qiskit

Qiskit

概述

Qiskit 是全球最受欢迎的开源量子计算框架，下载量超过 1,300 万次。可用于构建量子电路、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+ 量子比特系统）、IonQ、Amazon Braket 及其他提供商。

主要功能：

• 转译速度比竞品快 83 倍
• 优化后的电路中双量子比特门减少 29%
• 与后端无关的执行方式（本地模拟器或云端硬件）
• 提供用于优化、化学和机器学习的全面算法库

快速入门

安装

uv pip install qiskit
uv pip install "qiskit[visualization]" matplotlib

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

核心功能

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

有关使用门、测量和组合构建量子电路：

• 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. 基元（Sampler 和 Estimator）

有关执行量子电路和计算结果：

• 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 基元
• 会话和批处理模式
• 参数绑定

4. 转译和优化

有关优化电路并为硬件执行做准备：

• 参见 references/transpilation.md

涵盖主题：

• 转译的必要性
• 优化级别（0-3）
• 转译的六个阶段（初始化、布局、路由、转换、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

有关展示电路、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、态城市、QSphere）
• 后端拓扑和错误图
• 自定义和样式设置
• 保存适合出版的图像

6. 硬件后端

有关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 基元在真实硬件上运行
• 作业管理和排队
• 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

有关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：针对硬件进行转译
• 执行：使用基元运行
• 后处理：提取并分析结果
• 完整的 VQE 示例
• 会话与批处理执行
• 常见工作流模式

8. 量子算法和应用

有关实现特定的量子算法：

• 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
• 物理模拟和基准测试

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
• 了解门和电路操作 → 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：使用硬件前先在本地测试

   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. 使用合适的原语：

   • Sampler 用于比特串（优化算法）
   • Estimator 用于期望值（化学、物理）

4. 选择执行模式：

   • Session：迭代算法（VQE、QAOA）
   • Batch：独立的并行作业
   • Single job：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（主要误差来源）
• 使用硬件前，先通过含噪模拟器测试
• 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

• 提交前检查后端状态
• 测试时使用 least_busy()
• 保存作业 ID 以便之后检索
• 应用误差缓解（resilience_level）
• 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：通过转译在硬件上执行

from qiskit_ibm_runtime import QiskitRuntimeService, SamplerV2 as Sampler
from qiskit import transpile

service = QiskitRuntimeService()
backend = service.backend("ibm_brisbane")

qc_optimized = transpile(qc, backend=backend, optimization_level=3)

sampler = Sampler(backend)
job = sampler.run([qc_optimized], shots=1024)
result = job.result()

模式 3：变分算法（VQE）

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

with Session(backend=backend) as session:
    estimator = Estimator(session=session)

    def cost_function(params):
        bound_qc = ansatz.assign_parameters(params)
        qc_isa = transpile(bound_qc, backend=backend)
        result = estimator.run([(qc_isa, hamiltonian)]).result()
        return result[0].data.evs

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

更多资源

• 官方文档：https://quantum.ibm.com/docs
• Qiskit 教材：https://qiskit.org/learn
• API 参考：https://docs.quantum.ibm.com/api/qiskit
• 模式指南：https://quantum.cloud.ibm.com/docs/en/guides/intro-to-patterns