alterlab-qiskit

Qiskit

概述

Qiskit 是一个开源量子计算框架。构建量子电路、针对硬件进行优化、在模拟器或真实量子计算机上执行，并分析结果。支持 IBM Quantum（100+ 量子比特的 Heron 和 Nighthawk 系统）、IonQ、Amazon Braket 及其他提供商。

版本说明： 示例适用于 Qiskit SDK 2.x（qiskit>=2,<3，Python 3.10+；截至 2026-09 的当前版本为 2.5.x）和 qiskit-ibm-runtime ≥ 0.40（当前为 0.49）。旧教程在这些变更后会失效，因此请确认你改编的任何代码片段都符合这些要求：

• Qiskit 1.0 移除了 execute()、BasicAer、qiskit.tools（包括 tools.jupyter、job_monitor）和 bind_parameters——请改用原语、qiskit.providers.basic_provider.BasicSimulator 和 assign_parameters。
• Qiskit 2.0 移除了 qiskit.pulse、BackendV1、V1 参考原语（qiskit.primitives.Sampler/Estimator）和 Instruction.c_if（请改用 with qc.if_test(...)）。
• Qiskit 2.1 弃用了库电路的类形式（RealAmplitudes、EfficientSU2、TwoLocal、ZZFeatureMap、QFT 等；将在 3.0 中移除）——请改用 real_amplitudes()、efficient_su2()、n_local()、zz_feature_map()、QFTGate。
• Runtime V2 原语使用 mode=（后端、Session 或 Batch）；旧的 session=/backend= 关键字会引发 TypeError。Options 类和 channel="ibm_quantum" 已移除——该平台现在位于 quantum.cloud.ibm.com（API 密钥 + 实例 CRN，通道为 "ibm_quantum_platform"）。

何时使用此技能

当用户想要执行以下操作时，请使用此技能：

• 在 IBM Quantum 硬件或本地模拟器上构建、转译并运行门模型电路
• 在作业、批处理或会话模式下使用 Qiskit Runtime 原语（SamplerV2 / EstimatorV2）
• 应用错误抑制/缓解技术（twirling、动态去耦、TREX、ZNE）
• 使用 Qiskit 生态系统（Nature、Machine Learning、Optimization）运行变分算法或教科书算法（VQE、QAOA、Grover、QPE）

不适用场景

场景	改用
Google Quantum AI 处理器、Cirq 原生电路，或在 Cirq 中进行 XEB/RB 表征	alterlab-cirq
使用 PyTorch/JAX 自动微分进行梯度训练的量子-经典混合模型	alterlab-pennylane
开放系统动力学——Lindblad 主方程、退相干、腔量子电动力学	alterlab-qutip
不涉及量子电路的经典量子化学（DFT、构象体、pKa）	alterlab-rowan

主要功能：

• 可配置转译，支持多个优化级别
• 电路优化，可减少双量子比特门的数量
• 与后端无关的执行方式（本地模拟器或云硬件）
• 用于优化、化学和机器学习的综合算法库

快速开始

安装

uv pip install "qiskit>=2,<3"
uv pip install "qiskit[visualization]" matplotlib   # circuit/result plotting
uv pip install qiskit-ibm-runtime                   # IBM hardware + Runtime primitives

第一个电路

from qiskit import QuantumCircuit
from qiskit.primitives import StatevectorSampler

# Create Bell state (entangled qubits)
qc = QuantumCircuit(2)
qc.h(0)           # Hadamard on qubit 0
qc.cx(0, 1)       # CNOT from qubit 0 to 1
qc.measure_all()  # Measure both qubits

# Run locally
sampler = StatevectorSampler()
result = sampler.run([qc], shots=1024).result()
counts = result[0].data.meas.get_counts()
print(counts)  # {'00': ~512, '11': ~512}

可视化

from qiskit.visualization import plot_histogram

qc.draw('mpl')           # Circuit diagram
plot_histogram(counts)   # Results histogram

核心能力

1. 设置和安装

有关详细的安装、身份验证和 IBM Quantum 账户设置：

• 参见 references/setup.md

涵盖主题：

• 使用 uv 安装
• Python 环境设置
• IBM Quantum 账户和 API 令牌配置
• 本地执行与云端执行

2. 构建量子电路

有关使用量子门、测量和组合来构建量子电路：

• 参见 references/circuits.md

涵盖主题：

• 使用 QuantumCircuit 创建电路
• 单量子比特门（H、X、Y、Z、旋转门、相位门）
• 多量子比特门（CNOT、SWAP、Toffoli）
• 测量和屏障
• 电路组合与属性
• 用于变分算法的参数化电路

3. 原语（Sampler 和 Estimator）

有关执行量子电路并计算结果：

• 参见 references/primitives.md

涵盖主题：

• Sampler：获取比特串测量结果和概率分布
• Estimator：计算可观测量的期望值
• V2 接口（StatevectorSampler、StatevectorEstimator）
• 用于硬件的 IBM Quantum Runtime 原语
• Session 和 Batch 模式
• 参数绑定

4. 转译与优化

用于优化电路并为硬件执行做好准备：

• 参见 references/transpilation.md

涵盖主题：

• 为什么需要转译
• 优化级别（0-3）
• 六个转译阶段（初始化、布局、路由、翻译、优化、调度）
• 高级功能（省略虚拟置换、门抵消）
• 常用参数（initial_layout、approximation_degree、seed）
• 高效电路的最佳实践

5. 可视化

用于显示电路、结果和量子态：

• 参见 references/visualization.md

涵盖主题：

• 电路绘图（文本、matplotlib、LaTeX）
• 结果直方图
• 量子态可视化（布洛赫球、state city、QSphere）
• 后端拓扑和错误图
• 自定义与样式设置
• 保存出版级图表

6. 硬件后端

用于在模拟器和真实量子计算机上运行：

• 参见 references/backends.md

涵盖主题：

• IBM Quantum 后端和身份验证
• 后端属性和状态
• 使用 Runtime 原语在真实硬件上运行
• 作业管理与排队
• 会话模式（迭代算法）
• 批处理模式（并行作业）
• 本地模拟器（StatevectorSampler、Aer）
• 第三方提供商（IonQ、Amazon Braket）
• 错误缓解策略

7. Qiskit Patterns 工作流

用于实现四步量子计算工作流：

• 参见 references/patterns.md

涵盖主题：

• 映射：将问题转换为量子电路
• 优化：针对硬件转译
• 执行：使用原语运行
• 后处理：提取并分析结果
• 完整的 VQE 示例
• 会话执行与批处理执行
• 常见工作流模式

8. 量子算法与应用

用于实现特定量子算法：

• 参见 references/algorithms.md

涵盖主题：

• 优化：VQE、QAOA、Grover 算法
• 化学：分子基态、激发态、哈密顿量
• 机器学习：量子核、VQC、QNN
• 算法库：Qiskit Nature、Qiskit ML、Qiskit Optimization
• 物理模拟与基准测试

工作流决策指南

如果你需要：

• 安装 Qiskit 或设置 IBM Quantum 账户 → references/setup.md
• 构建新的量子电路 → references/circuits.md
• 理解门和电路操作 → references/circuits.md
• 运行电路并获取测量结果 → references/primitives.md
• 计算期望值 → references/primitives.md
• 针对硬件优化电路 → references/transpilation.md
• 可视化电路或结果 → references/visualization.md
• 在 IBM Quantum 硬件上执行 → references/backends.md
• 连接第三方提供商 → references/backends.md
• 实现端到端量子工作流 → references/patterns.md
• 构建特定算法（VQE、QAOA 等） → references/algorithms.md
• 解决化学或优化问题 → references/algorithms.md

最佳实践

开发工作流

1. 从模拟器开始：先在本地测试，再使用硬件

   from qiskit.primitives import StatevectorSampler
   sampler = StatevectorSampler()
   

2. 始终进行转译：执行前优化电路

   from qiskit import transpile
   qc_optimized = transpile(qc, backend=backend, optimization_level=3)
   

3. 使用适当的原语：

   • Sampler 用于位串（优化算法）
   • Estimator 用于期望值（化学、物理）

4. 选择执行模式：

   • 会话：迭代算法（VQE、QAOA）
   • 批处理：相互独立的并行作业
   • 单个作业：一次性实验

性能优化

• 在生产环境中使用 optimization_level=3
• 尽量减少双量子比特门（主要错误来源）
• 在使用硬件前，先用含噪模拟器测试
• 保存并重复使用已转译的电路
• 监控变分算法的收敛情况

硬件执行

• 提交任务前检查后端状态
• 使用 least_busy() 或列出 service.backends()，而不是硬编码 QPU 名称——QPU 会随时间退役（所有 127 量子位的 Eagle 系统，例如 ibm_brisbane，都已退役）
• 会话模式需要付费计划；Open Plan 用户应使用作业或批处理模式
• 保存作业 ID，以便之后检索
• 应用错误缓解——在 Estimator 上设置 resilience_level（Sampler 没有 resilience_level；请使用 twirling / dynamical_decoupling）
• 从较少的 shots 开始，最终运行时再增加

常见模式

模式 1：简单电路执行

from qiskit import QuantumCircuit, transpile
from qiskit.primitives import StatevectorSampler

qc = QuantumCircuit(2)
qc.h(0)
qc.cx(0, 1)
qc.measure_all()

sampler = StatevectorSampler()
result = sampler.run([qc], shots=1024).result()
counts = result[0].data.meas.get_counts()

模式 2：通过转译执行硬件任务

from qiskit_ibm_runtime import QiskitRuntimeService, SamplerV2 as Sampler
from qiskit.transpiler import generate_preset_pass_manager

service = QiskitRuntimeService()
backend = service.least_busy(operational=True, simulator=False)

# Hardware only accepts ISA circuits (native gates + connectivity)
pm = generate_preset_pass_manager(backend=backend, optimization_level=3)
qc_isa = pm.run(qc)

sampler = Sampler(mode=backend)          # job mode; pass a Session/Batch for other modes
job = sampler.run([qc_isa], shots=1024)
counts = job.result()[0].data.meas.get_counts()

模式 3：变分算法（VQE）

from qiskit_ibm_runtime import Session, EstimatorV2 as Estimator
from scipy.optimize import minimize

# Transpile once, then lay the observable out on the same physical qubits —
# an un-mapped observable does not match the ISA circuit's width.
ansatz_isa = pm.run(ansatz)
hamiltonian_isa = hamiltonian.apply_layout(ansatz_isa.layout)

with Session(backend=backend) as session:      # paid plans; use Batch on the Open Plan
    estimator = Estimator(mode=session)

    def cost_function(params):
        # parameter values travel in the PUB — no re-transpiling per iteration
        result = estimator.run([(ansatz_isa, hamiltonian_isa, params)]).result()
        return float(result[0].data.evs)

    result = minimize(cost_function, initial_params, method='COBYLA')

更多资源

• 官方文档：https://quantum.cloud.ibm.com/docs
• IBM Quantum Learning（Qiskit Textbook 的继任者）：https://quantum.cloud.ibm.com/learning
• API 参考：https://quantum.cloud.ibm.com/docs/en/api/qiskit
• 模式指南：https://quantum.cloud.ibm.com/docs/en/guides/intro-to-patterns
• 社区软件包：Nature、Machine Learning、Optimization

属于 AlterLab 学术技能套件的一部分。