🔧

掌握QPanda、pyQPanda、VQNet、Qurator，一站式量子软件开发体验

量子计算的硬件发展日新月异，但要让算法真正落地，离不开易用、高效、功能完备的软件开发工具。本源量子作为国内量子计算领域的先行者，打造了一套完整的量子软件开发工具链，涵盖C++核心框架、Python接口、机器学习扩展、IDE插件等。本文将带您全面了解这套工具链的安装、使用及核心功能，助您快速上手量子程序开发。

---

一、QPanda：量子计算的“C++引擎”

QPanda（Quantum Programming Architecture for NISQ Device Applications）是本源量子开源的量子计算开发框架，以C++为宿主语言，提供高效的量子线路构建、模拟运行、编译优化等功能。它支持多种量子虚拟机（全振幅、单振幅、部分振幅、噪声虚拟机），并可对接真实量子芯片。

1.1 环境要求

软件	版本要求
CMake	>= 3.1
GCC	>= 5.0
Python	>= 3.7.0（可选）

1.2 下载与编译

通过Git克隆

git clone https://github.com/OriginQ/QPanda-2.git

编译（Linux/MacOS）

mkdir build && cd build
cmake ..
make
sudo make install

Windows下可使用Visual Studio或MinGW编译，具体参考官方文档。

1.3 一个简单的贝尔态程序

#include "QPanda.h"
using namespace QPanda;

int main()
{
    auto qvm = CPUQVM();                 // 创建量子虚拟机
    qvm.init();                          // 初始化
    auto prog = QProg();                 // 创建量子程序
    auto q = qvm.qAllocMany(2);          // 申请2个量子比特
    auto c = qvm.cAllocMany(2);          // 申请2个经典寄存器

    // 构建贝尔态 |Φ+> = (|00>+|11>)/√2
    prog << H(q[0])                      // H门
         << CNOT(q[0], q[1])             // CNOT门
         << MeasureAll(q, c);            // 测量所有比特

    // 运行1000次并输出结果
    auto results = qvm.runWithConfiguration(prog, c, 1000);
    for (auto &res : results) {
        std::cout << res.first << " : " << res.second << std::endl;
    }
    return 0;
}

编译运行后，输出结果应接近：

00 : 493
11 : 507

1.4 核心特性

• 多种量子虚拟机：支持全振幅、单振幅、部分振幅、噪声模拟。
• 高级编程结构：支持QIf、QWhile等控制流。
• 门集与拓扑配置：可将程序编译到真实量子芯片。
• 性能优化：内置优化器，提升运行效率。

---

二、pyQPanda：Python化的量子编程

pyQPanda是QPanda的Python封装，通过pybind11将C++接口无缝映射到Python，让开发者用熟悉的Python语法构建量子程序。

2.1 安装

pip install pyqpanda

2.2 使用示例

from pyqpanda import *

# 创建量子虚拟机
qvm = CPUQVM()
qvm.init()

# 申请量子比特和经典寄存器
qubits = qvm.qAlloc_many(2)
cbits = qvm.cAlloc_many(2)

# 构建贝尔态
prog = QProg()
prog << H(qubits[0]) << CNOT(qubits[0], qubits[1]) << MeasureAll(qubits, cbits)

# 运行并获取结果
result = qvm.runWithConfiguration(prog, cbits, 1000)
print(result)

pyQPanda保留了QPanda的几乎所有功能，并支持与NumPy等科学计算库无缝交互，是快速原型开发的理想选择。

---

三、VQNet：量子-经典混合机器学习框架

VQNet（Variational Quantum Network）是基于pyQPanda构建的量子机器学习框架，它将量子线路作为可微分模块嵌入到经典神经网络中，支持自动微分和多种优化器，适合VQE、QAOA、量子分类器等混合算法的开发。

3.1 安装

pip install pyvqnet

3.2 核心概念

• QuantumLayer：封装量子线路的VQNet层，自动处理参数梯度。
• pyQPanda集成：使用pyQPanda的量子门构建线路，VQNet负责反向传播。

3.3 量子分类器示例

下面展示一个基于VQNet的量子分类器，用于区分二维平面上的圆内点与圆外点。

from pyvqnet.qnn.quantumlayer import QuantumLayer
from pyvqnet.optim import adam
from pyvqnet.nn.loss import CategoricalCrossEntropy
from pyvqnet.nn.module import Module
import numpy as np
import pyqpanda as pq

# 定义量子线路（使用pyQPanda）
def qdrl_circuit(input, weights, qlist, clist, machine):
    x1 = input.squeeze()
    param1 = weights.squeeze()
    circ = pq.QCircuit()
    # 编码层 + 变分层（RZ-RY-RZ循环）
    circ.insert(pq.RZ(qlist[0], x1[0]))
    circ.insert(pq.RY(qlist[0], x1[1]))
    circ.insert(pq.RZ(qlist[0], x1[2]))
    for i in range(3):
        circ.insert(pq.RZ(qlist[0], param1[3*i]))
        circ.insert(pq.RY(qlist[0], param1[3*i+1]))
        circ.insert(pq.RZ(qlist[0], param1[3*i+2]))
    prog = pq.QProg()
    prog.insert(circ)
    prob = machine.prob_run_dict(prog, qlist, -1)
    return list(prob.values())

# 定义模型
class Model(Module):
    def __init__(self):
        super().__init__()
        self.pqc = QuantumLayer(qdrl_circuit, 9, "cpu", 1)
    def forward(self, x):
        return self.pqc(x)

# 生成数据（圆内为类别0，圆外为类别1）
def circle(samples=500):
    data, label = [], []
    for _ in range(samples):
        x = 2*np.random.rand(2) - 1
        if np.linalg.norm(x) < np.sqrt(2/np.pi):
            label.append([1,0])
        else:
            label.append([0,1])
        data.append(np.append(x, 0))  # 加一维占位
    return np.array(data), np.array(label)

# 训练
model = Model()
optimizer = adam.Adam(model.parameters(), lr=0.6)
loss_fn = CategoricalCrossEntropy()
x_train, y_train = circle(500)

for epoch in range(10):
    total_loss = 0
    correct = 0
    for i in range(0, len(x_train), 32):
        x_batch = x_train[i:i+32]
        y_batch = y_train[i:i+32]
        optimizer.zero_grad()
        out = model(x_batch)
        loss = loss_fn(y_batch, out)
        loss.backward()
        optimizer._step()
        total_loss += loss.item()
        pred = np.argmax(out.data, axis=1)
        true = np.argmax(y_batch, axis=1)
        correct += np.sum(pred == true)
    print(f"Epoch {epoch}, Loss: {total_loss/(len(x_train)//32):.4f}, Acc: {correct/len(x_train):.4f}")

VQNet将量子线路视为可微分层，让开发者能够像训练神经网络一样训练含参量子线路，极大简化了混合算法的实现。

---

四、Qurator：VS Code量子开发插件

Qurator是本源量子推出的VS Code插件，支持QRunes2语言编写量子程序，并提供丰富的编辑辅助功能。它允许用户通过settings、qcodes、script三个模块分离配置、量子代码和宿主代码，并支持Python和C++作为宿主语言。

4.1 安装

在VS Code扩展商店搜索“qurator-vscode”并安装。

4.2 快速入门

1. 创建以.qrunes结尾的文件，插件自动识别。
2. 编写三个模块：
   • settings：设置宿主语言、运行模式等。
   • qcodes：编写QRunes2量子程序。
   • script：编写宿主语言（Python/C++）调用量子程序。

示例（贝尔态）：

settings:
  language: python
  mode: run

qcodes:
  qbit 2
  cbit 2
  H q[0]
  CNOT q[0], q[1]
  measure q[0] -> c[0]
  measure q[1] -> c[1]

script:
  from pyqpanda import *
  qvm = CPUQVM()
  qvm.init()
  prog = get_qprog()
  result = qvm.runWithConfiguration(prog, cbits, 1000)
  print(result)

4.3 特色功能

• 自动补全：QRunes2关键字智能提示。
• 语法高亮：不同模块颜色区分。
• 错误提示：红线标注语法错误。
• 悬浮帮助：鼠标悬停显示函数说明。
• 一键运行：点击右上角按钮或F5执行。
• 结果可视化：运行后自动生成柱状图。

Qurator降低了量子程序开发的入门门槛，让开发者可以专注于算法本身。

---

五、总结：构建完整的量子开发生态

工具	定位	适用场景
QPanda	量子计算核心库	高性能C++开发，真实芯片编译
pyQPanda	Python接口	快速原型，教育科研
VQNet	量子机器学习	VQE、QAOA、量子分类器等混合算法
Qurator	IDE插件	可视化开发，代码辅助

本源量子开发工具链从底层库到上层应用，从C++到Python，从本地开发到云端集成，构建了一个完整的量子计算软件生态。无论您是刚入门的量子爱好者，还是资深的算法研究者，这套工具链都能助您高效地将想法转化为可运行的量子程序。

未来，随着量子硬件的发展，这些工具将不断进化，为量子计算的实际应用铺平道路。现在，就从QPanda开始，踏上您的量子编程之旅吧！

---

参考链接

• QPanda GitHub: https://github.com/OriginQ/QPanda-2
• 本源量子云平台: https://qcloud.originqc.com.cn/
• VQNet文档: https://pyvqnet.readthedocs.io/
• Qurator介绍: https://originq.github.io/qurator/