English | 简体中文
TensorCircuit-NG 是下一代开源高性能量子软件框架，也是全球首个专为智能体驱动研究和自动化科学发现而设计的量子软件平台。 TensorCircuit-NG 基于张量网络引擎构建，完美支持自动微分、即时编译、硬件加速、向量并行化和分布式训练，为量子编程提供统一的基础设施和接口。它可以无缝编织量子线路、神经网络和张量网络，具备极高的模拟效率和灵活性。 TensorCircuit-NG 建立在现代机器学习框架 Jax, TensorFlow, PyTorch 之上，支持机器学习后端无关的统一界面。 其特别适用于理想情况、含噪声情况、稳定子情况、可控近似情况、连续动力学情况及费米子情况下，大规模量子经典混合范式和变分量子算法的高效模拟。其可以高效地编织和模拟量子线路、张量网络和神经网络组成的混合计算图。 TensorCircuit-NG 现在支持真实量子硬件连接和实验，并提供优雅的 CPU/GPU/QPU 硬件混合部署训练方案。 TensorCircuit-NG 是 TensorCircuit 在技术与架构上的演进版本，由原核心开发团队领导并持续维护。本仓库填补了旧有镜像在维护上的空白（如对 numpy > 2.0 和 qiskit > 1.0 的支持）并实现了大幅的功能增强。作为[完全兼容](https://tensorcircuit-ng.readthedocs.io/en/latest/faq.html#what-is-the-relation-between-tensorcircuit-and-tensorcircuit-ng)的无缝替代方案，TensorCircuit-NG 提供了下一代量子计算模拟能力，包括稳定子（stabilizer）、量子多能级（qudit）、模拟（analog）及对称性（symmetric）线路模拟，以及支持多节点、多 GPU 的分布式大规模模拟。 ## 入门 请从 [完整文档](https://tensorcircuit-ng.readthedocs.io/) 中的 [快速上手](/docs/source/quickstart.rst) 开始。 有关软件用法，算法实现和工程范式演示的更多信息和介绍，请参阅 140+ [示例脚本](/examples) 和 40+ [案例教程](https://tensorcircuit-ng.readthedocs.io/en/latest/#tutorials)。 [测试](/tests) 用例和 API docstring 也提供了丰富的使用信息。 ### AI 辅助开发 (推荐) 若使用 AI 编程助手（如 Claude Code, Cursor, Antigravity）编写 TC-NG 应用，我们强烈建议**直接在克隆的本地代码库中进行开发**，以便为 AI 提供更丰富的上下文。 1. **丰富上下文：** `examples/` 中的 100 多个脚本和 `tests/` 中的大量测试用例提供了至关重要的参考，能显著减少 AI 幻觉。 2. **内置规则：** 我们提供了专门的 [AGENTS.md](/AGENTS.md) 文件。它是 AI 助手的“开发手册”（类似 `CLAUDE.md`），定义了编码标准和最佳实践，确保生成的代码符合 TC-NG 调用范式。 3. **专用智能体技能 (Agentic Skills)：** `.agents/skills/` 目录包含了一系列工作流，引导 AI 助手完成复杂的跨步骤任务. **建议工作流：** 1. 克隆仓库：`git clone https://github.com/tensorcircuit/tensorcircuit-ng.git` 2. 切换到本地实验分支：`git checkout -b my-playground`，以防弄乱原始仓库。 3. 在 AI IDE 中打开仓库文件夹，即可开始编写基于 TC-NG 的脚本。 现在，快来体验完全通过自然语言实现量子算法吧！通过将极致性能与全自动的意图驱动的 AI 工作流（`.agents/skills/`）无缝集成，TC-NG 赋能研究人员从繁琐的手动编码跨越到数秒内自动完成论文复现、性能极致优化以及跨框架代码翻译的新范式。 您可以参考相关的 AI 原生文档：[Devin Deepwiki](https://deepwiki.com/tensorcircuit/tensorcircuit-ng) 和 [Context7 MCP](https://context7.com/tensorcircuit/tensorcircuit-ng). 初学者也可以参考[量子计算教程](https://github.com/sxzgroup/qc_lecture)学习量子计算基础和 TensorCircuit-NG 的典型用法. 以下是一些最简易的演示。 - 电路操作: ```python 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(allow_state=True, batch=1024, format="count_dict_bin")) ``` - 运行时特性设置: ```python tc.set_backend("tensorflow") tc.set_dtype("complex128") tc.set_contractor("greedy") ``` - 使用即时编译 + 自动微分: ```python 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)) ``` ## 安装 该包是用纯 Python 编写的，可以通过 pip 直接获取： ```python pip install tensorcircuit-ng ``` 我们推荐安装时同时安装 TensorFlow，这可以通过以下安装可选项实现： ```python pip install tensorcircuit-ng[tensorflow] ``` 其他安装选项包括： `[torch]`, `[jax]`, `[qiskit]` 和 `[cloud]`。 此外我们有每日发布的最新版本 pip package，可以尝鲜开发的最新功能，请通过以下方式安装: ```python pip uninstall tensorcircuit-ng pip install tensorcircuit-nightly ``` ## 优势 - 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、量子硬件支持、混合部署方案支持 - 高性能原生，分布式多卡多节点支持 - 效率 - 时间：与 TFQ, Pennylane, 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、多种量子硬件 - API 设计：人类可理解的量子，更少的代码，更多的可能 ## 贡献 ### 现况 该项目由 [Shi-Xin Zhang](https://github.com/refraction-ray) 创造并维护。当前核心作者包括 [Shi-Xin Zhang](https://github.com/refraction-ray) 和 [Yu-Qin Chen](https://github.com/yutuer21)。我们也感谢来自开源社区的[贡献](https://github.com/tensorcircuit/tensorcircuit-ng/graphs/contributors)。 ### 引用 如果该软件对您的研究有帮助, 请引用我们发表的两版白皮书文章来支持我们的研发付出和学术贡献。 * [TensorCircuit: a Quantum Software Framework for the NISQ Era](https://quantum-journal.org/papers/q-2023-02-02-912/) (Quantum 期刊). * [TensorCircuit-NG: A Universal, Composable, and Scalable Platform for Quantum Computing and Quantum Simulation](https://arxiv.org/abs/2602.14167). ### 说明 有关贡献指南和说明，请参阅 [贡献](/CONTRIBUTING.md)。 我们欢迎大家提出 [issues](https://github.com/tensorcircuit/tensorcircuit-ng/issues), [PR](https://github.com/tensorcircuit/tensorcircuit-ng/pulls), 和 [讨论](https://github.com/tensorcircuit/tensorcircuit-ng/discussions)，这些都托管在 GitHub 上。 ### 协议 TensorCircuit-NG 是基于 Apache License 2.0 的开源软件。 ## 研究和应用 ### DQAS 可微量子架构搜索的应用见 [应用](/tensorcircuit/applications)。 参考论文：https://arxiv.org/abs/2010.08561 (QST)。 ### VQNHE 关于变分量子神经混合本征求解器的应用，请参见 [应用](tensorcircuit/applications)。 参考论文：https://arxiv.org/abs/2106.05105 (PRL) 和 https://arxiv.org/abs/2112.10380 。 ### VQEX-MBL VQEX 在 MBL 相位识别上的应用见 [教程](/docs/source/tutorials/vqex_mbl.ipynb)。 参考论文: https://arxiv.org/abs/2111.13719 (PRB)。 ### Stark-DTC 数值验证 Stark 多体局域化稳定的离散时间晶体，类似的 Floquet 系统模拟请参考 [例子](/examples/timeevolution_trotter.py)。 参考论文: https://arxiv.org/abs/2208.02866 (PRL)。 ### RA-Training 利用我们提出的随机量子门激活策略训练优化变分量子算法的实现请参考 [项目](https://github.com/ls-iastu/RAtraining). 参考论文: https://arxiv.org/abs/2303.08154。 ### TenCirChem [TenCirChem](https://github.com/tencent-quantum-lab/TenCirChem) 是高效的，专注于处理和计算分子性质的量子计算软件。其基于 TensorCircuit 并为量子化学任务进行了专门的优化。 参考论文: https://arxiv.org/abs/2303.10825 (JCTC)。 ### EMQAOA-DARBO 数值模拟和带错误消除的真实量子硬件实验验证 QAOA 优化的代码请参考 [项目](https://github.com/sherrylixuecheng/EMQAOA-DARBO)。 参考论文: https://arxiv.org/abs/2303.14877。 ### NN-VQA 关于神经网络编码的变分量子算法的实现和工作流, 见 [教程](/docs/source/tutorials/nnvqe.ipynb)。 参考论文: https://arxiv.org/abs/2308.01068。 ### 变分多体态的等效温度 关于基于神经网络、张量网络和量子线路的变分量子态的模拟优化和分析，见 [项目](https://github.com/sxzgroup/et). 参考论文: https://arxiv.org/abs/2411.18921. ## 用户 我们的用户，开发者和合作伙伴：
