Cirq v1.5.0版本发布:量子计算框架的重要更新
Cirq是由Google Quantum AI团队开发的开源量子计算框架,专为设计、模拟和运行量子电路而构建。作为NISQ(含噪声中等规模量子)时代的重要工具,Cirq提供了丰富的功能来应对当前量子硬件的限制和挑战。
核心更新内容
Cirq 1.5.0版本带来了多项重要改进和新功能,其中最值得注意的是对Python 3.13和NumPy-2的支持,以及Cirq-Rigetti子包的变更。这些更新反映了量子计算生态系统的持续演进和Cirq框架的成熟度。
经典控制与条件操作增强
新版本引入了BitMaskKeyCondition功能,这是一个强大的多量子位经典控制条件实现。通过位掩码机制,开发者可以更灵活地定义复杂的控制逻辑,这在量子-经典混合算法中尤为重要。例如,在量子纠错或条件量子操作场景中,这种控制方式可以显著简化电路设计。
参数扫描功能强化
Cirq 1.5.0改进了参数扫描功能,现在支持将多个参数扫描串联组合成一个新的扫描。这一特性在需要执行多维度参数优化的量子实验中非常有用,如量子变分算法(VQE、QAOA等)的参数优化过程。
量子门分解优化
矩阵门(MatrixGate)的分解算法得到了改进,现在能够更好地处理全局相位变化。这一优化确保了在将任意酉矩阵分解为基本量子门序列时,能够保持更精确的量子态演化,对于需要高精度量子操作的应用场景尤为重要。
量子噪声与错误处理
新版本增加了多个与噪声和错误处理相关的功能:
-
去极化噪声模拟转换器:可以方便地将去极化噪声模型应用到量子电路中,帮助研究人员评估算法在噪声环境下的表现。
-
随机测量协议转换器:支持随机基准测试等协议的实现,这是评估量子门保真度的重要工具。
-
读取错误缓解工具:新增了针对Pauli字符串期望值的读取错误缓解功能,提高了量子测量结果的准确性。
设备与后端支持
Google量子处理器支持
Cirq-Google模块增强了对Google量子处理器的支持,包括:
- 改进了电路序列化能力,支持更多类型的电路对象和参数
- 增加了对stimcirq门和操作的支持
- 扫描协议消息现在支持类型化单位和可选元数据
- 支持电路执行时的自定义设备参数覆盖
IonQ量子计算机支持
Cirq-Ionq模块新增了对IonQ量子处理器的多项支持:
- 新增了IonQ
ZZGate的定义 - 增加了
AriaNativeGateset和ForteNativeGateset设备门集 - 提供了电路到原生门集的转换功能
- 改进了批处理电路提交功能
开发工具与基础设施
Cirq 1.5.0在开发工具方面也有显著改进:
-
OpenQASM支持:增加了对OpenQASM 3.0的初步解析支持,为与其他量子编程框架的互操作性奠定了基础。
-
Z相位校准工作流:新增了实验性的Z相位校准工作流,帮助优化两量子位门的性能。
-
性能优化:包括量子位哈希优化、电路构建优化等,提升了框架的整体运行效率。
向后兼容性说明
需要注意的是,Cirq-Rigetti子包在此版本中已被弃用,需要单独安装。此外,CircuitOperation的use_repetition_ids参数将在下一个版本中默认值从True改为False,开发者应明确指定该参数以确保代码的向后兼容性。
Cirq 1.5.0的这些更新体现了量子计算软件栈的持续成熟,为研究人员和开发者提供了更强大、更稳定的工具来探索量子计算的潜力。无论是算法开发、噪声研究还是实际设备应用,新版本都带来了值得关注的功能改进。
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