执行后端与参数

后端决定状态表示和门运算实现，设备决定在 CPU 或可用 GPU 上执行。相同线路在不同后端上应保持相同的量子语义，但精度、性能和可用功能可能不同。


import numpy as np
from unitarylab import Circuit
 
qc = Circuit(2)
result = qc.execute(
    initial_state=None,
    backend="torch",
    device="cpu",
    dtype=np.complex128,
    shots=1,
    seed=42,
    backend_options=None,
)

后端与设备	适用场景
`torch` + `cpu`（默认）	大多数场景
`torch` + `gpu`	CUDA 或 Apple MPS
`numpy` + `cpu`	纯 NumPy 环境
`cpp` + `cpu`	C++ 门核 CPU 加速
`cpp` + `gpu`	可选 CUDA C++ 后端
`tensornet` + `cpu`	大比特数、低纠缠 MPS 模拟

参数说明

参数	默认值	说明
`initial_state`	`None`	状态向量或后端支持的初态；默认 $
`backend`	`"torch"`	`torch`、`numpy`、`cpp` 或 `tensornet`
`device`	`"cpu"`	`cpu` 或后端支持的 `gpu`
`dtype`	`np.complex128`	状态和门运算的复数精度
`shots`	`1`	整条含测量线路的重复执行次数
`seed`	`42`	线路测量随机种子；`None` 表示不固定
`backend_options`	`None`	后端专属配置字典

CUDA C++ 后端通过 pip install "unitarylab[cuda]" 安装，需要兼容的 NVIDIA 驱动，不要求本地 CUDA Toolkit。Apple MPS 不支持 complex128，应使用 np.complex64。

seed=42 使线路内测量可复现；传 None 使用非固定随机采样。TensorNet 的 backend_options 支持 max_bond、cutoff 和 routing（auto、swap、mpo）。


result = qc.execute(
    backend="tensornet",
    backend_options={"max_bond": 128, "cutoff": 1e-10, "routing": "auto"},
)

TensorNet 选项	说明
`max_bond`	MPS 最大键维；越大通常越精确，也越耗内存
`cutoff`	奇异值截断阈值
`routing`	双比特门路由策略：`auto`、`swap` 或 `mpo`

TensorNet 适合一维局域、低纠缠线路；高纠缠线路的键维可能快速增长，不能只凭量子比特数判断性能。

选择与排错

首次运行使用默认 torch + cpu，先确认结果正确。
需要纯 NumPy 依赖路径时使用 numpy；需要已编译门核时使用 cpp。
GPU 不可用、dtype 不受支持或可选扩展未安装时会在执行阶段报错，不会自动改用其他设备。
complex64 占用更少内存但数值误差更大；涉及深线路或误差比较时优先使用 complex128。
比较后端时固定线路、初态、dtype、shots 和 seed。

执行后端与参数

参数说明

选择与排错

相关页面