Skip to content

Latest commit

 

History

History
271 lines (206 loc) · 10.5 KB

README_cn.md

File metadata and controls

271 lines (206 loc) · 10.5 KB

TyxonQ

真实硬件基础上的全栈量子软件框架

License Python Real Quantum Hardware

TyxonQ​​ 太玄量子 是一个面向量子模拟、优化和量子机器学习的全栈量子软件框架。它基于开源项目 ​​TensorCircuit​​ 并遵循 Apache 2.0 许可协议。框架整合了现代量子编程范式，包括自动微分、即时编译和硬件加速。

🚀 支持真实量子硬件: TyxonQ 通过提供QureGenAI的量子云服务，支持在真实量子设备上运行。目前已支持 Homebrew_S2 量子处理器，让你的量子算法不止在模拟器上运行，而是真实硬件执行。

立即体验真实量子计算！: 点此申请 Key 注册并获取 API 密钥。

通过创新性地结合生成式人工智能与异构计算架构，TyxonQ 为量子化学、药物发现以及材料科学提供端到端的解决方案。

🏗️ 量子-经典混合架构

TyxonQ 实现了一个完整的量子-经典混合工作流，将高层量子算法映射为可在硬件上执行的量子程序：

Architect of TyxonQ

架构组成:
  • 🧮 量子算法层: 高层量子算法描述
  • 🔄 电路结构: 带旋转门角度参数的参数化量子电路
  • ⚙️ 逻辑电路合成: 自动化电路优化与编译
  • 🎯 量子比特映射: 物理拓扑的映射与路由
  • 💻 硬件执行: 在 Homebrew_S2 量子处理器上直接运行

主要特性

🔥 实际量子硬件集成

  • 面向生产的量子执行: 直接集成到 QureGenAI的 Homebrew_S2 量子处理器
  • 脉冲级控制: 同时支持门级操作和 pulse-level signals 以实现高级量子控制
  • 实时量子计算: 以低延迟在真实量子硬件上执行你的量子算法
  • 量子–经典混合工作流: 无缝结合经典预处理与量子执行

🚀 即将上线的 API 和 MCP 服务 (即将上线)

  • 🔗 量子 API 网关: RESTful 接口直连量子硬件
  • 🤖 LLM 集成: 大语言模型的控制协议
  • ☁️ 量子云服务: 可扩展的量子计算即服务（QaaS）
  • 📊 实时监控: 量子任务监控与结果分析

统一的量子-经典混合计算范式

  • 支持高效模拟与优化变分量子算法（VQE、QAOA），内置 自动微分引擎，可与 PyTorch/TensorFlow 的梯度计算流程无缝集成。
  • 提供 混合任务调度器，可动态分配量子硬件与经典计算资源（CPU/GPU）以实现加速。

多层次硬件支持​​

​​- 直接量子硬件集成​​: 兼容主流量子处理器（如超导量子机），支持从门级操作到​脉冲级信号的低层控制 🔥 🔥 🔥​.

  • ​​异构计算优化​​: 通过 GPU 向量化和量子指令编译来提升模拟吞吐量。

生成式 AI 集成

  • 内置 生成式量子特征求解器 (GQE)​​ and ​量子机器学习 (QML) 模块，可直接在分子结构生成、蛋白质折叠计算等任务中部署预训练模型。
  • 支持 大语言模型（LLM）交互​​, 实现自动化的 ​​"自然语言 → 量子电路"​​ 生成（实验性功能）。

Domain-Specific Toolkits​​

  • 量子化学套件​: 包含分子哈密顿量构建器与电子结构分析工具，兼容 PySCF, ByteQC 和 ​​OpenMM​等经典量子化学与药物发现框架。
  • ​​材料模拟库​: 集成了 量子加速的密度泛函理论（DFT）模块，可用于预测新型材料的能带结构。

🚀 路线图与开发进度

✅ 当前功能 (v1.x)

  • 量子电路仿真与优化
  • 真实量子硬件执行 (Homebrew_S2)
  • 自动微分引擎
  • 多后端支持（NumPy、PyTorch、TensorFlow、JAX）
  • 变分量子算法 (VQE,GQE,QAOA)
  • 量子化学工具包集成

🔄 开发中 (v2.x)

  • 量子 API 网关 - 面向量子硬件访问的 RESTful API
  • MCP 服务 - 大语言模型集成协议
  • 高级量子错误缓解协议
  • 增强的脉冲级控制接口
  • 实时量子任务监控面板
  • 基于机器学习的量子电路优化

🎯 未来计划 (v3.x+)

  • 多 QPU 支持 - 支持更多量子处理器
  • 量子网络 - 分布式量子计算能力
  • 先进的 QML 模型 - 预训练的量子机器学习模型
  • 自然语言接口 - "英文 → 量子电路" 生成
  • 量子优势基准 - 标准化的性能指标
  • 企业级云平台 - 可扩展的量子计算基础设施

🧪 实验性功能

  • 量子生成对抗网络 (QGANs)
  • 量子联邦学习协议
  • 量子增强的药物发现流程
  • 材料发现加速框架

安装

当前支持的操作系统：Linux 和 Mac。

该软件包目前由纯 Python 编写，可通过 pip 获取，或

从源码安装：

uv build
uv pip install dist/tyxonq-0.1.1-py3-none-any.whl

pip 的用法如下:

# 使用 Python 虚拟环境
python -m venv pyv_tyxonq
source pyv_tyxonq/bin/activate
pip install tyxonq

或者

uv pip install tyxonq

或者你也可以从 GitHub 安装:

git clone https://github.com/QureGenAI-Biotech/TyxonQ.git
cd tyxonq
pip install --editable .

入门示例

参见 examples/Get_Started_Demo.ipynb

🔑 实际量子硬件设置

获取 API 访问权限

  1. 申请 API Key：访问 TyxonQ Quantum AI Portal 注册并获取你的 API Key
  2. 硬件访问：通过 API 请求访问 Homebrew_S2 量子处理器 TyxonQ QPU API

配置

设置你的 API 凭证：

import tyxonq as tq
from tyxonq.cloud import apis
import getpass

# 配置量子硬件访问
API_KEY = getpass.getpass("Input your TyxonQ API_KEY:")
apis.set_token(API_KEY) # 从 https://www.tyxonq.com 获取

实际硬件示例 参见 'examples/simple_demo_1.py' , 运行：

python examples/simple_demo_1.py

代码:

import tyxonq as tq
import getpass
from tyxonq.cloud import apis
import time
# Configure for real quantum hardware
apis.set_token(getpass.getpass("Input your TyxonQ API_KEY: "))

provider = "tyxonq"
device = "homebrew_s2"

# Create and execute quantum circuit on real hardware
def quantum_hello_world():
    c = tq.Circuit(2)
    c.H(0)                    # Hadamard gate on qubit 0
    c.CNOT(0, 1)             # CNOT gate between qubits 0 and 1
    c.rx(1, theta=0.2)       # Rotation around x-axis
    
    # Execute on real quantum hardware

    print("Submit task to TyxonQ")

    task = apis.submit_task(provider = provider,
                        device = device,
                        circuit = c,
                        shots = 100)
    print(f"Task submitted: {task}")
    print("Wait 20 seconds to get task details")
    time.sleep(20)
    print(f"Real quantum hardware result: {task.details()}")

quantum_hello_world()

基本用法与指南

鉴于与 ​​TyxonQ 特性​​相关的功能和文档目前仍在开发中，你可以暂时参考上游库 ​​Tensorcircuit​​ 的使用指南： 快速入门 和 完整文档。 我们未来将会更新 ​​TyxonQ​​ 的文档和教程，提供 英文、中文 和 日文 版本。

  • 电路操作：
import tyxonq as tq
c = tq.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"))
  • 运行时行为自定义:
tq.set_backend("tensorflow")
tq.set_dtype("complex128")
tq.set_contractor("greedy")
  • 带有 jit 的自动微分:
def forward(theta):
    c = tq.Circuit(2)
    c.R(0, theta=theta, alpha=0.5, phi=0.8)
    return tq.backend.real(c.expectation((tq.gates.z(), [0])))

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

依赖

  • Python >= 3.7（支持 Python 3.7、3.8、3.9、3.10、3.11、3.12+）
  • PyTorch >= 1.8.0

📧 联系与支持

微信公众号 | Official WeChat

TyxonQ 微信公众号

开发者交流群 | Developer Community

TyxonQ 开发者交流群

扫码关注公众号获取最新资讯 | Scan to follow for latest updates
扫码加入开发者群进行技术交流 | Scan to join developer community

Discord

欢迎加入我们在Discord上的TyxonQ服务器：https://discord.gg/jmaV6Zaz

希望这个空间能成为您学习和贡献开源量子计算项目 TyxonQ 的实用资源。

我们建立这个服务器的初衷：

  1. 和来自世界各地的朋友探讨、交流量子计算的发展、使用和前沿信息。
  2. 欢迎大家使用太玄量子TyxonQ, 你们的珍贵反馈将会是我们进步的源泉！
  3. 在全世界范围内征集太玄量子TyxonQ的文档编辑志愿者，愿我们一同将量子计算变成触手可及的现实！

您将见证我们构建更优质的量子计算软件框架。如果有意愿，也欢迎您成为贡献者，并携手打造一个基于真实机器的、更卓越的开源量子计算项目！ ！ 🖥️

开发团队

  • QureGenAI：量子硬件基础设施与服务
  • TyxonQ 核心团队：框架开发与优化
  • 社区贡献者：开源开发与测试

许可协议

TyxonQ 是开源项目，遵循 Apache License 2.0 版发布。