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、模拟和运行量子线路。

何时使用此技能

在以下情况下使用此技能：

• 使用 Python 构建、模拟或优化 NISQ 线路
• 在 Google Quantum AI 处理器（通过 cirq-google）或合作伙伴后端（IonQ、Azure Quantum、AQT、Pasqal）上运行作业
• 对噪声进行建模、编译到硬件门集，或设计表征实验
• 使用参数扫描、转换器或 ReCirq 实验模式

对于 IBM 硬件，请使用 qiskit；对于使用自动微分的量子机器学习，请使用 pennylane；对于物理模拟，请使用 qutip。

安装

需要 Python 3.11+。当前稳定版本：1.6.1（2025 年 8 月）。供应商软件包使用相同的版本号。

uv pip install "cirq==1.6.1"

硬件集成（为确保可复现性，请固定匹配的版本）：

# Google Quantum Engine (requires approved GCP project access)
uv pip install "cirq-google==1.6.1"

# IonQ
uv pip install "cirq-ionq==1.6.1"

# AQT (Alpine Quantum Technologies)
uv pip install "cirq-aqt==1.6.1"

# Pasqal
uv pip install "cirq-pasqal==1.6.1"

# Azure Quantum (IonQ, Honeywell/Quantinuum backends)
uv pip install "azure-quantum[cirq]"

开发期间如需使用最新功能，请省略版本固定；用于生产环境或硬件运行时，请将所有软件包固定到同一个 Cirq 版本。

快速开始

基本线路

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'))

参数化线路

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

线路构建

如需全面了解量子线路构建，包括量子比特、门、操作、自定义门和线路模式，请参阅：

• references/building.md - 线路构建完整指南

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 组织线路
• 标准线路模式（Bell 态、GHZ、QFT）
• 导入/导出（OpenQASM、JSON）
• 使用 qudit 和可观测量

模拟

如需详细了解量子线路模拟，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

线路转换

如需了解量子线路的优化、编译和操作，请参阅：

• references/transformation.md - 线路转换完整指南

常见主题：

• 转换器框架
• 门分解
• 线路优化（合并门、移除 Z 门、丢弃可忽略操作）
• 面向硬件的线路编译
• 量子比特路由和 SWAP 插入
• 自定义转换器
• 转换流水线

硬件集成

如需了解如何在不同供应商的真实量子硬件上运行线路，请参阅：

• references/hardware.md - 硬件集成完整指南

支持的供应商：

• Google Quantum AI（cirq-google）— 通过 Quantum Engine 使用 Sycamore、Weber、Willow 处理器（访问受限；需要已获批准的 GCP 项目）
• IonQ（cirq-ionq）— 离子阱 QPU 和模拟器
• Azure Quantum（azure-quantum[cirq]）— IonQ 和 Honeywell/Quantinuum 后端
• AQT（cirq-aqt）— Alpine Quantum Technologies
• Pasqal（cirq-pasqal）— 中性原子设备

主题包括设备表示、量子比特选择、身份验证、作业管理，以及针对硬件的线路优化。Google Cloud 设置请参阅访问和身份验证。

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、特定门、特定量子比特、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 ReCirq 框架使用的信息，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算
• 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

import os

def run_on_hardware(circuit, provider='google', processor_id=None, repetitions=1000):
    """Template for running on quantum hardware."""

    if provider == 'google':
        import cirq_google as cg

        project_id = os.environ['GOOGLE_CLOUD_PROJECT']
        engine = cg.Engine(project_id=project_id)

        # List available processors: engine.list_processors()
        processor_id = processor_id or 'weber'  # use your assigned processor_id
        sampler = engine.get_sampler(processor_id=processor_id)
        return sampler.run(circuit, repetitions=repetitions)

    elif provider == 'ionq':
        import cirq_ionq as ionq

        # Requires IONQ_API_KEY in environment
        service = ionq.Service()
        return service.run(circuit, repetitions=repetitions, target='qpu')

    elif provider == 'azure':
        from azure.quantum.cirq import AzureQuantumService

        service = AzureQuantumService(
            resource_id=os.environ['AZURE_QUANTUM_RESOURCE_ID'],
            location=os.environ['AZURE_QUANTUM_LOCATION'],
        )
        return service.run(circuit, repetitions=repetitions, target='ionq.qpu')

    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

   • 根据拓扑使用合适的量子比特类型
   • 保持电路模块化且可复用
   • 使用描述性键标记测量
   • 执行前根据设备限制验证电路

2. 模拟

   • 对纯态使用态矢量模拟（效率更高）
   • 仅在需要时使用密度矩阵模拟（混合态、噪声）
   • 利用参数扫描代替单次运行
   • 监控大型系统的内存使用情况（2^n 会迅速增长）

3. 硬件执行

   • 始终先在模拟器上测试
   • 使用校准数据选择最佳量子比特
   • 针对目标硬件门集优化电路
   • 为生产运行实施误差缓解
   • 立即保存昂贵的硬件运行结果

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
   • 纳入所有误差来源（门、退相干、读出）
   • 先进行表征，再进行缓解
   • 保持电路较浅，以尽量减少噪声累积

6. 实验

   • 明确划分实验结构（数据生成、收集、分析）
   • 使用 ReCirq 模式确保可复现性
   • 经常保存中间结果
   • 并行处理独立任务
   • 使用元数据进行完整记录

其他资源

• 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/main/examples
• 版本策略：https://quantumai.google/cirq/dev/versions
• ReCirq：https://github.com/quantumlib/ReCirq

常见问题

电路对硬件来说过深：

• 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态矢量模拟器
• 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 了解针对特定设备的编译

含噪模拟速度太慢：

• 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地使用噪声模型
• 请参阅 simulation.md 了解性能优化

Agent 操作流程

1. 检查环境。 确认库版本、单位、坐标系和数据格式（FITS、CIF、HDF5、netCDF）。
2. 明确输入。 根据数据或用户提供的信息确认格式、标识符和参数。对于任何会改变结果的值，宁可询问，也不要猜测。
3. 先运行小规模版本。 在小网格、区域或子集上运行，并检查物理合理性。
4. 使用上述说明和参考资料执行完整任务。
5. 验证结果。 检查单位和量纲一致性、守恒定律或已知极限，以及数值收敛性。
6. 报告。 说明运行了什么（版本、命令、参数）、检查了什么，以及仍有哪些不确定之处。

如果发生这种情况	请这样做
结果违反已知物理极限	报告前检查单位、边界条件和求解器容差。
已安装版本中缺少这些说明里的函数、标志或端点	查看已安装版本自身的文档（help()、--help、官方文档），进行适配并告知用户。切勿臆造 API。
必需的输入、标识符或参数不明确	询问用户，或在运行前明确说明所采用的假设。

诚信原则

• 切勿捏造结果、参数、标识符、引文或统计数据。如果无法运行或验证某项内容，请如实说明。
• 对每项定量结果都报告不确定性和数值容差。
• 此处与版本相关的细节可能已过时：请根据已安装版本的官方文档进行确认。
• 对于需要付费、占用共享 GPU 或云配额、涉及个人或患者数据，或无法撤销的操作，请先征求许可。

相关技能

• pennylane：与硬件无关、支持自动微分的量子机器学习框架。
• qiskit：使用 Qiskit 和 IBM Quantum Runtime 构建、模拟、转译和执行量子电路。