技能介绍

要解决什么问题

NISQ 时代的大多数工作流都在 Python 里完成：搭电路、在模拟器上验逻辑、再编译到各家 QPU 的门集与拓扑上跑任务。还要处理噪声模型、参数扫描和 VQE/QAOA 这类变分实验。Cirq 是 Google Quantum AI 维护的开源框架，本 Skill 把官方文档里的构建、模拟、变换、硬件与噪声主题整理成可检索的操作指引。

技能如何帮你工作

电路构建覆盖 GridQubit、LineQubit、参数化门、自定义门分解，以及 OpenQASM/JSON 导入导出；模拟侧区分态向量与密度矩阵、采样测量、参数扫描和含噪声模拟；电路变换提供 transformer 流水线，用于门分解、深度优化、SWAP 路由和面向硬件的编译。

硬件集成通过 cirq-google、cirq-ionq、azure-quantum[cirq] 等包对接 Google Quantum AI、IonQ、Azure Quantum、AQT、Pasqal；噪声建模支持去极化、振幅/相位阻尼、读出误差，以及随机基准、XEB 等表征思路；实验模式含 ReCirq 结构与 VQE、QAOA、QPE 等常见算法模板。

典型路径：在模拟器上验证电路 → 用 transformer 压深度并对齐设备门集 → 选量子比特与校准数据 → 提交任务并保存原始结果 → 按需做误差缓解与统计分析。

适用边界与注意点

IBM 硬件应使用 qiskit；需要自动微分的量子 ML 用 pennylane；连续变量/开放系统物理仿真用 qutip。
密度矩阵含噪声模拟为 O(2^2n)，大比特数前先评估内存；纯态优先态向量模拟器。
Google 处理器经 Quantum Engine 访问，通常需要已批准的 GCP 项目；生产或上硬件时建议将 cirq 与各供应商扩展包固定到同一版本号（当前稳定版文档指向 1.6.1）。
设备校验失败时，用 device.metadata.nx_graph 查连通性，并把门分解到设备原生门集后再提交。