Skip to content

Latest commit

 

History

History
192 lines (121 loc) · 6.6 KB

README_cn.md

File metadata and controls

192 lines (121 loc) · 6.6 KB
Raw

TENSORCIRCUIT

English | 简体中文

TensorCircuit 是下一代量子软件框架，完美支持自动微分、即时编译、硬件加速和向量并行化。

TensorCircuit 建立在现代机器学习框架 Jax, TensorFlow, PyTorch 之上，支持机器学习后端无关的统一界面。 其特别适用于理想情况、含噪声情况及可控近似情况下，大规模量子经典混合范式和变分量子算法的高效模拟。

TensorCircuit 现在支持真实量子硬件连接和实验，并提供优雅的 CPU/GPU/QPU 混合部署训练方案（v0.9+）。

入门

请从 完整文档 中的 快速上手 开始。

有关软件用法，算法实现和工程范式演示的更多信息和介绍，请参阅 70+ 示例脚本 和 30+ 案例教程。 测试 用例和 API docstring 也提供了丰富的使用信息。

以下是一些最简易的演示。

  • 电路操作:
import tensorcircuit as tc
c = tc.Circuit(2)
c.H(0)
c.CNOT(0,1)
c.rx(1, theta=0.2)
print(c.wavefunction())
print(c.expectation_ps(z=[0, 1]))
print(c.sample(allow_state=True, batch=1024, format="count_dict_bin"))
  • 运行时特性设置:
tc.set_backend("tensorflow")
tc.set_dtype("complex128")
tc.set_contractor("greedy")
  • 使用即时编译 + 自动微分:
def forward(theta):
    c = tc.Circuit(2)
    c.R(0, theta=theta, alpha=0.5, phi=0.8)
    return tc.backend.real(c.expectation((tc.gates.z(), [0])))

g = tc.backend.grad(forward)
g = tc.backend.jit(g)
theta = tc.array_to_tensor(1.0)
print(g(theta))

安装

该包是用纯 Python 编写的，可以通过 pip 直接获取：

pip install tensorcircuit

我们推荐安装时同时安装 TensorFlow，这可以通过以下安装可选项实现：

pip install tensorcircuit[tensorflow]

其他安装选项包括： [torch], [jax], [qiskit] 和 [cloud]。

此外我们有每日发布的最新版本 pip package，可以尝鲜开发的最新功能，请通过以下方式安装:

pip uninstall tensorcircuit
pip install tensorcircuit-nightly

我们也有 Docker 支持。

优势

  • 基于张量网络模拟引擎

  • 即时编译、自动微分、向量并行化兼容

  • GPU 支持、量子硬件支持、混合部署方案支持

  • 效率

    • 时间：与 TFQ, Pennylane, 或 Qiskit 相比，加速 10 到 10^6+ 倍

    • 空间：600+ qubits 1D VQE 工作流（收敛能量误差：< 1%）

  • 优雅

    • 灵活性：自定义张量收缩、多种 ML 后端/接口选择、多种数值精度、多种量子硬件

    • API 设计：人类可理解的量子，更少的代码，更多的可能

贡献

现况

该项目由腾讯量子实验室发布，由 Shi-Xin Zhang 创造并维护。当前核心作者包括 Shi-Xin Zhang 和 Yu-Qin Chen。我们也感谢来自实验室和开源社区的贡献。

引用

如果该软件对您的研究有帮助, 请引用我们发表在 Quantum 期刊的白皮书文章来支持我们的研发付出。

TensorCircuit: a Quantum Software Framework for the NISQ Era.

说明

有关贡献指南和说明，请参阅 贡献。

我们欢迎大家提出 issues, PR, 和 讨论，这些都托管在 GitHub 上。

协议

TensorCircuit 是基于 Apache License 2.0 的开源软件。

研究和应用

DQAS

可微量子架构搜索的应用见 应用。

参考论文：https://arxiv.org/abs/2010.08561 (QST)。

VQNHE

关于变分量子神经混合本征求解器的应用，请参见 应用。

参考论文：https://arxiv.org/abs/2106.05105 (PRL) 和 https://arxiv.org/abs/2112.10380 。

VQEX-MBL

VQEX 在 MBL 相位识别上的应用见 教程。

参考论文: https://arxiv.org/abs/2111.13719 (PRB)。

Stark-DTC

数值验证 Stark 多体局域化稳定的离散时间晶体，类似的 Floquet 系统模拟请参考 例子。

参考论文: https://arxiv.org/abs/2208.02866 (PRL)。

RA-Training

利用我们提出的随机量子门激活策略训练优化变分量子算法的实现请参考 项目.

参考论文: https://arxiv.org/abs/2303.08154。

TenCirChem

TenCirChem 是高效的，专注于处理和计算分子性质的量子计算软件。其基于 TensorCircuit 并为量子化学任务进行了专门的优化。

参考论文: https://arxiv.org/abs/2303.10825 (JCTC)。

EMQAOA-DARBO

数值模拟和带错误消除的真实量子硬件实验验证 QAOA 优化的代码请参考 项目。

参考论文: https://arxiv.org/abs/2303.14877。

NN-VQA

关于神经网络编码的变分量子算法的实现和工作流, 见 教程。

参考论文: https://arxiv.org/abs/2308.01068。