100x
量子加速比
6+
国产GPU适配
99.9%
框架兼容性
10K+
开发者社区
核心特性
面向下一代AI计算的量子经典融合架构，为大模型训练与推理提供极致性能
量子经典混合计算
将量子计算无缝融入经典深度学习流程，利用量子并行性加速大模型的训练与推理，突破经典计算瓶颈
量子线路优化混合梯度计算量子纠错
国产GPU全面兼容
深度适配华为昇腾、寒武纪、海光DCU、天数智芯、壁仞科技、摩尔线程等国产GPU，助力算力自主可控
昇腾910B思元590海光DCU
主流框架原生支持
与 PyTorch、Jax、PaddlePaddle 等深度学习框架深度集成，无需修改现有代码即可接入量子加速能力
PyTorchJaxPaddlePaddle
大模型训练加速
针对 Transformer 架构深度优化，支持量子注意力机制、量子特征映射，显著提升大模型训练效率
量子Attention分布式训练混合精度
量子安全通信
内置量子密钥分发（QKD）协议支持，为分布式训练和模型部署提供后量子时代的安全保障
QKD协议抗量子加密安全推理
混合云部署
支持本地量子模拟器与云端真实量子处理器的无缝切换，灵活部署满足不同场景需求
量子云接入弹性调度一键部署
技术架构
四层架构设计，从量子硬件到上层应用的全栈覆盖
应用层
大模型训练|量子机器学习|量子化学模拟|组合优化
框架层
PyTorch 集成|Jax 集成|PaddlePaddle 集成|自动微分引擎
编译层
量子线路编译|算子融合优化|国产GPU适配|量子纠错编码
硬件层
量子处理器|昇腾 NPU|寒武纪 MLU|海光 DCU|NVIDIA GPU
快速开始
三步即可体验量子经典融合计算的强大能力
01
安装 FlagQuantum
pip install flagquantum02
创建量子线路
import flagquantum as fq
qc = fq.QuantumCircuit(4)
qc.h(0)
qc.cx(0, 1)03
混合训练
model = fq.hybrid(
quantum_layer=qc,
classical=torch_model
)
model.train(data)生态支持
完善的工具链与生态系统，覆盖从开发到部署的全流程
🔬
FQ Studio
可视化量子线路设计与调试工具
🌐
FQ Hub
预训练量子模型与数据集共享平台
📊
FQ Benchmark
量子经典混合计算性能评测套件
📖
FQ Docs
详尽的文档与教程资源中心