Qiskit量子电路参数绑定中的缓存问题分析
2025-06-05 03:51:31作者:俞予舒Fleming
问题背景
在Qiskit量子计算框架中,用户发现了一个关于参数绑定的异常行为。当使用TwoLocal电路模板并设置flatten=True时,通过assign_parameters方法进行参数绑定时,如果使用inplace=True选项,电路指令中的参数引用不会被实际数值替换,而使用inplace=False时则工作正常。
问题现象
具体表现为:当用户创建一个带有参数化旋转门的量子电路后,尝试将参数绑定为具体数值时,电路数据(data属性)中的指令仍然保留着原始的参数引用(如ParameterVectorElement(θ[0])),而不是预期的具体数值。
技术分析
经过深入分析,这个问题与Qiskit Rust后端(CircuitData)中的Python门缓存机制有关。当启用flatten=True选项时,系统会构建一个可能不一致或不兼容的状态,导致缓存未能正确清除,从而使门对象继续使用旧的定义。
临时解决方案
目前可以通过以下两种方式规避此问题:
- 禁用门缓存:通过设置环境变量
QISKIT_NO_CACHE_GATES=1并重新编译Rust部分代码 - 避免使用flatten选项:使用
flatten=False后手动调用.decompose()方法
影响范围
此问题主要影响:
- 使用
TwoLocal电路模板的用户 - 设置了
flatten=True选项的情况 - 使用
inplace=True参数绑定方式的场景
技术建议
对于需要立即解决此问题的用户,建议采用第二种规避方案,即避免使用flatten=True选项。这种方法不需要重新编译代码,且能保持功能的完整性。
对于开发人员,此问题提示我们需要在缓存机制中特别注意状态一致性,特别是在处理参数绑定和电路扁平化等复杂操作时,需要确保缓存能正确反映最新的电路状态。
总结
这个bug揭示了Qiskit在参数绑定和缓存管理方面的一个边界情况。虽然目前有临时解决方案,但长期来看需要修复底层缓存机制以确保在各种操作场景下都能正确工作。用户在使用参数化电路时应特别注意参数绑定的行为验证,特别是在使用高级电路模板和特殊选项时。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
311
2.72 K
deepin linux kernel
C
24
7
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
639
242
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
469
Ascend Extension for PyTorch
Python
149
175
暂无简介
Dart
604
135
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
227
81
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
363
2.99 K
React Native鸿蒙化仓库
JavaScript
236
310