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