформах напишите нам — соберём список запросов и вернёмся с ответом.

Как проходит демо?

30–40 минут онлайн. Показываем прототип на демонстрационном наборе, а если есть свои данные — разбираем их: импорт, обучение, распознавание и отчёт.

Запросить демо

Покажем прототип на ваших данных: загрузку выборки, обучение модели и распознавание состояний с разбором результата.

  • 30–40 минут, онлайн
  • Ваш датасет или демонстрационный набор
  • Разбор метрик и границ применимости

demo · online · 30–40 min

Контакты

Ответим в течение рабочего дня и подберём формат демонстрации под ваши данные.

Почтаinfo@qnetlab.ru
Телефон+7 (495) 000-00-00
Адрес125438, г. Москва, Лихоборская наб., д. 4, к2, кв. 39
РуководительАртём Соловьев, генеральный директор
Запросить демо

Или напишите на почту — приложите пример данных, если он есть.

Made on
Tilda