Qiskit

Qiskit

概述

Qiskit是世界上最流行的开源量子计算框架，下载量超过1300万次。用于构建量子电路、针对硬件进行优化、在模拟器或真实量子计算机上执行，以及分析结果。支持IBM Quantum（100+量子比特系统）、IonQ、Amazon Braket等提供商。

主要特性：

• 比竞争对手快83倍的转译速度
• 优化电路中两量子比特门数量减少29%
• 与后端无关的执行（本地模拟器或云硬件）
• 用于优化、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)           # 对量子比特0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

核心功能

1. 设置和安装

关于详细的安装、认证和IBM Quantum账户设置：

• 参见 `references/setup.md`

涵盖主题：

• 使用uv进行安装
• Python环境设置
• IBM Quantum账户和API令牌配置
• 本地与云端执行

2. 构建量子电路

关于使用门、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、相位门）
• 多量子比特门（CNOT、SWAP、Toffoli）
• 测量和屏障
• 电路组合和属性
• 变分算法的参数化电路

3. 原语（Sampler和Estimator）

关于执行量子电路和计算结果：

• 参见 `references/primitives.md`

涵盖主题：

• Sampler：获取比特串测量和概率分布
• 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. 转译和优化

关于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（初始化、布局、路由、转换、优化、调度）
• 高级特性（虚拟置换消除、门抵消）
• 常用参数（initial_layout、approximation_degree、seed）
• 高效电路的最佳实践

5. 可视化

关于显示电路、结果和量子态：

• 参见 `references/visualization.md`

涵盖主题：

• 电路绘制（文本、matplotlib、LaTeX）
• 结果直方图
• 量子态可视化（布洛赫球、状态城市、QSphere）
• 后端拓扑和误差图
• 自定义和样式
• 保存 publication 质量的图形

6. 硬件后端

关于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）
• 误差缓解策略

7. Qiskit Patterns工作流

关于实现四步量子计算工作流：

• 参见 `references/patterns.md`

涵盖主题：

• 映射：将问题转换为量子电路
• 优化：为硬件转译
• 执行：使用原语运行
• 后处理：提取和分析结果
• 完整的VQE示例
• Session与Batch执行
• 常见工作流模式

8. 量子算法和应用

关于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

如果您需要：

• 安装Qiskit或设置IBM Quantum账户 → references/setup.md
• 构建新的量子电路 → references/circuits.md
• 了解门和电路操作 → 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
• 优化电路以适应硬件 → 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
• 连接到第三方提供商 → 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：在使用硬件前先在本地测试

   from qiskit.primitives import StatevectorSampler
   sampler = StatevectorSampler()

1. 始终转译：在执行前优化电路

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

1. 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）

1. 选择执行模式：

• Session：迭代算法（VQE、QAOA）
• Batch：独立并行作业
• 单个作业：一次性实验

性能优化

• 生产环境使用optimization_level=3
• 最小化两量子比特门（主要误差源）
• 在使用硬件前用噪声模拟器测试
• 保存并重用转译后的电路
• 监控变分算法的收敛

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以便以后检索
• 应用误差缓解（resilience_level）
• 从较少的shots开始，最终运行时增加

常见模式

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')

额外资源

• 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
• 模式指南：https://quantum.cloud.ibm.com/docs/en/guides/intro-to-patterns