企业官网建设流程全解析

• AI 技能
• AI 插件

导读

本文以 agentic-awesome-skills 仓库中 cirq 技能文档 为骨架，系统讲解 Google Quantum AI 开源框架 Cirq 在量子电路设计、模拟、变换与硬件执行方面的完整用法。读完本文，你将掌握用 Python 编写并模拟含参量子电路、接入 Google/IonQ/Azure 等真实量子后端，以及用变分算法、噪声研究等模板搭建可复用的量子实验工作流的实战能力。

该技能在 AAS 目录中被归类为science类别，风险等级为critical，同时支持 Codex 与 Claude 两类 Agent 目标（见 catalog.json 与 skills_index.json 中的 cirq 条目），安装方式为免配置（setup type 为none）。

适用场景

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、模拟与运行量子电路。以下场景适合启用该技能：

• 你正在使用 Cirq 生态体系设计、模拟或执行量子电路；
• 你需要 Google Quantum AI 风格的量子原语、参数化电路，或cirq-google、cirq-ionq等硬件集成扩展；
• 你正在 Python 环境中进行量子工作流的原型开发或教学，需要可直接运行的具体电路示例。

安装与硬件后端配置

基础安装只需一行命令：

uv pip install cirq

如果需要在真实量子硬件上运行，需要按后端分别安装对应的集成包：

# 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

其中cirq-google面向 Google 的 Sycamore、Weber 等处理器，cirq-ionq面向离子阱量子计算机，cirq-aqt对接 Alpine Quantum Technologies，cirq-pasqal对接中性原子量子计算机，而azure-quantum则通过 Azure Quantum 云服务统一访问 IonQ 与 Honeywell（Quantinuum）等后端。安装时建议在虚拟环境中使用uv或pip管理依赖，确保 NumPy、SciPy、SymPy 等科学计算依赖版本兼容。

快速上手：从基本电路到参数扫描

基本电路：Hadamard + CNOT

以下代码创建两个量子比特，构建一个"贝尔态制备"式的基本电路，并执行 1000 次测量采样：

import cirq import numpy as np # Create qubits q0, q1 = cirq.LineQubit.range(2) # Build circuit circuit = cirq.Circuit( cirq.H(q0), # Hadamard on q0 cirq.CNOT(q0, q1), # CNOT with q0 control, q1 target cirq.measure(q0, q1, key='result') ) print(circuit) # Simulate simulator = cirq.Simulator() result = simulator.run(circuit, repetitions=1000) # Display results print(result.histogram(key='result'))

逐段解读：

• cirq.LineQubit.range(2)创建编号为 0、1 的两个一维线性量子比特。Cirq 还提供GridQubit（二维网格拓扑，贴合超导芯片布局）与NamedQubit（任意命名的抽象比特）等类型，应根据目标器件拓扑选择；
• cirq.H(q0)在 q0 上施加 Hadamard 门，将 |0⟩ 变为叠加态 (|0⟩+|1⟩)/√2；cirq.CNOT(q0, q1)以 q0 为控制位、q1 为目标位施加受控非门，从而在 q0、q1 之间建立纠缠；
• cirq.measure(q0, q1, key='result')用描述性键result标记测量，便于后续从结果中按键取出直方图；
• cirq.Simulator()是精确态矢量模拟器，run(..., repetitions=1000)做 1000 次采样，result.histogram(key='result')返回各测量结果的频数分布。

参数化电路与参数扫描

量子变分类算法（如 VQE、QAOA）的核心是参数化电路。Cirq 使用 SymPy 符号定义可调参数，并用Linspace等扫描器批量求值：

import sympy # Define symbolic parameter theta = sympy.Symbol('theta') # Create parameterized circuit circuit = cirq.Circuit( cirq.ry(theta)(q0), cirq.measure(q0, key='m') ) # Sweep over parameter values sweep = cirq.Linspace('theta', start=0, stop=2*np.pi, length=20) results = simulator.run_sweep(circuit, params=sweep, repetitions=1000) # Process results for params, result in zip(sweep, results): theta_val = params['theta'] counts = result.histogram(key='m') print(f"θ={theta_val:.2f}: {counts}")

这里cirq.ry(theta)(q0)生成绕 Y 轴旋转 θ 的单比特门，θ 是 SymPy 符号；cirq.Linspace('theta', start=0, stop=2*np.pi, length=20)在 [0, 2π] 上均匀取 20 个点；simulator.run_sweep(circuit, params=sweep, repetitions=1000)一次性完成 20 组参数的并行采样，比逐个run更高效。输出按 θ 值打印对应的测量直方图，可直接观察旋转角与测量概率之间的周期关系。

核心能力全景

该技能文档将 Cirq 的核心能力划分为六大模块，覆盖从电路设计到实验分析的完整链路。

电路构建（Circuit Building）

电路构建是 Cirq 的根基，涉及以下主题：

• 量子比特类型：GridQubit、LineQubit、NamedQubit，分别对应芯片网格拓扑、线性链拓扑与抽象命名场景；
• 单比特与双比特门：如 H、X、Y、Z、Rx/Ry/Rz、CNOT、CZ、SWAP 等；
• 参数化门与操作：通过 SymPy 符号把角度等参数注入门操作，供后续扫描或经典优化器迭代；
• 自定义门分解：通过定义 Gate/Operation 子类并实现_decompose_，把高层门展开为底层原生门集合；
• 用 Moment 组织电路：cirq.Circuit内部按时序切片（Moment）组织操作，同一 Moment 内的操作互不依赖、可并行执行，这是 Cirq 电路模型的独有优势；
• 标准电路模板：贝尔态、GHZ 态、量子傅里叶变换（QFT）等经典模式；
• 导入导出：支持 OpenQASM、JSON 等格式，便于与其他工具链互操作；
• qudit 与可观测量：除 qubit 外还支持更高维度的 qudit，以及cirq.PauliSum等可观测量定义。

模拟（Simulation）

模拟是硬件资源稀缺时代验证算法正确性的首选手段，核心主题包括：

• 精确模拟：态矢量模拟（纯态，复杂度 O(2ⁿ)）与密度矩阵模拟（混合态、噪声场景，复杂度 O(2²ⁿ)）；
• 采样与测量：run()返回采样结果，simulate()返回最终态矢量等完整状态信息；
• 参数扫描：支持单参数与多参数联合扫描（Linspace、Zip、Product等扫描器）；
• 噪声模拟：DensityMatrixSimulator结合噪声模型模拟含噪声电路；
• 态直方图与可视化：对测量结果做统计与绘图分析；
• 量子虚拟机（QVM）：模拟真实硬件的延迟、保真度与拓扑约束，实现"写一次、处处运行"的硬件对齐开发体验；
• 期望值与可观测量：通过simulate_expectation_values直接计算 Pauli 算符期望值；
• 性能优化：根据电路特性选择最优模拟器（如 Clifford 电路可用 stabilizer 模拟器大幅提速）。

电路变换（Circuit Transformation）

变换框架用于电路的优化、编译与改写，主题包括：

• Transformer 框架：cirq.transformers提供可组合、可复用的电路变换原语；
• 门分解：将非原生门递归展开为目标门集；
• 电路优化：合并相邻门（MergeSingleQubitGates）、弹出 Z 门（EjectZ）、丢弃可忽略的微小操作（DropNegligible）等；
• 面向硬件的编译：把电路编译到特定器件的原生门集与拓扑上；
• 量子比特路由与 SWAP 插入：通过cirq_google.optimized_for_xmon等工具处理芯片连通性限制；
• 自定义 Transformer 与变换流水线：通过Transformer协议组合多个变换步骤，形成可复用的编译管线。

硬件集成（Hardware Integration）

在真实硬件上运行电路是 Cirq 的最终价值所在，文档列出的受支持后端包括：

• 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 与 Honeywell 后端；
• AQT（cirq-aqt）：Alpine Quantum Technologies；
• Pasqal（cirq-pasqal）：中性原子量子计算机。

涉及的主题包括设备表示、量子比特选择、认证鉴权、作业管理与面向硬件的电路优化。

噪声建模（Noise Modeling）

含噪量子计算（NISQ）时代，噪声建模是评估真实性能的前提，主题包括：

• 噪声信道：退极化（depolarizing）、振幅阻尼（amplitude damping）、相位阻尼（phase damping）等；
• 噪声模型：恒定噪声、门特指噪声、比特特指噪声、热噪声等，可从cirq.NoiseModel派生自定义模型；
• 向电路注入噪声：如circuit.with_noise(...)便捷方法；
• 读出噪声：模拟测量阶段错误；
• 噪声表征：随机基准测试（randomized benchmarking）、交叉熵基准（XEB）等；
• 噪声可视化：以热力图等形式呈现噪声分布；
• 纠错与缓解技术：误差缓解（error mitigation）手段，降低硬件噪声对结果的污染。

量子实验（Quantum Experiments）

将以上能力组织成可复现的实验，主题包括：

• 实验设计模式：清晰划分数据生成、采集与分析三个阶段；
• 参数扫描与数据采集：批量扫描参数并规范记录结果；
• ReCirq 框架结构：Google 维护的可复现量子实验框架，强调实验的可重复性与元数据完备性；
• 常见算法：VQE（变分量子本征求解器）、QAOA（量子近似优化算法）、QPE（量子相位估计）；
• 数据分析与可视化：对采样数据做统计处理与绘图；
• 统计分析与保真度估计：从有限采样中估计态保真度与置信区间；
• 并行数据采集：对相互独立的任务并行化，缩短实验总时长。

常用实战模板

技能文档提供了三个可直接改造使用的模板，是搭建量子应用的最佳起点。

变分算法模板（VQE/QAOA 骨架）

import scipy.optimize def variational_algorithm(ansatz, cost_function, initial_params): """Template for variational quantum algorithms.""" def objective(params): circuit = ansatz(params) simulator = cirq.Simulator() result = simulator.simulate(circuit) return cost_function(result) # Optimize result = scipy.optimize.minimize( objective, initial_params, method='COBYLA' ) return result # Define ansatz def my_ansatz(params): q = cirq.LineQubit(0) return cirq.Circuit( cirq.ry(params[0])(q), cirq.rz(params[1])(q) ) # Define cost function def my_cost(result): state = result.final_state_vector # Calculate cost based on state return np.real(state[0]) # Run optimization result = variational_algorithm(my_ansatz, my_cost, [0.0, 0.0])

该模板的核心思想是：由经典优化器（此处为 SciPy 的COBYLA，适合无梯度黑盒优化）反复调用量子模拟器，把"参数 → 电路 → 目标函数值"闭环起来。实战中，my_ansatz可以替换为任意层数的纠缠参量线路，my_cost可以替换为哈密顿量期望值等真实目标函数。

硬件执行模板

def run_on_hardware(circuit, provider='google', device_name='weber', repetitions=1000): """Template for running on quantum hardware.""" 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 # Setup workspace... service = AzureQuantumService(workspace) result = service.run(circuit, repetitions=repetitions, target='ionq.qpu') return result else: raise ValueError(f"Unknown provider: {provider}")

该模板展示了统一接口调用多后端的能力：Google 侧通过get_engine()→get_processor(name)获取处理器并提交作业；IonQ 侧通过Service().run(..., target='qpu')提交到 QPU；Azure 侧则通过AzureQuantumService(workspace)连接云工作区后以target='ionq.qpu'指定后端。注意：真实运行前需要完成各平台的认证配置（API Key、凭据或 Azure 工作区参数），且应先在模拟器上验证电路再提交硬件。

噪声对比研究模板

def noise_comparison_study(circuit, noise_levels): """Compare circuit performance at different noise levels.""" results = {} for noise_level in noise_levels: # Create noisy circuit noisy_circuit = circuit.with_noise(cirq.depolarize(p=noise_level)) # Simulate simulator = cirq.DensityMatrixSimulator() result = simulator.run(noisy_circuit, repetitions=1000) # Analyze results[noise_level] = { 'histogram': result.histogram(key='result'), 'dominant_state': max( result.histogram(key='result').items(), key=lambda x: x[1] ) } return results # Run study noise_levels = [0.0, 0.001, 0.01, 0.05, 0.1] results = noise_comparison_study(circuit, noise_levels)

模板用circuit.with_noise(cirq.depolarize(p=noise_level))按不同退极化率注入噪声，再以密度矩阵模拟器（能刻画混合态）逐级测量，最后统计各噪声水平下的主导测量态。噪声水平从 0 逐步增加到 0.1，可以直观看到纠缠态随噪声退相干、保真度下降的过程，是评估算法噪声鲁棒性的通用工具。

最佳实践清单

技能文档归纳了六大类最佳实践，值得在工程中逐条落实：

1. 电路设计

   • 按目标拓扑选择合适的量子比特类型；
   • 保持电路模块化、可复用（将 ansatz 封装为可调用函数）；
   • 用描述性键标记测量（如key='result'），避免结果混淆；
   • 在提交执行前用器件约束校验电路合法性。

2. 模拟

   • 纯态优先用态矢量模拟（更高效）；
   • 仅当需要混合态或噪声时才用密度矩阵模拟；
   • 用参数扫描替代逐点运行，减少调度开销；
   • 监控大系统内存：态矢量规模按 2ⁿ 增长，极易撑爆内存。

3. 硬件执行

   • 始终先在模拟器上验证；
   • 依据校准数据挑选最优量子比特；
   • 将电路优化到目标硬件的原生门集；
   • 生产级运行必须配合误差缓解；
   • 硬件结果昂贵，取回后立即持久化保存。

4. 电路优化

   • 优先使用内建的高层 Transformer；
   • 按序串联多个优化步骤形成流水线；
   • 跟踪深度与门数量的削减幅度；
   • 变换后必须验证结果正确性（与变换前对照）。

5. 噪声建模

   • 从校准数据出发构建贴近现实的噪声模型；
   • 覆盖所有误差源：门误差、退相干、读出误差；
   • 先表征（characterize）再缓解（mitigate）；
   • 保持电路浅层，减少噪声累积。

6. 实验管理

   • 实验结构清晰分层：数据生成、采集、分析分离；
   • 借鉴 ReCirq 模式保证可复现性；
   • 频繁保存中间结果；
   • 对独立任务并行化；
   • 用元数据完整记录实验参数与环境。

常见问题排查

• 电路对硬件而言过深：使用电路优化 Transformer 降低深度；查阅变换框架章节选用MergeSingleQubitGates、EjectZ、DropNegligible等优化手段。
• 模拟内存不足：从密度矩阵模拟器切换为态矢量模拟器；减少量子比特数；对 Clifford 电路改用 stabilizer 模拟器（线性复杂度）。
• 设备校验错误：通过device.metadata.nx_graph检查量子比特连通性；将门分解到器件原生门集；使用面向特定器件的编译工具。
• 噪声模拟过慢：密度矩阵模拟复杂度为 O(2²ⁿ)，考虑减少比特数；只对关键操作选择性施加噪声模型，而非全电路注入。

技能使用边界

该技能在 AAS 中标注为critical风险等级（见 catalog.json 中 cirq 条目），使用时需注意：

• 仅在任务明确匹配上述范围时启用该技能；
• 输出不能替代针对具体环境的验证、测试或专家评审；
• 当必要输入、权限、安全边界或成功标准缺失时，应停下来向用户确认，而不是擅自假设。

在 AAS 仓库中的定位与索引

作为 AAS 技能目录的一员，cirq 技能在仓库中有两处同步的 SKILL.md 副本：skills/cirq/SKILL.md（根级技能集）与 plugins/agentic-awesome-skills-claude/skills/cirq/SKILL.md（Claude 插件版）。元数据层面，skills_index.json 与 catalog.json 将其登记为：类别science、来源community、许可证 Apache-2.0、加入日期 2026-09-04，并同时支持 Codex 与 Claude 两种 Agent 目标，且无额外安装配置（setup type 为none），即安装技能包后即可直接调用。技能作者为 K-Dense Inc.，触发词覆盖cirq、quantum、circuit、simulator等量子计算相关关键词，方便 Agent 在匹配任务时自动检索与引用。

• AI 技能
• AI 插件