cirq

Cirq - Python による量子コンピューティング

Cirq は Google Quantum AI によるオープンソースフレームワークで、量子回路を設計、シミュレーション、そして量子コンピューターやシミュレーターで実行するためのものです。

インストール

uv pip install cirq

ハードウェア連携の場合:

# Google Quantum Engine
uv pip install cirq-google

# IonQ
uv pip install cirq-ionq

# AQT (Alpine Quantum Technologies)
uv pip install cirq-aqt

# Pasqal
uv pip install cirq-pasqal

# Azure Quantum
uv pip install azure-quantum cirq

クイックスタート

基本的な回路

import cirq
import numpy as np

# Create qubits
q0, q1 = cirq.LineQubit.range(2)

# Build circuit
circuit = cirq.Circuit(
    cirq.H(q0),              # Hadamard on q0
    cirq.CNOT(q0, q1),       # CNOT with q0 control, q1 target
    cirq.measure(q0, q1, key='result')
)

print(circuit)

# Simulate
simulator = cirq.Simulator()
result = simulator.run(circuit, repetitions=1000)

# Display results
print(result.histogram(key='result'))

パラメーター化された回路

import sympy

# Define symbolic parameter
theta = sympy.Symbol('theta')

# Create parameterized circuit
circuit = cirq.Circuit(
    cirq.ry(theta)(q0),
    cirq.measure(q0, key='m')
)

# Sweep over parameter values
sweep = cirq.Linspace('theta', start=0, stop=2*np.pi, length=20)
results = simulator.run_sweep(circuit, params=sweep, repetitions=1000)

# Process results
for params, result in zip(sweep, results):
    theta_val = params['theta']
    counts = result.histogram(key='m')
    print(f"θ={theta_val:.2f}: {counts}")

主な機能

回路の構築

量子ビット、ゲート、操作、カスタムゲート、回路パターンを含む、量子回路の構築に関する包括的な情報については、以下を参照してください:

• references/building.md - 回路構築の完全ガイド

主なトピック:

• 量子ビットの種類 (GridQubit、LineQubit、NamedQubit)
• 1 量子ビットおよび 2 量子ビットゲート
• パラメーター化されたゲートと操作
• カスタムゲートの分解
• モーメントによる回路の構成
• 標準的な回路パターン (ベル状態、GHZ、QFT)
• インポート/エクスポート (OpenQASM、JSON)
• qudit と可観測量の扱い

シミュレーション

厳密シミュレーション、ノイズを含むシミュレーション、パラメータースイープ、量子仮想マシンを含む、量子回路のシミュレーションに関する詳細情報については、以下を参照してください:

• references/simulation.md - 量子シミュレーションの完全ガイド

主なトピック:

• 厳密シミュレーション (状態ベクトル、密度行列)
• サンプリングと測定
• パラメータースイープ (単一パラメーターおよび複数パラメーター)
• ノイズを含むシミュレーション
• 状態ヒストグラムと可視化
• 量子仮想マシン (QVM)
• 期待値と可観測量
• パフォーマンスの最適化

回路変換

量子回路の最適化、コンパイル、操作に関する情報については、以下を参照してください:

• references/transformation.md - 回路変換の完全ガイド

主なトピック:

• トランスフォーマーフレームワーク
• ゲートの分解
• 回路の最適化 (ゲートのマージ、Z ゲートの取り出し、無視できる操作の削除)
• ハードウェア向けの回路コンパイル
• 量子ビットのルーティングと SWAP の挿入
• カスタムトランスフォーマー
• 変換パイプライン

ハードウェア連携

さまざまなプロバイダーの実機量子ハードウェアで回路を実行する方法に関する情報については、以下を参照してください:

• references/hardware.md - ハードウェア連携の完全ガイド

対応プロバイダー:

• Google Quantum AI (cirq-google) - Sycamore、Weber プロセッサー
• IonQ (cirq-ionq) - イオントラップ型量子コンピューター
• Azure Quantum (azure-quantum) - IonQ および Honeywell のバックエンド
• AQT (cirq-aqt) - Alpine Quantum Technologies
• Pasqal (cirq-pasqal) - 中性原子型量子コンピューター

トピックには、デバイス表現、量子ビットの選択、認証、ジョブ管理、ハードウェア向けの回路最適化が含まれます。

ノイズモデリング

ノイズのモデリング、ノイズを含むシミュレーション、特性評価、エラー緩和に関する情報については、以下を参照してください:

• references/noise.md - ノイズモデリングの完全ガイド

主なトピック:

• ノイズチャネル (デポラライジング、振幅減衰、位相減衰)
• ノイズモデル (一定、ゲート固有、量子ビット固有、熱)
• 回路へのノイズの追加
• 読み出しノイズ
• ノイズの特性評価 (ランダム化ベンチマーキング、XEB)
• ノイズの可視化 (ヒートマップ)
• エラー緩和の手法

量子実験

実験の設計、パラメータースイープ、データ収集、ReCirq フレームワークの利用に関する情報については、以下を参照してください:

• references/experiments.md - 量子実験の完全ガイド

主なトピック:

• 実験設計のパターン
• パラメータースイープとデータ収集
• ReCirq フレームワークの構造
• 代表的なアルゴリズム (VQE、QAOA、QPE)
• データ分析と可視化
• 統計解析と忠実度の推定
• 並列データ収集

一般的なパターン

変分アルゴリズムのテンプレート

import scipy.optimize

def variational_algorithm(ansatz, cost_function, initial_params):
    """Template for variational quantum algorithms."""

    def objective(params):
        circuit = ansatz(params)
        simulator = cirq.Simulator()
        result = simulator.simulate(circuit)
        return cost_function(result)

    # Optimize
    result = scipy.optimize.minimize(
        objective,
        initial_params,
        method='COBYLA'
    )

    return result

# Define ansatz
def my_ansatz(params):
    q = cirq.LineQubit(0)
    return cirq.Circuit(
        cirq.ry(params[0])(q),
        cirq.rz(params[1])(q)
    )

# Define cost function
def my_cost(result):
    state = result.final_state_vector
    # Calculate cost based on state
    return np.real(state[0])

# Run optimization
result = variational_algorithm(my_ansatz, my_cost, [0.0, 0.0])

ハードウェア実行のテンプレート

def run_on_hardware(circuit, provider='google', device_name='weber', repetitions=1000):
    """Template for running on quantum hardware."""

    if provider == 'google':
        import cirq_google
        engine = cirq_google.get_engine()
        processor = engine.get_processor(device_name)
        job = processor.run(circuit, repetitions=repetitions)
        return job.results()[0]

    elif provider == 'ionq':
        import cirq_ionq
        service = cirq_ionq.Service()
        result = service.run(circuit, repetitions=repetitions, target='qpu')
        return result

    elif provider == 'azure':
        from azure.quantum.cirq import AzureQuantumService
        # Setup workspace...
        service = AzureQuantumService(workspace)
        result = service.run(circuit, repetitions=repetitions, target='ionq.qpu')
        return result

    else:
        raise ValueError(f"Unknown provider: {provider}")

ノイズ研究のテンプレート

def noise_comparison_study(circuit, noise_levels):
    """Compare circuit performance at different noise levels."""

    results = {}

    for noise_level in noise_levels:
        # Create noisy circuit
        noisy_circuit = circuit.with_noise(cirq.depolarize(p=noise_level))

        # Simulate
        simulator = cirq.DensityMatrixSimulator()
        result = simulator.run(noisy_circuit, repetitions=1000)

        # Analyze
        results[noise_level] = {
            'histogram': result.histogram(key='result'),
            'dominant_state': max(
                result.histogram(key='result').items(),
                key=lambda x: x[1]
            )
        }

    return results

# Run study
noise_levels = [0.0, 0.001, 0.01, 0.05, 0.1]
results = noise_comparison_study(circuit, noise_levels)

ベストプラクティス

1. 回路設計

   • トポロジーに適した量子ビットの種類を使用する
   • 回路はモジュール化し、再利用可能に保つ
   • 測定にはわかりやすいキーでラベルを付ける
   • 実行前にデバイスの制約に照らして回路を検証する

2. シミュレーション

   • 純粋状態には状態ベクトルシミュレーションを使用する（より効率的）
   • 密度行列シミュレーションは必要な場合（混合状態、ノイズ）にのみ使用する
   • 個別の実行ではなく、パラメータスイープを活用する
   • 大規模システムではメモリ使用量を監視する（2^n は急速に増大する）

3. ハードウェア実行

   • 必ず最初にシミュレーターでテストする
   • キャリブレーションデータを使用して最適な量子ビットを選択する
   • ターゲットハードウェアのゲートセットに合わせて回路を最適化する
   • 本番実行にはエラー緩和を実装する
   • 高コストなハードウェアの結果はすぐに保存する

4. 回路最適化

   • まずは高レベルの組み込みトランスフォーマーから始める
   • 複数の最適化を順番に連結する
   • 深さとゲート数の削減を追跡する
   • 変換後に正しさを検証する

5. ノイズモデリング

   • キャリブレーションデータに基づく現実的なノイズモデルを使用する
   • すべての誤差要因（ゲート、デコヒーレンス、読み出し）を含める
   • 緩和を行う前に特性を把握する
   • ノイズの蓄積を最小限に抑えるため、回路は浅く保つ

6. 実験

   • データ生成、収集、分析を明確に分けて実験を構成する
   • 再現性のために ReCirq のパターンを使用する
   • 中間結果は頻繁に保存する
   • 独立したタスクは並列化する
   • メタデータを含めて十分に文書化する

追加リソース

• 公式ドキュメント: https://quantumai.google/cirq
• APIリファレンス: https://quantumai.google/reference/python/cirq
• チュートリアル: https://quantumai.google/cirq/tutorials
• サンプル: https://github.com/quantumlib/Cirq/tree/master/examples
• ReCirq: https://github.com/quantumlib/ReCirq

よくある問題

ハードウェアに対して回路が深すぎる:

• 回路最適化トランスフォーマーを使用して深さを減らす
• 最適化手法については transformation.md を参照

シミュレーションのメモリ問題:

• 密度行列シミュレーターから状態ベクトルシミュレーターに切り替える
• 量子ビット数を減らすか、Clifford回路にはスタビライザーシミュレーターを使用する

デバイス検証エラー:

• device.metadata.nx_graph で量子ビットの接続性を確認する
• ゲートをデバイスネイティブのゲートセットに分解する
• デバイス固有のコンパイルについては hardware.md を参照

ノイズありシミュレーションが遅すぎる:

• 密度行列シミュレーションは O(2^2n) なので、量子ビット数の削減を検討する
• ノイズモデルは重要な操作にのみ選択的に適用する
• パフォーマンス最適化については simulation.md を参照