MQT QMAP量子电路映射工具安装指南
2025-06-01 06:51:24作者:宗隆裙
MQT QMAP是一款用于量子电路映射的开源工具,主要采用C++17开发并提供了Python绑定接口。本文将详细介绍如何在不同环境下安装和使用该工具。
推荐安装方式
对于大多数用户,我们推荐使用Python包管理工具进行安装,这种方式简单快捷且无需编译。
准备工作
建议使用现代Python包管理工具uv,它比传统工具更快速高效。安装方法如下:
macOS/Linux系统:
curl -LsSf https://astral.sh/uv/install.sh | sh
Windows系统:
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
安装MQT QMAP
使用uv安装:
uv pip install mqt.qmap
或者使用传统pip安装:
python -m pip install mqt.qmap
安装完成后,可通过以下命令验证:
python -c "import mqt.qmap; print(mqt.qmap.__version__)"
版本兼容性说明:从2.7.0版本开始,不再支持Python 3.8,建议使用Python 3.9或更高版本。
从源码构建(高性能版)
如需获得最佳性能,建议从源码构建安装:
uv pip install mqt.qmap --no-binary mqt.qmap --no-binary mqt.core
或使用pip:
pip install mqt.qmap --no-binary mqt.qmap --no-binary mqt.core
构建要求
- 支持C++17的编译器
- CMake 3.24或更高版本
- SMT求解器Z3
Z3安装方法:
- Ubuntu系统:
sudo apt-get install libz3-dev - macOS系统:
brew install z3 - 通过Python安装:
pip install z3-solver
项目集成指南
Python项目集成
在项目配置文件中添加依赖项:
pyproject.toml:
[project]
dependencies = ["mqt.qmap>=3.0.0"]
setup.py:
from setuptools import setup
setup(
install_requires=["mqt.qmap>=3.0.0"],
)
C++项目集成
使用FetchContent(推荐)
include(FetchContent)
set(FETCH_PACKAGES "")
set(MQT_QMAP_VERSION 3.0.0
CACHE STRING "MQT QMAP version")
set(MQT_QMAP_REV "v3.0.0"
CACHE STRING "MQT QMAP identifier")
set(MQT_QMAP_REPO_OWNER "cda-tum"
CACHE STRING "MQT QMAP repository owner")
if(CMAKE_VERSION VERSION_GREATER_EQUAL 3.24)
FetchContent_Declare(
mqt-qmap
GIT_REPOSITORY https://github.com/${MQT_QMAP_REPO_OWNER}/mqt-qmap.git
GIT_TAG ${MQT_QMAP_REV}
FIND_PACKAGE_ARGS ${MQT_QMAP_VERSION})
list(APPEND FETCH_PACKAGES mqt-qmap)
else()
find_package(mqt-qmap ${MQT_QMAP_VERSION} QUIET)
if(NOT mqt-qmap_FOUND)
FetchContent_Declare(
mqt-qmap
GIT_REPOSITORY https://github.com/${MQT_QMAP_REPO_OWNER}/mqt-qmap.git
GIT_TAG ${MQT_QMAP_REV})
list(APPEND FETCH_PACKAGES mqt-qmap)
endif()
endif()
FetchContent_MakeAvailable(${FETCH_PACKAGES})
使用Git子模块
git submodule add https://github.com/munich-quantum-toolkit/qmap.git external/mqt-qmap
在CMakeLists.txt中添加:
add_subdirectory(external/mqt-qmap)
结语
本文详细介绍了MQT QMAP的多种安装方式,用户可根据实际需求选择最适合的安装方法。对于性能敏感的应用场景,建议从源码构建以获得最佳性能。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
408
3.15 K
Ascend Extension for PyTorch
Python
226
252
暂无简介
Dart
674
160
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++
664
321
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
659
React Native鸿蒙化仓库
JavaScript
263
326
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868