MERLIN

MerLin est un cadre d'apprentissage automatique quantique photonique qui apporte la puissance des algorithmes hybrides quantiques-classiques directement dans vos modèles d'IA – aucune expertise quantique n'est requise. Conçu pour les praticiens du ML et de l'IA, MerLin fournit des couches quantiques compatibles avec PyTorch qui améliorent vos réseaux neuronaux grâce aux avantages uniques du traitement quantique.

Construit pour aujourd'hui, prêt pour demain

MerLin combine des simulateurs optimisés par le GPU avec un accès direct aux processeurs quantiques photoniques de Quandela disponibles dans le nuage.

• Sur les simulateurs : prototypes de modèles à grande échelle avec un nombre élevé de photons, accélérés par NVIDIA CUDA-Q pour des performances supérieures.
• Sur le matériel : exécutez vos modèles sur des dispositifs quantiques réels dès aujourd'hui, en accédant à un véritable comportement quantique photonique.
• à l'épreuve du temps : les modèles développés dans MerLin sont transférables à la prochaine génération d'ordinateurs quantiques tolérants aux pannes, conformément à la feuille de route de Quandela.

Cette double voie garantit que votre travail est à la fois pratique aujourd'hui et évolutif pour l'avenir.

Libérez les avantages de Apprentissage automatique quantique

MerLin rend les avantages de l'apprentissage automatique quantique accessibles aux praticiens de l'IA dès aujourd'hui :

• Amélioration de la précision
• Efficacité des ressources et réduction de la consommation d'énergie
• Une meilleure évolutivité, permettant des modèles plus vastes et plus complexes
• Convergence plus rapide, accélération des boucles de formation grâce à l'optimisation hybride

Pour les développeurs, les chercheurs et les entreprises

Que vous soyez un développeur d'IA cherchant à améliorer les performances de ses modèles, un chercheur quantique explorant de nouvelles architectures ou une équipe d'entreprise développant des applications pérennes, MerLin fournit les outils dont vous avez besoin. Ajoutez des couches quantiques pour réduire le nombre de paramètres, accélérer l'apprentissage et accéder à l'informatique quantique photonique de pointe, le tout via une interface PyTorch familière.