Google量子计算框架。当针对Google Quantum AI硬件、设计噪声感知电路或运行量子表征实验时使用。最适合Google硬件、噪声建模和低级电路设计。IBM硬件请使用qiskit；量子ML与自动微分请使用pennylane；物理模拟请使用qutip。

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。

何时使用此技能

在以下情况下使用 Cirq：

使用 Google 量子硬件 - 针对 Google Quantum AI 设备设计电路
噪声感知电路设计 - 考虑实际硬件噪声进行电路优化
量子表征实验 - 运行量子表征和基准测试实验
低级电路设计 - 需要细粒度控制量子门和脉冲
噪声建模 - 模拟和分析噪声对量子计算的影响

替代框架：

IBM 硬件 → 使用 Qiskit
量子机器学习 → 使用 PennyLane
物理模拟 → 使用 QuTiP

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 为控制,q1 为目标
    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}")

核心功能

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](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(Bell 态、GHZ、QFT)
导入/导出(OpenQASM、JSON)
使用量子位和可观测量

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](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(单个和多个参数)
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

关于优化、编译和操作量子电路的信息,请参阅:

[references/transformation.md](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)
硬件电路编译
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

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](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、身份验证、作业管理和硬件电路优化。

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](references/noise.md) - 噪声建模完整指南

常见主题:

噪声信道(去极化、振幅衰减、相位衰减)
噪声模型(常数、门特定、量子比特特定、热)
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](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)
    )

# 定义代价函数
def my_cost(result):
    state = result.final_state_vector
    # 基于态计算代价
    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
        # 设置工作区...
        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):
    """比较不同噪声水平下的电路性能。"""

    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

为您的拓扑结构使用适当的量子比特类型
保持电路模块化和可重用
使用描述性键标记测量
执行前根据设备约束验证电路

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)
利用参数扫描而不是单独运行
监控大型系统的内存使用量(2^n 增长很快)

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

电路优化

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

噪声建模

使用来自校准数据的现实噪声模型
包括所有错误源(门、退相干、读出)
在缓解之前表征
保持电路浅以最小化噪声积累

实验

用清晰的分离构建实验(数据生成、收集、分析)
使用 ReCirq 模式以确保可重现性
频繁保存中间结果
并行化独立任务
使用元数据彻底记录

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

电路对于硬件来说太深:

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 电路使用稳定器模拟器

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
选择性地仅在关键操作上使用噪声模型
参见 simulation.md 了解性能优化

Cirq - Python 量子计算