MerLin 0.3 est un framework open-source développé par Quandela, conçu pour explorer systématiquement l'apprentissage automatique quantique (QML) photonique et hybride. Basé sur le SDK Perceval, il utilise la simulation forte d'optique linéaire (SLOS) pour effectuer des calculs précis d'états quantiques dans un environnement PyTorch natif. Son architecture centrale est la QuantumLayer, un torch.nn.Module qui prend en charge l'entraînement différentiable de bout en bout pour les circuits d'optique linéaire. En pré-calculant des graphes de transition de nombres de photons clairsemés, le framework MerLin peut accélérer directement l'optimisation des paramètres du circuit basée sur le gradient, comme l'ajustement des déphaseurs et des diviseurs de faisceau, dans des flux de travail classiques d'IA standard. 
Le framework MerLin prend en charge plusieurs méthodes d'encodage de données, y compris l'encodage angulaire pour des mappages de caractéristiques de type Fourier et l'encodage d'amplitude pour l'initialisation des vecteurs d'état. L'abstraction QuantumBridge permet des comparaisons d'architectures trans-paradigmes en mappant des portes basées sur des qubits vers des encodages photoniques double rail ou QLOQ. MerLin est également conçu pour une exécution consciente du matériel via l'interface MerlinProcessor, facilitant le déchargement de composants de modèles hybrides vers des unités de traitement quantique physiques (QPU), comme le système Belenos de Quandela. De plus, il intègre des modèles de bruit et des sémantiques spécifiques aux détecteurs, y compris des détecteurs à résolution de nombre de photons et des détecteurs à seuil, permettant aux chercheurs de simuler les contraintes matérielles pendant la phase d'entraînement.
Pour relever les défis de reproductibilité dans l'apprentissage automatique quantique, le framework MerLin comprend une bibliothèque de 18 reproductions de publications de pointe, couvrant les noyaux quantiques, les réservoirs informatiques et les architectures convolutionnelles. Ces expériences modulaires fournissent des références standardisées pour comparer les paradigmes photoniques et basés sur des portes dans des conditions unifiées. Les insights techniques tirés de ces reproductions indiquent que le pouvoir d'expression des circuits quantiques variationnels (VQC) photoniques s'étend linéairement avec le nombre de photons d'entrée, sans nécessiter d'augmentation de la profondeur du circuit. Cette approche empirique vise à faire passer le QML de démonstrations isolées vers un cadre d'ingénierie discipliné pour évaluer l'avantage quantique.
