Qiskit

Qiskit

何时使用

• 你正在使用 Qiskit 为模拟器或真实硬件构建或优化量子电路。
• 你需要 IBM Quantum 风格的工具来进行转译、执行、可视化或算法库操作。
• 你希望获得从简单电路原型到后端感知执行的指导。

概述

Qiskit 是全球最流行的开源量子计算框架，下载量超过 1300 万次。构建量子电路、针对硬件优化、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 等提供商。

核心特性：

• 转译速度比竞争对手快 83 倍
• 优化电路中的双量子比特门减少 29%
• 后端无关执行（本地模拟器或云端硬件）
• 面向优化、化学和机器学习的综合算法库

快速开始

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

# 创建 Bell 态（纠缠量子比特）
qc = QuantumCircuit(2)
qc.h(0)           # 在量子比特 0 上应用 Hadamard 门
qc.cx(0, 1)       # 从量子比特 0 到 1 的 CNOT 门
qc.measure_all()  # 测量两个量子比特

# 本地运行
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')           # 电路图
plot_histogram(counts)   # 结果直方图

核心能力

1. 设置与安装

详细的安装、认证和 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 token 配置
• 本地与云端执行

2. 构建量子电路

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. 原语（Sampler 和 Estimator）

执行量子电路并计算结果：

• 参见 references/primitives.md

涵盖主题：

• Sampler：获取比特串测量值和概率分布
• Estimator：计算可观测量的期望值
• V2 接口（StatevectorSampler、StatevectorEstimator）
• 用于硬件的 IBM Quantum Runtime 原语
• Session 和 Batch 模式
• 参数绑定

4. 转译与优化

优化电路并为硬件执行做准备：

• 参见 references/transpilation.md

涵盖主题：

• 为什么需要转译
• 优化级别（0-3）
• 六个转译阶段（init、layout、routing、translation、optimization、scheduling）
• 高级功能（虚拟置换消除、门消除）
• 常用参数（initial_layout、approximation_degree、seed）
• 高效电路的最佳实践

5. 可视化

显示电路、结果和量子态：

• 参见 references/visualization.md

涵盖主题：

• 电路图（文本、matplotlib、LaTeX）
• 结果直方图
• 量子态可视化（Bloch 球、state city、QSphere）
• 后端拓扑和误差图
• 自定义和样式
• 保存出版级质量的图形

6. 硬件后端

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 后端和认证
• 后端属性和状态
• 使用 Runtime 原语在真实硬件上运行
• 作业管理和排队
• Session 模式（迭代算法）
• Batch 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

实现四步量子计算工作流：

• 参见 references/patterns.md

涵盖主题：

• Map：将问题转化为量子电路
• Optimize：为硬件进行转译
• Execute：使用原语运行
• Post-process：提取和分析结果
• 完整的 VQE 示例
• Session 与 Batch 执行
• 常用工作流模式

8. 量子算法与应用

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
• 理解门和电路操作 → 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
• 为硬件优化电路 → 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：在使用硬件之前先在本地测试

   from qiskit.primitives import StatevectorSampler
   sampler = StatevectorSampler()
   

2. 始终转译：执行前优化电路

   from qiskit import transpile
   qc_optimized = transpile(qc, backend=backend, optimization_level=3)
   

3. 使用适当的原语：

   • 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：独立并行作业
   • Single job：一次性实验

性能优化

• 生产环境使用 optimization_level=3
• 最小化双量子比特门（主要误差来源）
• 在硬件上运行前先用噪声模拟器测试
• 保存并重用转译后的电路
• 在变分算法中监控收敛

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 以便后续检索
• 应用错误缓解（resilience_level）
• 从较少 shots 开始，最终运行时增加

常用模式

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：带转译的硬件执行

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 教科书：https://qiskit.org/learn
• API 参考：https://docs.quantum.ibm.com/api/qiskit
• Patterns 指南：https://quantum.cloud.ibm.com/docs/en/guides/intro-to-patterns

局限性

• 仅当任务明确匹配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。
• 如果缺少必需的输入、权限、安全边界或成功标准，请停止并请求澄清。