Qiskit中受控酉门全局相位不一致问题的分析与解决
2025-06-04 17:49:50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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
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++
893
676
暂无简介
Dart
802
199
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
350
203
昇腾LLM分布式训练框架
Python
118
147
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
12
1
🔥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
68
20
🎉 (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
1.37 K
781