cirq

Cirq - 使用 Python 进行量子计算

Cirq 是 Google Quantum AI 的开源框架，用于在量子计算机和模拟器上设计、模拟和运行量子电路。

安装

uv pip install cirq

硬件集成：

# 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

快速入门

基本电路

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'))

参数化电路

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}")

核心功能

电路构建

有关构建量子电路的全面信息，包括量子比特、门、操作、自定义门和电路模式，请参阅：

• references/building.md - 电路构建完整指南

常见主题：

• 量子比特类型（GridQubit、LineQubit、NamedQubit）
• 单量子比特门和双量子比特门
• 参数化门和操作
• 自定义门分解
• 使用 moment 组织电路
• 标准电路模式（Bell 态、GHZ、QFT）
• 导入/导出（OpenQASM、JSON）
• 使用量子多能级系统和可观测量

模拟

有关模拟量子电路的详细信息，包括精确模拟、含噪模拟、参数扫描和量子虚拟机，请参阅：

• references/simulation.md - 量子模拟完整指南

常见主题：

• 精确模拟（状态向量、密度矩阵）
• 采样和测量
• 参数扫描（单个和多个参数）
• 含噪模拟
• 状态直方图和可视化
• 量子虚拟机（QVM）
• 期望值和可观测量
• 性能优化

电路变换

有关量子电路优化、编译和操作的信息，请参阅：

• references/transformation.md - 电路变换完整指南

常见主题：

• 变换器框架
• 门分解
• 电路优化（合并门、移出 Z 门、丢弃可忽略的操作）
• 面向硬件的电路编译
• 量子比特路由和插入 SWAP
• 自定义变换器
• 变换流水线

硬件集成

有关在各提供商的真实量子硬件上运行电路的信息，请参阅：

• references/hardware.md - 硬件集成完整指南

支持的提供商：

• Google Quantum AI（cirq-google）- Sycamore、Weber 处理器
• IonQ（cirq-ionq）- 离子阱量子计算机
• Azure Quantum（azure-quantum）- IonQ 和 Honeywell 后端
• AQT（cirq-aqt）- Alpine Quantum Technologies
• Pasqal（cirq-pasqal）- 中性原子量子计算机

主题包括设备表示、量子比特选择、身份验证、作业管理，以及面向硬件的电路优化。

噪声建模

有关噪声建模、含噪模拟、表征和误差缓解的信息，请参阅：

• references/noise.md - 噪声建模完整指南

常见主题：

• 噪声通道（退极化、振幅阻尼、相位阻尼）
• 噪声模型（恒定、特定于门、特定于量子比特、热噪声）
• 向电路添加噪声
• 读出噪声
• 噪声表征（随机基准测试、XEB）
• 噪声可视化（热图）
• 误差缓解技术

量子实验

有关实验设计、参数扫描、数据收集和使用 ReCirq 框架的信息，请参阅：

• references/experiments.md - 量子实验完整指南

常见主题：

• 实验设计模式
• 参数扫描和数据收集
• ReCirq 框架结构
• 常见算法（VQE、QAOA、QPE）
• 数据分析和可视化
• 统计分析和保真度估计
• 并行数据收集

常见模式

变分算法模板

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])

硬件执行模板

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}")

噪声研究模板

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)

最佳实践

1. 电路设计

   • 根据拓扑选择合适的量子比特类型
   • 保持电路模块化且可复用
   • 使用描述性键为测量结果添加标签
   • 执行前，根据设备约束验证电路

2. 模拟

   • 对纯态使用状态向量模拟（效率更高）
   • 仅在必要时使用密度矩阵模拟（混合态、噪声）
   • 利用参数扫描代替单独运行
   • 监控大型系统的内存使用量（2^n 会迅速增长）

3. 硬件执行

   • 始终先在模拟器上测试
   • 根据校准数据选择最佳量子比特
   • 针对目标硬件门集优化电路
   • 在生产运行中实施误差缓解
   • 立即保存成本高昂的硬件运行结果

4. 电路优化

   • 从高级内置转换器开始
   • 按顺序串联多项优化
   • 跟踪深度和门数的减少情况
   • 转换后验证正确性

5. 噪声建模

   • 使用基于校准数据的真实噪声模型
   • 纳入所有误差源（门、退相干、读出）
   • 先进行表征，再进行缓解
   • 保持电路浅层，以尽量减少噪声累积

6. 实验

   • 明确划分实验阶段（数据生成、收集、分析）
   • 使用 ReCirq 模式确保可复现性
   • 频繁保存中间结果
   • 并行执行相互独立的任务
   • 使用元数据详尽记录

更多资源

• 官方文档：https://quantumai.google/cirq
• API 参考：https://quantumai.google/reference/python/cirq
• 教程：https://quantumai.google/cirq/tutorials
• 示例：https://github.com/quantumlib/Cirq/tree/master/examples
• ReCirq：https://github.com/quantumlib/ReCirq

常见问题

电路对硬件来说太深：

• 使用电路优化转换器降低深度
• 请参阅 transformation.md 了解优化技术

模拟时出现内存问题：

• 从密度矩阵模拟器切换到状态向量模拟器
• 减少量子比特数量，或对 Clifford 电路使用稳定子模拟器

设备验证错误：

• 使用 device.metadata.nx_graph 检查量子比特连通性
• 将门分解为设备原生门集
• 请参阅 hardware.md 了解特定设备的编译方法

噪声模拟速度太慢：

• 密度矩阵模拟的复杂度为 O(2^2n)——可考虑减少量子比特数量
• 仅在关键操作上选择性使用噪声模型
• 请参阅 simulation.md 了解性能优化方法