名称: cirq 描述: 用于构建、模拟、优化和执行量子电路的量子计算框架。在量子算法、量子电路设计、量子模拟（无噪声或有噪声）、在量子硬件（Google、IonQ、AQT、Pasqal）上运行、电路优化和编译、噪声建模和表征、或量子实验和基准测试（VQE、QAOA、QPE、随机化基准测试）时使用此技能。

Cirq - 使用Python进行量子计算

Cirq是Google Quantum AI的开源框架，用于设计、模拟和在量子计算机及模拟器上运行量子电路。

安装

uv pip install cirq

对于硬件集成：

# 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

快速开始

基本电路

import cirq
import numpy as np

# 创建量子比特
q0, q1 = cirq.LineQubit.range(2)

# 构建电路
circuit = cirq.Circuit(
    cirq.H(q0),              # 在q0上应用Hadamard门
    cirq.CNOT(q0, q1),       # CNOT门，q0控制，q1目标
    cirq.measure(q0, q1, key='result')
)

print(circuit)

# 模拟
simulator = cirq.Simulator()
result = simulator.run(circuit, repetitions=1000)

# 显示结果
print(result.histogram(key='result'))

参数化电路

import sympy

# 定义符号参数
theta = sympy.Symbol('theta')

# 创建参数化电路
circuit = cirq.Circuit(
    cirq.ry(theta)(q0),
    cirq.measure(q0, key='m')
)

# 扫描参数值
sweep = cirq.Linspace('theta', start=0, stop=2*np.pi, length=20)
results = simulator.run_sweep(circuit, params=sweep, repetitions=1000)

# 处理结果
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

有关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
使用时刻组织电路
标准电路模式（贝尔态、GHZ态、量子傅里叶变换）
导入/导出（OpenQASM、JSON）
处理量子态和可观测量

模拟

有关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（态向量、密度矩阵）
采样和测量
参数扫描（单参数和多参数）
噪声模拟
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

有关优化、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）
硬件编译
量子比特路由和SWAP插入
自定义变换器
变换流水线

硬件集成

有关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）- 捕获离子量子计算机
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、作业管理和硬件电路优化。

噪声建模

有关建模噪声、噪声模拟、表征和误差缓解的信息，请参阅：

references/noise.md - 噪声建模完整指南

常见主题：

噪声通道（去极化、幅度阻尼、相位阻尼）
噪声模型（恒定、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（随机化基准测试、XEB）
噪声可视化（热图）
误差缓解技术

量子实验

有关设计实验、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):
    """变分量子算法的模板。"""

    def objective(params):
        circuit = ansatz(params)
        simulator = cirq.Simulator()
        result = simulator.simulate(circuit)
        return cost_function(result)

    # 优化
    result = scipy.optimize.minimize(
        objective,
        initial_params,
        method='COBYLA'
    )

    return result

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

# 定义成本函数
def my_cost(result):
    state = result.final_state_vector
    # 基于状态计算成本
    return np.real(state[0])

# 运行优化
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):
    """在量子硬件上运行的模板。"""

    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
        # 设置工作空间...
        service = AzureQuantumService(workspace)
        result = service.run(circuit, repetitions=repetitions, target='ionq.qpu')
        return result

    else:
        raise ValueError(f"未知提供商: {provider}")

噪声研究模板

def noise_comparison_study(circuit, noise_levels):
    """比较不同噪声级别下的电路性能。"""

    results = {}

    for noise_level in noise_levels:
        # 创建噪声电路
        noisy_circuit = circuit.with_noise(cirq.depolarize(p=noise_level))

        # 模拟
        simulator = cirq.DensityMatrixSimulator()
        result = simulator.run(noisy_circuit, repetitions=1000)

        # 分析
        results[noise_level] = {
            'histogram': result.histogram(key='result'),
            'dominant_state': max(
                result.histogram(key='result').items(),
                key=lambda x: x[1]
            )
        }

    return results

# 运行研究
noise_levels = [0.0, 0.001, 0.01, 0.05, 0.1]
results = noise_comparison_study(circuit, noise_levels)

最佳实践

电路设计
- 使用适合拓扑的量子比特类型
- 保持电路模块化和可重用
- 用描述性键标记测量
- 在执行前根据设备约束验证电路
模拟
- 对纯态使用态向量模拟（更高效）
- 仅在需要时使用密度矩阵模拟（混合态、噪声）
- 利用参数扫描代替单独运行
- 监控大系统的内存使用（2^n增长迅速）
硬件执行
- 先在模拟器上测试
- 使用校准数据选择最佳量子比特
- 为目标硬件门集优化电路
- 为生产运行实现误差缓解
- 立即存储昂贵的硬件结果
电路优化
- 从高级内置变换器开始
- 按顺序链式多个优化
- 跟踪深度和门数减少
- 变换后验证正确性
噪声建模
- 使用校准数据的真实噪声模型
- 包括所有错误源（门错误、退相干、读出错误）
- 先表征后缓解
- 保持电路浅以减少噪声累积
实验
- 结构实验清晰分离（数据生成、收集、分析）
- 使用ReCirq模式提高可重复性
- 频繁保存中间结果
- 并行化独立任务
- 用元数据彻底文档化

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

电路太深，不适合硬件：

使用电路优化变换器减少深度
参见transformation.md获取优化技术

模拟内存问题：

从密度矩阵切换到态向量模拟器
减少量子比特数或对Clifford电路使用稳定器模拟器

设备验证错误：

检查量子比特连接性，使用device.metadata.nx_graph
将门分解为设备原生门集
参见hardware.md获取设备特定编译

噪声模拟太慢：

密度矩阵模拟是O(2^2n) - 考虑减少量子比特
仅在关键操作上选择性使用噪声模型
参见simulation.md获取性能优化