Qiskit SDK中ObservablesArray基于SparseObservable的重构分析
在量子计算编程框架Qiskit SDK的最新开发中,开发团队对ObservablesArray数据结构进行了重要重构,将其内部实现从简单的Pauli字符串映射改为基于SparseObservable类型。这一技术改进为量子测量和估计任务带来了更高的灵活性和性能优化空间。
重构背景与动机
ObservablesArray是Qiskit中用于表示可观测量的核心数据结构,传统上它存储的是Pauli字符串到系数的映射关系。随着量子算法复杂度的提升,这种简单的映射结构逐渐显现出局限性:
- 缺乏对投影算子等高级观测量的原生支持
- 运算效率有待提高
- 类型系统不够严谨
重构后的实现基于SparseObservable类型,这是一个更强大、更灵活的可观测量表示方式,能够更好地满足现代量子算法的需求。
关键技术改进
类型系统扩展
重构首先扩展了ObservableLike类型系统,使其包含SparseObservable类型。这一变化为整个代码库提供了更丰富的类型支持,同时保持了向后兼容性。
内部表示转换
ObservablesArray现在内部存储的是SparseObservable对象而非简单的映射。这一转换通过coerce_observable方法实现,该方法确保:
- 所有输入的可观测量都被转换为
SparseObservable类型 - 对每个可观测量调用
simplify方法进行简化 - 在需要时验证是否允许投影算子
接口兼容性维护
为了确保现有代码不受影响,重构保留了原有的接口行为:
__array__、__getitem__和tolist方法仍然返回映射形式- 支持的字母表扩展为
IXYZ01+-lr,覆盖更广泛的量子操作 __repr__保持原有输出格式不变
新增功能接口
重构引入了两个重要的新方法:
get_sparse_observable(index):获取指定索引处的SparseObservable对象sparse_observable_array:返回包含所有稀疏可观测量的数组
这些新方法为需要直接操作SparseObservable的高级用例提供了便利。
性能优化
新实现的apply_layout方法能够高效地对所有存储的可观测量应用布局变换。这一优化特别适用于大规模量子电路的处理场景,通过批量操作减少了重复开销。
未来发展方向
虽然当前重构已经完成核心功能,但仍有进一步优化空间:
- 后端估计器对投影算子的完整支持
- 状态向量估计器的相应更新
- 更高效的内存管理策略
这些改进将被安排在后续版本中逐步实现。
总结
Qiskit SDK中ObservablesArray基于SparseObservable的重构是一次重要的技术升级,它不仅增强了框架的功能性,还为未来量子算法的发展预留了空间。这一改进体现了Qiskit团队对代码质量和技术前瞻性的持续追求,将为量子计算开发者提供更强大、更灵活的工具支持。
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