SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场cirq

cirq

智能体与模型

查看项目

更新于 10-16 10:52

技能介绍

Cirq 是 Google Quantum AI 的开源量子计算框架，目标是在量子计算机与模拟器上设计、模拟和运行量子电路，使用 Python 作为主要接口。

用途 适用于使用 Cirq 生态设计、模拟或执行量子电路的场景；需要 Google Quantum AI 风格的基元、参数化电路，或 cirq-google、cirq-ionq 等集成时；以及在 Python 中进行量子工作流原型设计或教学并需要具体电路示例时。

安装 基础安装：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

主要能力

  • 电路构建：支持 GridQubit、LineQubit、NamedQubit 等量子比特类型；单比特与双比特门；参数化门与操作；自定义门分解；以 moment 组织电路；标准电路模式（Bell 态、GHZ、QFT）；OpenQASM 与 JSON 导入导出；qudit 与观测量。
  • 模拟：精确模拟（态向量、密度矩阵）；采样与测量；单参数与多参数扫描；含噪模拟；态直方图与可视化；Quantum Virtual Machine（QVM）；期望值与观测量；性能优化。
  • 电路变换：Transformer 框架；门分解；电路优化（合并门、弹出 Z 门、丢弃可忽略操作）；面向硬件的电路编译；量子比特路由与 SWAP 插入；自定义 transformer；变换流水线。
  • 硬件集成：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 与 Honeywell 后端）；AQT（cirq-aqt）；Pasqal（cirq-pasqal，中性原子量子计算机）。涉及设备表示、量子比特选择、认证、任务管理与面向硬件的电路优化。
  • 噪声建模：噪声通道（去极化、振幅阻尼、相位阻尼）；噪声模型（常量、门相关、量子比特相关、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（热力图）；错误缓解技术。
  • 量子实验：实验设计模式；参数扫描与数据采集；ReCirq 框架结构；常见算法（VQE、QAOA、QPE）；数据分析与可视化；统计分析与保真度估计；并行数据采集。

使用方式（示例） 基本电路： import cirq import numpy as np q0, q1 = cirq.LineQubit.range(2) circuit = cirq.Circuit( cirq.H(q0), cirq.CNOT(q0, q1), cirq.measure(q0, q1, key='result') ) print(circuit) simulator = cirq.Simulator() result = simulator.run(circuit, repetitions=1000) print(result.histogram(key='result'))

参数化电路： import sympy theta = sympy.Symbol('theta') circuit = cirq.Circuit( cirq.ry(theta)(q0), cirq.measure(q0, key='m') ) sweep = cirq.Linspace('theta', start=0, stop=2*np.pi, length=20) results = simulator.run_sweep(circuit, params=sweep, repetitions=1000) for params, result in zip(sweep, results): theta_val = params['theta'] counts = result.histogram(key='m') print(f"θ={theta_val:.2f}: {counts}")

硬件执行模板： def run_on_hardware(circuit, provider='google', device_name='weber', repetitions=1000): 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 service = AzureQuantumService(workspace) result = service.run(circuit, repetitions=repetitions, target='ionq.qpu') return result else: raise ValueError(f"Unknown provider: {provider}")

变分算法模板： import scipy.optimize

def variational_algorithm(ansatz, cost_function, initial_params): def objective(params): circuit = ansatz(params) simulator = cirq.Simulator() result = simulator.simulate(circuit) return cost_function(result) result = scipy.optimize.minimize(objective, initial_params, method='COBYLA') return result

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

def my_cost(result): state = result.final_state_vector return np.real(state[0])

result = variational_algorithm(my_ansatz, my_cost, [0.0, 0.0])

噪声研究模板： def noise_comparison_study(circuit, noise_levels): results = {} for noise_level in noise_levels: noisy_circuit = circuit.with_noise(cirq.depolarize(p=noise_level)) simulator = cirq.DensityMatrixSimulator() result = simulator.run(noisy_circuit, repetitions=1000) results[noise_level] = { 'histogram': result.histogram(key='result'), 'dominant_state': max(result.histogram(key='result').items(), key=lambda x: x[1]) } return results

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

适用场景 量子电路设计与模拟、量子算法原型与教学示例、参数化电路与参数扫描、含噪模拟与错误缓解研究、面向硬件的电路编译与优化、对接 Google、IonQ、AQT、Pasqal、Azure Quantum 等后端运行量子任务，以及使用 ReCirq 开展量子实验与数据分析。

最佳实践（摘要） 电路设计：按拓扑选择合适的量子比特类型；保持电路模块化可复用；为测量设置描述性 key；执行前按设备约束校验电路。 模拟：纯态优先使用态向量模拟；仅在需要（混合态、噪声）时使用密度矩阵模拟；多用参数扫描；关注大系统内存增长（2^n）。 硬件执行：先在模拟器上测试；依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；生产运行实施错误缓解；及时保存昂贵硬件结果。 电路优化：从内置高层 transformer 起步；串联多种优化；跟踪深度与门数下降；变换后验证正确性。 噪声建模：使用由校准数据得到的真实噪声模型；涵盖门、退相干、读出等误差源；先表征再缓解；保持电路浅以减小噪声累积。 实验：结构化分离数据生成、采集与分析；使用 ReCirq 模式保证可复现；频繁保存中间结果；并行化独立任务；用元数据完整记录。

限制 仅在任务与上述范围明确匹配时使用；输出不能替代针对具体环境的验证、测试或专家评审；若缺少必要输入、权限、安全边界或成功标准，应停止并请求澄清。

附加资源 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

  • 电路对硬件过深：使用电路优化 transformer 降低深度，参见 transformation.md。
  • 模拟内存问题：由密度矩阵切换为态向量模拟器；减少量子比特数，或对 Clifford 电路使用 stabilizer 模拟器。
  • 设备校验错误：用 device.metadata.nx_graph 检查量子比特连接性；将门分解为设备原生门集，参见 hardware.md。
  • 含噪模拟过慢：密度矩阵模拟复杂度为 O(2^2n)，考虑减少量子比特；仅在关键操作上选择性使用噪声模型，参见 simulation.md。

关于上游支持：随附支持文件以 skill 相对路径提供，其固定来源、许可证、哈希与导入变更见 UPSTREAM-NOTICE.md。