Agent Skills
返回列表
💻

CUDA Quantum 入门指南

开发编程 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @org-02qudk26/cudaq-guide。

技能介绍

要解决什么问题

CUDA-Q（NVIDIA 的量子编程平台）文档分散在安装、内核语法、模拟后端、真实 QPU 与示例应用多条线上。新手往往在 pip 装完不知道验什么、单 GPU 与 mgpu/mqpu 选哪个、以及 IonQ / 超导 / 云后端凭据怎么配 之间来回翻页。

技能如何工作

本技能以 /cudaq-guide [参数] 为入口，用路由表把对话直接落到主题，而不是一次性倾倒整本文档：

  • install：默认走 Python 安装路径，并强调用 Bell 态直方图（约 { 00:~500 11:~500 }）做验收；macOS / 无 GPU 时切到 qpp-cpu
  • test-program：讲清 @cudaq.kernel、cudaq.qvector、sample / run / observe / get_state 及内核内 受限 Python（内核外再用 NumPy/SciPy）
  • gpu-sim：按场景对照 nvidia、fp64、mgpu、mqpu、tensornet、qpp-cpu 等目标
  • qpu：先问技术类型再问提供商，再读对应硬件/云文档；收尾强调 emulate=True、异步提交与 环境变量存凭据
  • applications / parallelize：内置应用类别与 mgpu（大单电路内存池）vs mqpu（多电路并行）的分工

无参数时会打印完整菜单并询问你想探索的方向；回答时应对齐本地文档路径（如 docs/sphinx/using/...）。

适用边界

  • GPU 加速模拟主要在 Linux x86_64/ARM64；macOS 以 CPU 模拟为主
  • mgpu 需要 MPI；内核不能在内层使用 NumPy/SciPy
  • 真实 QPU 依赖各云/硬件商的账户与密钥，技能只引导流程，不提供凭据

使用场景

  • 在 Linux 工作站上首次 pip 安装 cudaq 后，需要按步骤跑 Bell 态并核对 00/11 各约一半
  • 单电路量子比特数超过单卡显存，要在 mgpu 内存池与 tensornet 之间选后端
  • 做 VQE 参数扫描时，希望用 mqpu 把多组独立电路并行提交到多块 GPU
  • 已选定超导或离子阱技术，需要按提供商文档配置环境变量并先用 emulate=True 试跑

适合人员

  • 在课题组 HPC 节点上部署 CUDA-Q、需区分 nvidia 与 mgpu 并配置 MPI 的量子模拟工程师
  • 写 @cudaq.kernel 做化学或优化实验、常在内核外做 NumPy 后处理的研究员
  • 通过 AWS Braket 或 IonQ 云账户提交作业、担心凭据写进笔记本的量子应用开发者
  • 在 Apple Silicon 本机只能 CPU 模拟、仍要按文档完成安装与 test-program 验证的学生