MerLin 0.3是一个由Quandela开发的开源框架，旨在系统探索光子和混合量子机器学习（QML）。该框架基于Perceval SDK构建，利用强线性光学模拟（SLOS）在PyTorch原生环境中执行精确的量子态计算。其核心架构是QuantumLayer，这是一个torch.nn.Module，支持线性光学电路的端到端可微分训练。通过预计算稀疏光子数跃迁图，MerLin框架能够直接在标准经典AI流程中加速基于梯度的电路参数优化，如移相器和分束器的调整。

MerLin框架支持多种数据编码方法，包括用于类似傅里叶特征映射的角度编码和用于态向量初始化的幅度编码。QuantumBridge抽象通过将基于量子比特的门映射到光子双轨或QLOQ编码，实现了跨范式架构比较。MerLin还通过MerlinProcessor接口设计为硬件感知执行，便于将混合模型组件卸载到物理量子处理单元（QPU），例如Quandela的Belenos系统。此外，它集成了噪声模型和探测器特定语义，包括光子数分辨探测器和阈值探测器，允许研究者在训练阶段模拟硬件约束。

为解决量子机器学习中的可重复性挑战，MerLin框架包含了一个包含18篇复现的顶尖论文库，涵盖量子核、储备池计算和卷积架构。这些模块化实验为在统一条件下比较光子和基于门的模式提供了标准化基准。从这些复现中获得的技术洞察表明，光子变分量子电路（VQC）的表达能力随输入光子数线性扩展，而无需增加电路深度。这种经验方法旨在将QML从孤立的演示转向一个用于评估量子效用的有纪律的工程框架。

MerLin框架：可微分光子量子机器学习的新工具