English | 简体中文
TensorCircuit 是下一代量子电路模拟器，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之上，并且与机器学习后端无关。 它特别适用于量子经典混合范式和变分量子算法的高效模拟。
请从 快速上手 和 Jupyter 教程 开始。
有关更多信息和介绍，请参阅有用的 示例脚本 和 完整文档。 测试 中的 API docstring 和测试用例也提供了丰富的信息。
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())- 运行时特性定制:
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))该包是用纯 Python 编写的，可以通过 pip 直接获取：
pip install tensorcircuit我们也有 Docker 支持。
-
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
-
效率
-
时间：与 TFQ 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
-
API 设计：人类可理解的量子，更少的代码，更多的可能
-
有关贡献指南和说明，请参阅 贡献。
我们欢迎大家提出问题、PR 和讨论，这些都托管在 GitHub 上。
可微量子架构搜索的应用见 应用。 参考论文：https://arxiv.org/pdf/2010.08561.pdf
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/pdf/2106.05105.pdf 和 https://arxiv.org/pdf/2112.10380.pdf 。
VQEX 在 MBL 相位识别上的应用见 教程。 参考论文: https://arxiv.org/pdf/2111.13719.pdf 。