# Cirq > 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。触发词：Cirq、量子计算、量子电路、quantum computing、Google Quantum AI、量子模拟、量子门、量子比特、参数化电路、cirq-google、cirq-ionq、量子算法、VQE、QAOA、量子噪声、量子硬件、量子实验。 - Skill: `kscz0000/cirq` (Agent Skill) - Install (CLI): `npx skillmds@latest add kscz0000/cirq` - Raw SKILL.md: https://api.skillmd.com/api/skills/kscz0000/cirq/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - License: Apache-2.0 license - Author: kscz0000 (https://skillmd.com/u/kscz0000) - Updated: 2026-09-21 - Page: https://skillmd.com/skills/kscz0000/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 ```bash uv pip install cirq ``` 硬件集成： ```bash # 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 ```python 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 ```python 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 ```python 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 ```python 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 ```python 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。