PyTorch中的量子计算

更快、可扩展、易于调试、易于在真实量子设备上部署

👋 欢迎

它的作用

使用PyTorch在经典硬件上模拟量子计算。它支持在GPU上进行状态向量模拟和脉冲级模拟。通过多块GPU，可以扩展到对30多个量子比特的模拟。

哪些人会受益

从事量子算法设计、参数化量子电路训练、量子最优控制、量子机器学习和量子神经网络的研究人员。

与Qiskit/Pennylane的区别

动态计算图、自动梯度计算、快速的GPU支持、批量模型张量化处理。

新闻

• Torchquantum被用于ACM药物发现量子计算挑战赛的获胜团队。
• Torchquantum在unitaryHACK中被重点介绍。
• TorchQuantum获得了Unitary基金会的小额资助。
• TorchQuantum已集成到IBM Qiskit生态系统。
• TorchQuantum已集成到PyTorch生态系统。
• v0.1.8现已发布！
• 请查看开发分支，了解关于量子层和量子算法的最新功能。
• 加入我们的Slack，获取实时支持！
• 欢迎大家贡献代码！如果您希望TorchQuantum实现新的示例或有任何其他问题，请联系我们或在GitHub Issues中留言。
• Qmlsys网站上线：qmlsys.mit.edu和torchquantum.org

特性

• 在PyTorch中轻松构建和模拟量子电路
• 动态计算图，便于调试
• 通过autograd实现梯度支持
• 在CPU/GPU上进行批处理模式的推理和训练
• 易于部署到真实的量子设备，如IBMQ
• 轻松构建经典-量子混合模型
• （即将推出）脉冲级模拟

安装

git clone https://github.com/mit-han-lab/torchquantum.git
cd torchquantum
pip install --editable .

基本用法

import torchquantum as tq
import torchquantum.functional as tqf

qdev = tq.QuantumDevice(n_wires=2, bsz=5, device="cpu", record_op=True) # 使用device='cuda'以利用GPU

# 使用qdev.op
qdev.h(wires=0)
qdev.cnot(wires=[0, 1])

# 使用tqf
tqf.h(qdev, wires=1)
tqf.x(qdev, wires=1)

# 使用tq.Operator
op = tq.RX(has_params=True, trainable=True, init_params=0.5)
op(qdev, wires=0)

# 打印当前状态（支持动态计算图）
print(qdev)

# 获取QASM字符串
from torchquantum.plugin import op_history2qasm
print(op_history2qasm(qdev.n_wires, qdev.op_history))

# 在z基下测量状态
print(tq.measure(qdev, n_shots=1024))

# 通过随机采样获得可观测值的期望值（可在模拟器和真实量子硬件上进行）
from torchquantum.measurement import expval_joint_sampling
expval_sampling = expval_joint_sampling(qdev, 'ZX', n_shots=1024)
print(expval_sampling)

# 通过解析计算获得可观测值的期望值（仅限于经典模拟器）
from torchquantum.measurement import expval_joint_analytical
expval = expval_joint_analytical(qdev, 'ZX')
print(expval)

# 计算期望值关于可训练参数的梯度
expval[0].backward()
print(op.params.grad)


# 使用tq.QuantumModule将门作用于qdev
ops = [
    {'name': 'hadamard', 'wires': 0}, 
    {'name': 'cnot', 'wires': [0, 1]},
    {'name': 'rx', 'wires': 0, 'params': 0.5, 'trainable': True},
    {'name': 'u3', 'wires': 0, 'params': [0.1, 0.2, 0.3], 'trainable': True},
    {'name': 'h', 'wires': 1, 'inverse': True}
]

qmodule = tq.QuantumModule.from_op_history(ops)
qmodule(qdev)

示例指南

我们还准备了许多使用 TorchQuantum 的示例和教程。

对于初级水平，您可以查看 用于 MNIST 的 QNN、量子卷积（Quanvolution）、量子核方法 和 量子回归。

对于中级水平，您可以查看 用于 MNIST 的振幅编码、Clifford 门 QNN、保存和加载 QNN 模型、Pauli 求和运算 以及 如何将 tq 转换为 Qiskit。

对于专家级，您可以查看 参数偏移片上训练、VQA 梯度剪枝、VQE、用于状态制备的 VQA 和 QAOA（量子近似优化算法）。

使用方法

构建参数化的量子电路模型就像构建普通的 PyTorch 模型一样简单。

import torch.nn as nn
import torch.nn.functional as F
import torchquantum as tq
import torchquantum.functional as tqf

class QFCModel(nn.Module):
  def __init__(self):
    super().__init__()
    self.n_wires = 4
    self.measure = tq.MeasureAll(tq.PauliZ)

    self.encoder_gates = [tqf.rx] * 4 + [tqf.ry] * 4 + \
                         [tqf.rz] * 4 + [tqf.rx] * 4
    self.rx0 = tq.RX(has_params=True, trainable=True)
    self.ry0 = tq.RY(has_params=True, trainable=True)
    self.rz0 = tq.RZ(has_params=True, trainable=True)
    self.crx0 = tq.CRX(has_params=True, trainable=True)

  def forward(self, x):
    bsz = x.shape[0]
    # 对图像进行下采样
    x = F.avg_pool2d(x, 6).view(bsz, 16)

    # 创建一个量子设备来运行门操作
    qdev = tq.QuantumDevice(n_wires=self.n_wires, bsz=bsz, device=x.device)

    # 将经典图像编码到量子域
    for k, gate in enumerate(self.encoder_gates):
      gate(qdev, wires=k % self.n_wires, params=x[:, k])

    # 添加一些可训练的门（需要提前实例化）
    self.rx0(qdev, wires=0)
    self.ry0(qdev, wires=1)
    self.rz0(qdev, wires=3)
    self.crx0(qdev, wires=[0, 2])

    # 再添加一些不可参数化的门（可以随时添加）
    qdev.h(wires=3)
    qdev.sx(wires=2)
    qdev.cnot(wires=[3, 0])
    qdev.qubitunitary(wires=[1, 2], params=[[1, 0, 0, 0],
                                            [0, 1, 0, 0],
                                            [0, 0, 0, 1j],
                                            [0, 0, -1j, 0]])

    # 进行测量以获取期望值（回到经典域）
    x = self.measure(qdev).reshape(bsz, 2, 2)

    # 分类
    x = x.sum(-1).squeeze()
    x = F.log_softmax(x, dim=1)

    return x

VQE 示例

训练一个量子电路来执行 VQE 任务。 使用 Quito 量子计算机，如 simple_vqe.py 脚本所示：

cd examples/vqe
python vqe.py

MNIST 示例

训练一个量子电路来执行 MNIST 分类任务，并将其部署到真实的 IBM Quito 量子计算机上，如 mnist_example.py 脚本所示：

cd examples/mnist
python mnist.py

文件说明

文件	描述
devices.py	存储态矢量的 QuantumDevice 类
encoding.py	将经典值编码到量子域的编码层
functional.py	量子门函数
operators.py	量子门类
layers.py	随机层等层模板
measure.py	测量量子态以获取经典值
graph.py	在静态模式下使用的量子门图
super_layer.py	用于 SuperCircuits 的层模板
plugins/qiskit*	用于在 IBMQ 上轻松部署的转换器和处理器
examples/	更多用于训练 QML 和 VQE 模型的示例

代码风格

torchquantum 使用 pre-commit 钩子来确保 Python 代码风格的一致性，并防止代码库中常见的错误。

要启用 pre-commit 钩子，请执行以下操作：

pip install pre-commit
pre-commit install

使用 TorchQuantum 的论文

• [HPCA'22] Wang 等，“QuantumNAS：针对鲁棒量子电路的噪声自适应搜索”
• [DAC'22] Wang 等，“QuantumNAT：基于噪声注入、量化和归一化的量子噪声感知训练”
• [DAC'22] Wang 等，“QOC：基于参数移位和梯度剪枝的量子片上训练”
• [QCE'22] Liang 等，“变分量子脉冲学习”
• [ICCAD'22] Hu 等，“量子神经网络压缩”
• [ICCAD'22] Wang 等，“QuEst：用于量子电路可靠性估计的图变换器”
• [ICML Workshop] Yun 等，“可瘦身的量子联邦学习”
• [IEEE ICDCS] Yun 等，“基于变分量子电路设计的量子多智能体强化学习”
• [QCE'23] Zhan 等，“用于发射机定位的量子传感器网络算法”

手稿

手稿

• Yun 等，“基于投影值测度的多分类量子机器学习”
• Baek 等，“用于点云数据处理的三维可扩展量子卷积神经网络”
• Baek 等，“可扩展的量子卷积神经网络”
• Yun 等，“量子多智能体元强化学习”

依赖项

• Python 3.7 ≤ Python ≤ 3.9（Python 3.10 可能在 Qiskit 中存在 concurrent 包的问题）
• PyTorch ≥ 1.8.0
• configargparse ≥ 0.14
• 使用 GPU 进行模型训练需要 NVIDIA GPU

联系方式

TorchQuantum 论坛

Hanrui Wang hanrui@mit.edu

贡献者

Jiannan Cao, Jessica Ding, Jiai Gu, Song Han, Zhirui Hu, Zirui Li, Zhiding Liang, Pengyu Liu, Yilian Liu, Mohammadreza Tavasoli, Hanrui Wang, Zhepeng Wang, Zhuoyang Ye

引用

@inproceedings{hanruiwang2022quantumnas,
    title     = {Quantumnas：面向鲁棒量子电路的噪声自适应搜索},
    author    = {王汉瑞、丁永山、顾佳琪、李子睿、林宇俊、潘大卫·Z、钟弗雷德里克·T、韩松},
    booktitle = {第28届IEEE高性能计算机体系结构国际研讨会（HPCA-28）},
    year      = {2022}
}

TorchQuantum 快速上手指南

TorchQuantum 是一个基于 PyTorch 的量子计算模拟库，支持在经典硬件（CPU/GPU）上进行态矢量和脉冲模拟。它具备动态计算图、自动梯度计算、批量处理等特性，适用于量子算法设计、量子机器学习及变分量子算法（如 VQE、QAOA）的研究与开发。

环境准备

• 操作系统: Linux, macOS, Windows
• Python 版本: 3.7+
• 核心依赖:
  • PyTorch (建议安装支持 CUDA 的版本以启用 GPU 加速)
  • NumPy
  • SciPy
• 可选依赖: Qiskit (用于将电路部署到 IBM 真实量子设备)

提示：请确保已正确安装 PyTorch。若需使用 GPU 加速，请访问 PyTorch 官网 获取对应的安装命令。国内用户可使用清华或中科大镜像源加速 PyTorch 安装。

安装步骤

推荐使用 pip 进行安装。你可以直接从 PyPI 安装稳定版，或从 GitHub 克隆源码安装最新版（包含最新功能）。

方式一：通过 PyPI 安装（稳定版）

pip install torchquantum

方式二：从源码安装（推荐，获取最新功能）

git clone https://github.com/mit-han-lab/torchquantum.git
cd torchquantum
pip install --editable .

国内加速提示：如果克隆 GitHub 仓库速度较慢，可配置 Git 代理或使用国内代码托管平台的镜像（如有）。安装依赖时可使用国内 pip 镜像源：

pip install --editable . -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

以下示例演示了如何创建一个量子设备、添加量子门、执行测量以及计算梯度。这是构建参数化量子电路的最简流程。

import torchquantum as tq
import torchquantum.functional as tqf

# 1. 初始化量子设备
# n_wires: 量子比特数量
# bsz: 批处理大小 (Batch Size)
# device: 'cpu' 或 'cuda'
# record_op: 记录操作历史以便转换为 QASM 或调试
qdev = tq.QuantumDevice(n_wires=2, bsz=5, device="cpu", record_op=True)

# 2. 添加量子门
# 方法 A: 直接调用设备方法
qdev.h(wires=0)       # Hadamard 门
qdev.cnot(wires=[0, 1]) # CNOT 门

# 方法 B: 使用 functional 接口
tqf.h(qdev, wires=1)
tqf.x(qdev, wires=1)

# 方法 C: 使用可训练的参数化门
# has_params=True 表示该门包含参数，trainable=True 表示参数可优化
op = tq.RX(has_params=True, trainable=True, init_params=0.5)
op(qdev, wires=0)

# 3. 查看当前状态 (支持动态计算图)
print(qdev)

# 4. 获取量子线路的 QASM 字符串
from torchquantum.plugin import op_history2qasm
print(op_history2qasm(qdev.n_wires, qdev.op_history))

# 5. 执行测量
# 基于 Z 基进行采样测量
shots_result = tq.measure(qdev, n_shots=1024)
print(shots_result)

# 6. 计算期望值 (Expectation Value)
# 方式 A: 随机采样 (适用于模拟器和真实硬件)
from torchquantum.measurement import expval_joint_sampling
expval_sampling = expval_joint_sampling(qdev, 'ZX', n_shots=1024)
print(expval_sampling)

# 方式 B: 解析计算 (仅适用于经典模拟器，无噪声)
from torchquantum.measurement import expval_joint_analytical
expval = expval_joint_analytical(qdev, 'ZX')
print(expval)

# 7. 自动微分 (计算梯度)
# 对期望值进行反向传播
expval[0].backward()
# 查看可训练参数的梯度
print(op.params.grad)

构建量子神经网络模块

你也可以像构建普通 PyTorch nn.Module 一样构建量子模块：

import torchquantum as tq

ops = [
    {'name': 'hadamard', 'wires': 0}, 
    {'name': 'cnot', 'wires': [0, 1]},
    {'name': 'rx', 'wires': 0, 'params': 0.5, 'trainable': True},
    {'name': 'u3', 'wires': 0, 'params': [0.1, 0.2, 0.3], 'trainable': True},
]

# 从操作历史快速创建量子模块
qmodule = tq.QuantumModule.from_op_history(ops)

# 在设备上运行该模块
qmodule(qdev)