以 PyTorch 为核心的量子计算框架
用熟悉的 PyTorch 工具，构建和联合训练经典–量子模型。
在同一工作流中探索不同模拟后端，并将线路运行到支持的量子硬件。
$ pip install flagquantum$ git clone https://github.com/flagos-ai/FlagQuantum.git
将经典神经网络与可训练的量子线路组合起来。
在熟悉的 PyTorch 工作流中构建、优化和运行混合模型。
将量子线路融入 PyTorch 模型，用熟悉的自动微分与优化器训练经典–量子混合网络。
按线路结构与资源需求，选择态矢量、MPS 或张量网络模拟，探索不同规模的量子计算。
保持量子线路与测量定义一致，在支持的模拟器和量子硬件之间切换执行。
import torch
import flagquantum as fq
def circuit(parameters):
return fq.Circuit(2) \
.ry(0, parameters[0]) \
.cx(0, 1)
model = fq.Module(
circuit, n_parameters=1,
init=torch.tensor([0.25]),
)2 个量子比特 · 1 个可训练参数
training = fq.train(
model,
optimizer=torch.optim.Adam(
model.parameters(), lr=0.08),
objective=lambda z: z.mean(),
steps=60,
)60 步 · Adam · 学习率 0.08
trained_circuit = circuit(
next(model.parameters()).detach())
measurement = fq.expectation(fq.Z(0))
# Local simulation
result = fq.run(
trained_circuit, outputs=measurement)
# Configured quantum hardware
hardware = fq.run(
trained_circuit, target="quafu:Baihua",
compiler="qsteed", outputs=measurement,
shots=1024,
)⟨Z₀⟩ = -0.996156硬件调用需要配置 Quafu 访问权限；本示例未提交远程任务。
将量子线路封装为可训练模块，与经典神经网络组合。
import torch
import flagquantum as fq
def circuit(parameters):
return fq.Circuit(2) \
.ry(0, parameters[0]) \
.cx(0, 1)
model = fq.Module(
circuit, n_parameters=1,
init=torch.tensor([0.25]),
)2 个量子比特 · 1 个可训练参数
使用自动微分和熟悉的优化器，观察损失随训练变化。
training = fq.train(
model,
optimizer=torch.optim.Adam(
model.parameters(), lr=0.08),
objective=lambda z: z.mean(),
steps=60,
)60 步 · Adam · 学习率 0.08
明确线路与测量目标，在本地模拟，或选择已配置的量子后端。
trained_circuit = circuit(
next(model.parameters()).detach())
measurement = fq.expectation(fq.Z(0))
# Local simulation
result = fq.run(
trained_circuit, outputs=measurement)
# Configured quantum hardware
hardware = fq.run(
trained_circuit, target="quafu:Baihua",
compiler="qsteed", outputs=measurement,
shots=1024,
)⟨Z₀⟩ = -0.996156硬件调用需要配置 Quafu 访问权限；本示例未提交远程任务。
既可组合独立模块，也可将经典控制写入量子程序。
模块独立，联合优化
经典控制嵌入量子线路
以统一的开发工作流，探索 GPU 模拟、FlagOS 多芯片生态与量子硬件。
汇集 GPGPU、AI 专用处理器与异构后端，面向模拟计算与模型训练。
通用 GPU 计算
AI 专用计算，包含 MLU 等架构
各厂商专用计算架构
连接量子执行平台，让线路走向真实硬件。
Amazon Braket
线路编译 → 任务提交 → 结果回传
芯片名单依据 FlagOS / FlagTree 后端生态，不代表 FlagQuantum 已在每款设备上完成端到端验证。架构分组表示计算范式，不表示相同微架构；同一厂商可能覆盖多种产品设计。具体能力取决于编译器分支、运行时、算子与工作负载。Quafu 面向多技术路线：超导已接入，超算模拟联合建设中，离子阱、中性原子与光量子即将接入。这些为平台路线状态；FlagQuantum 的执行能力以具体后端与适配器为准。Quafu 已有实验性 FlagQuantum 硬件适配器。Amazon Braket 与 IBM Quantum 分别展示拟采用的 OpenQASM / SDK、Qiskit 接入路径，端到端接入仍待验证；线路导出本身不代表硬件执行已获支持。
FlagTree 清单来源 ↗学习数据规律、研究分子能量、优化决策，并理解量子安全。
观察量子层如何影响学习，并与经典模型对照，检验模型选择。
十类测试准确率：混合 92.2% · 经典 96.2%
固定数据划分 · 四比特模拟
探索分子几何与初始态如何影响变分优化，观察不同条件下的收敛过程。
H₄ 氢链 · 六种键长 · 三组初态
总能量 · 全组态相互作用参考
查看量子与经典方法在同一加权网络上的候选解与目标值。
20 个节点 · 精确最优割值 75
QAOA 期望值 · 退火均值
通过封闭教学样例，走完 RSA 分解与 Grover 搜索的关键步骤。
Shor + Grover · 分步演示
量子算法专题 · 与 AI 区分
从器件拓扑与控制脉冲，到噪声与实验验证，探索量子系统的可计算映射。
数字孪生涵盖器件连接、频率与耦合，哈密顿量与脉冲级动力学，噪声、泄漏及读出，以及校准驱动的验证。本展示介绍这些层次，不代表 FlagQuantum 已实现端到端数字孪生；器件特定数据与独立验证仍是关键。
阅读相关研究 ↗左右滑动，查看完整模型 ↔
将量子比特、耦合、频率及器件几何映射到计算模型。九节点布局为示意，并非已连接处理器的复刻。
查看旋转表面码结构，沿时间追踪检测事件，并理解解码与逻辑资源之间的关系。
该码块编码一个逻辑比特，逻辑 X、Z 可由跨边界字符串表示。容错计算还需要重复测量、与噪声模型匹配的解码器、晶格手术等逻辑操作及资源预算。增大码距只在合适噪声条件下有帮助；此处未估算阈值或逻辑错误率。
阅读表面码研究 ↗左右滑动，查看完整模型 ↔
码距 3 的旋转表面码：9 个数据比特、4 个 X 校验与 4 个 Z 校验。彩色面与边界校验表示稳定子的作用范围；每个校验配置一个辅助比特，共需 17 个物理比特。
使用 pip 将 FlagQuantum 安装到 Python 环境中。
$ pip install flagquantum获取完整项目源码，并按照仓库说明完成安装。
$ git clone https://github.com/flagos-ai/FlagQuantum.git参与 FlagQuantum，贡献模型、构建工具、分享实验，让经典–量子计算的想法从研究走向应用。
机构与平台
FlagOS · 智源研究院（BAAI）
Quafu 量子云 · 北京量子信息科学研究院（BAQIS）