torchquantum

🌬 TorchQuantum：用 PyTorch 撬动量子计算的研究杠杆

想象一下：你是一名量子算法研究员，手中有一台强大的 GPU 服务器，却苦于没有趁手的工具来快速验证脑海中的量子电路创意——传统量子模拟器要么慢得像蜗牛，要么调试困难、梯度难求，要么根本不支持 GPU 加速。MIT 麻省理工学院的 HAN Lab（Harvard-MIT Algorithmic/Nanoscale Hardware Lab）给出了他们的答案：TorchQuantum，一个将量子计算天然嵌入 PyTorch 生态系统的研究框架，让量子电路的设计、模拟、训练，全部可以像写普通 PyTorch 模型一样行云流水。

图1：TorchQuantum 经典-量子混合模型架构示意 图1展示了 TorchQuantum 如何将参数化量子电路（Parameterized Quantum Circuit, PQC）与经典神经网络层串联，构建端到端可训练的混合模型（Hybrid Classical-Quantum Model）。量子部分负责特征编码与非线性变换，经典部分负责数据预处理与最终分类。

---

一、项目起源与学术背景：为什么 HAN Lab 要重造轮子

TorchQuantum 的核心作者是 MIT EECS 的 Hanrui Wang（王涵睿）博士及其导师 Song Han 教授，实验室隶属于麻省理工学院计算机科学与人工智能实验室（CSAIL）旗下的 HAN Lab。项目的立项动机非常直接：当时市面上的量子模拟工具无法满足深度学习研究者的需求。

具体来说，研究团队在探索量子机器学习（Quantum Machine Learning, QML）时，遇到了三重困境：

1. 工具链断裂：主流框架如 Qiskit、PennyLane 侧重于量子物理的精确模拟，与 PyTorch/TensorFlow 等深度学习框架之间存在巨大的语言鸿沟，每次从量子电路迁移到梯度训练都要手写大量胶水代码。
2. GPU 利用率极低：当时大多数量子模拟器运行在 CPU 上，而量子电路的可并行性本应能从 GPU 的大规模并行计算中获益良多。
3. 调试体验差：量子电路一旦构建完成，就是一个黑盒，中间状态不可观测，参数更新后难以追踪数据流向，与 PyTorch 擅长的动态计算图（Dynamic Computation Graph）理念背道而驰。

2021年2月，TorchQuantum 以开源形式发布，迅速获得了量子计算研究社区的关注。2024年，项目先后被 IBM Qiskit 生态 和 PyTorch 官方生态 接纳为官方集成库，同年还获得了 Unitary Foundation 的 microgrant 资助，在 unitaryHACK 2024 中被重点推荐。ACM 量子计算药物发现挑战赛的冠军团队也使用了 TorchQuantum 作为核心工具。

---

二、核心设计理念：量子电路即 PyTorch 模块

TorchQuantum 的设计哲学可以浓缩为一句话：让量子电路看起来像 PyTorch 层（Layer）。这听起来简单，背后却有深刻的工程考量。

图2：Quanvolution（量子卷积）电路结构 图2：参数化量子卷积层（Parameterized Quantum Convolution, Quanv）的电路实现。与经典卷积核类似，Quanv 通过可训练的旋转门参数实现图像特征的提取与压缩，不同的是这些操作发生在量子希尔伯特空间中，天然具备指数级表征能力。

动态计算图：量子电路也能所见即所得

PyTorch 的核心竞争力之一是动态计算图——每次前向传播时，网络结构可以动态改变。TorchQuantum 将这一特性引入量子电路：开发者可以在运行时动态添加、删除量子门，插入测量操作，或者根据输入数据的不同条件性地应用不同的门序列。这与 Qiskit 的静态电路构建模式形成鲜明对比。

以一个最简单的 Bell 态电路为例：

import torchquantum as tq
import torchquantum.functional as tqf

# 创建量子设备，bsz=5 表示批大小为5
qdev = tq.QuantumDevice(n_wires=2, bsz=5)

# 施加量子门
qdev.h(wires=0)          # Hadamard 门
qdev.cnot(wires=[0, 1])  # CNOT 门 -> 产生纠缠

# 查看量子态
print(qdev)  # 动态打印中间状态！

这段代码的精妙之处在于 qdev 对象既像一个量子系统，又像一个 PyTorch 张量设备——可以直接调用 .backward() 获取梯度，可以无缝放入 torch.nn.Module 中与经典层联合训练。

GPU 加速与批处理：30+ 量子比特的可能

TorchQuantum 的 statevector 模拟器利用 PyTorch 的 GPU 张量运算实现量子态的并行模拟。关键是量子态的维度随比特数指数增长（n 个比特 -> 2^n 维向量），CPU 在这种指数级运算面前力不从心，但 GPU 的数千个 CUDA 核心可以分片处理。

实测数据显示，在单张 NVIDIA V100 GPU 上，TorchQuantum 可以高效模拟 23-25 个量子比特的电路；通过多 GPU 分布式模拟，可以扩展到 30+ 量子比特。这对于探索 NISQ（嘈杂中等规模量子）设备上的算法设计来说，已经足够实用。

此外，TorchQuantum 支持**批模式（Batch Mode）**处理：同一个量子电路结构可以同时对多条输入数据（batch）进行前向传播，张量化的实现避免了 for 循环的巨大开销。在 MNIST 分类等实际任务中，这意味着训练速度可以比 PennyLane 提升数倍。

---

三、技术架构：模块化设计与核心子系统

TorchQuantum 的代码库采用高度模块化的设计，主目录包含以下核心子模块：

模块	功能	关键文件/类
layer	参数化量子层（Quantum Layer）	nlocal/（NLocal 架构）、general/（通用层）、entanglement/（纠缠层）
operator	量子门（Quantum Gate）与算子	standard_gates/（标准门集合）、op_hamil_exp.py（哈密顿期望值）
encoding	量子特征编码（Feature Encoding）	encodings.py（振幅编码、基编码等）
functional	量子门底层实现（Functional API）	各类量子门的功能性（非面向对象）调用方式
algorithm	量子算法	vqe.py（变分量子特征求解器）、grover.py（Grover 搜索）、hamiltonian.py（哈密顿量计算）、qft.py（量子傅里叶变换）、quantumnas/（QuantumNAS 神经网络架构搜索）
measurement	量子测量	期望值计算、采样测量、投影测量
plugin	与外部框架的集成插件	Qiskit 转换器（支持导出为 Qiskit QuantumCircuit）
pulse	脉冲级模拟	量子脉冲层面的精确控制
noise_model	噪声模型	模拟真实量子硬件的退相干与门错误
density	密度矩阵模拟	全密度矩阵模拟（非 statevector），用于开放量子系统

图3：反向传播中的参数移位规则示意 图3：TorchQuantum 通过参数移位规则（Parameter Shift Rule）自动计算量子电路参数的梯度，无需有限差分逼近。图中展示了双参数 RX 门的梯度计算路径，红色箭头表示反向传播中的梯度流向。

梯度机制：参数移位与 PyTorch autograd 的深度融合

量子电路的训练依赖于参数的梯度，而 TorchQuantum 的核心创新之一是将 PyTorch 的自动微分（autograd）引擎与量子梯度计算无缝绑定。它支持两种梯度计算方式：

1. 参数移位规则（Parameter Shift Rule）：对于不包含测量操作的量子电路，使用解析的移位公式计算精确梯度，避免有限差分法的高方差问题。
2. 伴随法（Adjoint Method）：通过反向求解伴随方程，以 O(log n) 的复杂度计算 n 参数电路的梯度，适用于大规模电路。

两种方法均与 PyTorch autograd 完全兼容——只需在参数上设置 requires_grad=True，调用 .backward()，梯度自动流回量子参数。

---

四、算法能力：从 VQE 到 QuantumNAS

TorchQuantum 不只是一个量子模拟器，更是一个量子算法实验平台。其 algorithm 模块提供了多个前沿量子算法的完整实现：

VQE（变分量子特征求解器）：求解分子基态能量的标准量子-经典混合算法。TorchQuantum 提供了完整的 VQE 流水线，包括 UCCSD 变分形式、汉密尔顿量构建、经典优化器（COBYLA/SLSQP）接口。已有研究团队用它成功模拟了 H2、LiH 等小分子。

QuantumNAS：HAN Lab 在 2021 年提出的神经架构搜索（NAS）与量子电路设计的联合优化框架。与传统 NAS 不同，QuantumNAS 在量子电路的参数空间和结构空间上同时进行搜索，目标是找到在给定硬件噪声下泛化能力最强的电路参数化方案。

量子 LSTM：将长短期记忆网络（LSTM）的门控机制迁移到量子电路，用参数化量子门替代经典线性变换，实现序列数据的量子增强处理。

量子卷积（Quanvolution）：量子版本的卷积神经网络层，通过参数化量子电路对图像特征进行提取，在某些基准数据集上展示了超越经典 CNN 的分类精度。

---

五、生态集成：与 Qiskit 和 PyTorch 的双向桥接

图4：经典模型与量子电路的融合训练 图4：展示了 TorchQuantum 设计的经典-量子混合训练流程。左侧为经典特征提取层，中间为参数化量子编码层（PQC），右侧为量子测量与输出层，整个 pipeline 可通过标准 PyTorch 优化器一键训练。

TorchQuantum 的一个重要工程优势是其开放集成策略：

• Qiskit 集成：通过 torchquantum.plugin 模块，TorchQuantum 可以将内部量子电路转换为 Qiskit QuantumCircuit 对象，从而无缝部署到 IBM Quantum 真实量子计算机上。团队提供了 converter_tq_qiskit 示例，展示 MNIST 分类模型直接在 IBM Quito 量子芯片上运行的完整流程。

• PyTorch 生态：TorchQuantum 已被纳入 PyTorch 官方生态页面（pytorch.org/ecosystem），享受 PyTorch 官方的生态背书与技术曝光。对于已有 PyTorch 经验的深度学习工程师而言，学习成本几乎为零。

• IBM Qiskit 生态：项目已被 Qiskit Ecosystem 官方收录，说明其代码质量与兼容性通过了 IBM 团队的严格验证。

---

六、上手体验：研究者的实用视角

安装方式

TorchQuantum 的安装非常直接，通过 pip 可直接安装：

pip install torchquantum

但要注意，项目要求 Python >= 3.10，且对 PyTorch 版本有依赖（>= 1.8.0）。从源码安装同样简洁：

git clone https://github.com/mit-han-lab/torchquantum.git
cd torchquantum
pip install --editable .

GPU 支持需要额外安装对应 CUDA 版本的 PyTorch，建议配合 conda 或 pip 安装。

适用人群

• 量子算法研究者：需要快速验证新算法思路，TorchQuantum 的动态计算图和 autograd 集成让理论验证周期大幅缩短。
• 量子机器学习工程师：探索 QML 在实际任务（图像分类、语音识别、推荐系统）中的潜力，混合模型构建非常方便。
• 量子计算课程教学：项目提供了大量 Jupyter Notebook 示例（sec1_basic.ipynb、sec2_gate.ipynb），适合作为量子计算入门课程的实验材料。

当前局限

值得注意的是，TorchQuantum 并非通用量子模拟器的替代品：

1. 不适合大规模多体物理模拟：受限于 GPU 显存，statevector 模拟无法突破 30+ 量子比特瓶颈。对于需要模拟数百个量子比特的高精度物理计算，仍需使用 QuEra、Aer 等专业工具。
2. 非通用量子计算框架：专注于参数化量子电路（PQCs）和变分算法，不支持量子纠错、拓扑量子计算等前沿方向。
3. 部署到真实量子硬件仍有门槛：需要 IBM Quantum 账户和量子计算积分，队列等待时间不可控。

---

七、行业意义：连接量子研究与深度学习工程

TorchQuantum 的出现，折射出一个更大的趋势：量子计算工具链正在快速向深度学习工程师靠拢。过去，量子计算研究者和深度学习研究者使用完全不同的工具栈，协作成本极高。TorchQuantum 代表了一种量子计算民主化的路径——不需要深入理解量子物理，就能用熟悉的 PyTorch 语法探索量子增强的机器学习模型。

从增长曲线来看，项目在 2021-2024 年间保持了稳定的 stars 增长（目前 1635，255 forks），issues 活跃度较高（96 open），社区贡献者包括来自 MIT、清华大学、上海交通大学等多所高校的研究者。2024 年进入 PyTorch/Qiskit 两大生态，标志着项目从个人研究工具升级为社区基础设施。

对于 AI 开发者而言，TorchQuantum 提供了一个低门槛的量子计算实验场——可以在笔记本上用 CPU 模拟 5-10 比特的电路学习原理，在 GPU 服务器上用 20+ 比特探索前沿算法，最终通过 Qiskit 桥接在 IBM 真实量子芯片上验证想法。这种渐进式探索的能力，是 TorchQuantum 最独特的价值。

图5：量子卷积核与经典卷积核的对比电路 图5：参数化量子卷积核的参数空间可视化。每个量子比特位置对应一个可训练的旋转门参数，通过梯度下降优化这些参数，可以自动学习对分类任务最有利的特征提取模式，而无需手工设计卷积核。

---

本文基于 GitHub 仓库（mit-han-lab/torchquantum，MIT License）源码分析、官方文档及公开资讯撰写，图片均来自项目官方仓库。