Qiskit中受控酉门全局相位不一致问题的分析与解决
2025-06-04 16:32:41作者:董宙帆
问题背景
在量子计算框架Qiskit的最新版本中,用户报告了一个关于受控酉门(controlled unitary gate)实现的问题。具体表现为:当使用Aer模拟器进行状态向量模拟时,不同版本的Qiskit会产生不同的结果。经过深入分析,我们发现这实际上是一个关于量子电路全局相位(global phase)保持性的问题。
问题现象
用户在使用Qiskit 1.3.0版本时发现,对于包含自定义酉矩阵的受控门电路,Aer模拟器返回的状态向量与1.2.4版本不同。然而,当使用内置的Statevector类进行计算时,两个版本的结果却是一致的。
经过进一步测试发现,问题的核心在于:
- 使用transpile函数转换后的电路与原始电路在全局相位上存在差异
- 虽然两个电路在物理上是等价的(Operator.equiv返回True),但由于全局相位不同,直接比较(Operator.eq)会返回False
技术分析
全局相位的重要性
在量子力学中,全局相位通常被认为是没有物理意义的,因为测量结果只与量子态的幅度平方有关。然而,在某些情况下,特别是在复合电路中,保持全局相位的一致性对于中间计算结果和后续操作可能很重要。
问题根源
经过简化测试案例的分析,我们发现:
- 当使用transpile函数转换包含受控酉门的电路时,默认的分解过程没有严格保持全局相位
- 这种不一致性在Qiskit 1.3.0版本中表现得更为明显
- 直接使用Statevector类计算时没有问题,因为它是基于原始电路直接计算,不涉及分解过程
最小复现案例
以下代码可以复现该问题:
from qiskit import QuantumCircuit, transpile
from qiskit.circuit.library import UnitaryGate
from qiskit.quantum_info import random_unitary, Operator
rand_unitary = random_unitary(4, seed=73)
gate = UnitaryGate(rand_unitary).control(1)
circuit = QuantumCircuit(3)
circuit.h(0)
circuit.append(gate, [0, 2, 1])
circ = transpile(circuit, basis_gates=['cx', 'u', 'unitary'])
print("运算符相等:", Operator(circuit) == Operator(circ)) # 返回False
print("运算符等价:", Operator(circuit).equiv(Operator(circ))) # 返回True
解决方案
对于遇到此问题的用户,有以下几种解决方案:
- 完全展开电路:在transpile时指定基础门集,强制完全展开电路
circ = transpile(circuit, basis_gates=["u", "cx"])
- 使用Statevector直接计算:避免使用Aer模拟器,直接使用内置的Statevector类
from qiskit.quantum_info import Statevector
sv = Statevector.from_instruction(circuit).data
- 比较等价性而非相等性:如果必须比较两个状态向量,使用equiv方法而不是直接比较
Statevector(circuit).equiv(Statevector(sv))
最佳实践建议
- 在需要精确控制全局相位的应用中,建议明确检查并处理相位问题
- 对于关键计算,考虑使用多种方法验证结果一致性
- 在比较量子态或运算符时,优先使用equiv方法而非直接相等性比较
- 保持Qiskit和相关组件的版本一致性,避免因版本差异导致的问题
总结
这个问题揭示了量子电路编译过程中全局相位保持的重要性。虽然从物理测量角度看全局相位通常不重要,但在某些计算场景中,保持相位一致性对于获得预期结果至关重要。开发者应当注意这一特性,并在必要时采取适当的措施确保计算的一致性。
对于Qiskit开发团队而言,这个问题也提示了需要进一步优化受控门的分解实现,确保其在各种情况下都能保持全局相位的一致性。
登录后查看全文
热门项目推荐
相关项目推荐
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
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
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
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++
660
308
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
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
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (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
1.19 K
653
仓颉编程语言运行时与标准库。
Cangjie
141
878