[论文解读] TensorCircuit-NG: A Universal, Composable, and Scalable Platform for Quantum Computing and Quantum Simulation

Shi-Xin Zhang, Yu-Qin Chen+23 more|arXiv (Cornell University)|Feb 15, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

TensorCircuit-NG 提供一个下一代、AI 原生平台，将量子电路、张量网络和神经网络统一为一个可微分、张量原生的框架，具有分布式计算和跨后端互操作性。它支持端到端的 QML、模拟模拟（Analog）和噪声感知的仿真，以及在 HPC 集群上的可扩展张量网络收缩。

ABSTRACT

We present TensorCircuit-NG, a next-generation quantum software platform designed to bridge the gap between quantum physics, artificial intelligence, and high-performance computing. Moving beyond the scope of traditional circuit simulators, TensorCircuit-NG establishes a unified, tensor-native programming paradigm where quantum circuits, tensor networks, and neural networks fuse into a single, end-to-end differentiable computational graph. Built upon industry-standard machine learning backends (JAX, TensorFlow, PyTorch), the framework introduces comprehensive capabilities for approximate circuit simulation, analog dynamics, fermion Gaussian states, qudit systems, and scalable noise modeling. To tackle the exponential complexity of deep quantum circuits, TensorCircuit-NG implements advanced distributed computing strategies, including automated data parallelism and model-parallel tensor network slicing. We validate these capabilities on GPU clusters, demonstrating a near-linear speedup in distributed variational quantum algorithms. TensorCircuit-NG enables flagship applications, including end-to-end QML for CIFAR-100 computer vision, efficient pipelines from quantum states to neural networks via classical shadows, and differentiable optimization of tensor network states for many-body physics.

研究动机与目标

• 创建一个统一的、张量原生的平台，将量子电路、张量网络和神经网络集成到一个可微分的计算图中。
• 支持高维 qudit 系统、费米子高斯态、模拟模拟以及灵活的噪声建模以实现真实的量子仿真。
• 提供可扩展的 HPC 就绪分布式计算，具备数据并行和模型并行的张量网络切片能力。
• 实现与现有量子与张量网络生态系统和后端的无缝互操作（如 JAX、TensorFlow、PyTorch、Qiskit、OpenQASM）。
• 提供 AI 原生开发工具和社区驱动资源，以加速量子研究和教育。

提出的方法

• 提出一个五层架构，统一硬件、数值后端、计算范式（自动微分 AD、即时编译 JIT、向量化映射 VMAP）、核心张量抽象和物理建模。
• 采用张量原生表示，其中态、门和噪声都是一等张量，使量子建模具备可微性。
• 提供原生后端接口，通过 DLPack 实现跨框架零拷贝执行，以耦合多个 ML 框架。
• 实现多范式求解器（精确、带噪声、MPS、稳定子）和分布式收缩，结合数据并行和模型并行以处理大型量子电路。
• 提供翻译工具和领域特定集成（TenCirChem-NG、张量网络翻译器、Qiskit/OpenQASM 互操作性），以实现灵活的工作流。
• 展示端到端用例，包括 CIFAR-100 上的 QML、从量子态到神经网络的经典影子管线，以及张量网络态的可微优化。

实验结果

研究问题

• RQ1 如何在不被后端绑定锁定的情况下，将量子物理、AI 和高性能计算融合为一个可微的平台？
• RQ2 张量原生表示和分布式张量收缩是否能够在具有现实噪声和动力学的深层量子电路的可扩展仿真中发挥作用？
• RQ3 量子层在跨框架（JAX、TensorFlow、PyTorch）中以零拷贝互操作性与经典 ML 流水线的集成效果如何？
• RQ4 在大规模 HPC 资源上进行端到端 QML 和多体物理建模的实际能力与局限性是什么？
• RQ5 开放生态系统（Qiskit、OpenQASM、TeNPy、Quimb、TenCirChem-NG）是否能够桥接以支持混合量子-经典工作流？

主要发现

• TensorCircuit-NG 在 GPU 集群上实现了近线性加速的分布式变分量子算法性能。
• 该平台支持 CIFAR-100 的端到端 QML，以及从量子态到神经网络的经典影子管线。
• 它使张量网络态在多体物理中的可微优化成为可能，并提供灵活的仿真引擎（解析、稳定子、MPS、带噪声）。
• AI 原生开发特性（DeepWiki、面向代理的文档、含可执行示例的仓库）促进 AI 辅助的研究与可重复性工作流。
• 跨框架互操作性允许在 PyTorch、TensorFlow、JAX 之间实现原生后端与混合量子-经典层，且具备零拷贝数据传输。