Cirq

Cirq - Python 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。

何时使用

• 你正在使用 Cirq 生态系统设计、模拟或执行量子电路。
• 你需要 Google Quantum AI 风格的原语、参数化电路，或 cirq-google 和 cirq-ionq 等集成。
• 你正在用 Python 原型设计或教授量子工作流，并希望获得具体的电路示例。

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}")

核心能力

电路构建

关于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）
• 单量子比特和双量子比特门
• 参数化门和操作
• 自定义门分解
• 使用时刻（moments）组织电路
• 标准电路模式（Bell 态、GHZ、QFT）
• 导入/导出（OpenQASM、JSON）
• 使用量子迪特（qudits）和可观测量

模拟

关于模拟量子电路的详细信息，包括精确模拟、噪声模拟、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（态矢量、密度矩阵）
• 采样和测量
• 参数扫描（单参数和多参数）
• 噪声模拟
• 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

关于优化、编译和操作量子电路的信息，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、弹出 Z 门、丢弃可忽略操作）
• 面向硬件的电路编译
• 量子比特路由和 SWAP 插入
• 自定义变换器
• 变换管道

硬件集成

关于在各种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、认证、作业管理和面向硬件的电路优化。

噪声建模

关于建模噪声、噪声模拟、表征和错误缓解的信息，请参阅：

• references/noise.md - 噪声建模完整指南

常见主题：

• 噪声信道（去极化、振幅阻尼、相位阻尼）
• 噪声模型（常数、门特定、量子比特特定、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

关于设计实验、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

   • 为你的拓扑结构选择合适的量子比特类型
   • 保持电路模块化和可复用
   • 使用描述性键标记测量
   • 在执行前根据设备约束验证电路

2. 模拟

   • 对纯态使用态矢量模拟（更高效）
   • 仅在需要时使用密度矩阵模拟（混合态、噪声）
   • 利用参数扫描而非单独运行
   • 监控大型系统的内存使用（2^n 增长很快）

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
   • 为生产运行实施错误缓解
   • 立即存储昂贵的硬件结果

4. 电路优化

   • 从高级内置变换器开始
   • 顺序链接多个优化
   • 跟踪深度和门数减少
   • 变换后验证正确性

5. 噪声建模

   • 使用来自校准数据的真实噪声模型
   • 包含所有误差源（门、退相干、读出）
   • 缓解前先表征
   • 保持电路浅层以最小化噪声累积

6. 实验

   • 用清晰分离构建实验（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
   • 并行化独立任务
   • 用元数据彻底记录

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/master/examples
• ReCirq: https://github.com/quantumlib/ReCirq

常见问题

电路对硬件来说太深：

• 使用电路优化变换器减少深度
• 参见 transformation.md 了解优化技术

模拟内存问题：

• 从密度矩阵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
• 参见 hardware.md 了解设备特定编译

噪声模拟太慢：

• 密度矩阵模拟是 O(2^2n) - 考虑减少量子比特
• 仅对关键操作选择性地使用噪声模型
• 参见 simulation.md 了解性能优化

限制

• 仅当任务明确符合上述描述的范围时使用此技能。
• 不要将输出视为环境特定验证、测试或专家审查的替代品。
• 如果缺少所需输入、权限、安全边界或成功标准，请停下来请求澄清。