框架对比¶

主流量子计算框架¶

特性	Qiskit	Cirq	PennyLane	Q#
开发公司	IBM	Google	Xanadu	Microsoft
语言	Python	Python	Python	C#/Python
模拟器	✅ 丰富	✅ 优秀	✅ PyTorch集成	✅ 高效
真实硬件	✅ IBM Q	✅ Google Sycamore	✅ Xanadu	✅ Azure Quantum
机器学习	⚠️ 有限	⚠️ 有限	✅ 强大	⚠️ 一般
优化器	✅ 内置	⚠️ 需外部	✅ 自动微分	✅ 内置
社区活跃	🌟🌟🌟	🌟🌟	🌟🌟	🌟🌟
文档质量	🌟🌟🌟	🌟🌟	🌟🌟🌟	🌟🌟🌟
学习曲线	中等	中等	简单	较陡

适用场景¶

Qiskit 适合：¶

✅ 初学者入门
✅ IBM Quantum硬件
✅ 完整工具链需求
✅ 教学研究

Cirq 适合：¶

✅ Google硬件
✅ 原子级控制
✅ NISQ算法研究
✅ 噪声建模

PennyLane 适合：¶

✅ 量子机器学习
✅ 变分算法
✅ 自动微分
✅ PyTorch集成

Q# 适合：¶

✅ .NET生态
✅ 强类型偏好
✅ Azure集成
✅ 企业应用

性能对比¶

模拟速度¶

小规模 (<20 qubits): 所有框架相近
中等规模 (20-30 qubits): Cirq/Q# 略优
大规模 (30+ qubits): 需专用HPC

内存效率¶

状态向量模拟: PennyLane > Cirq > Qiskit
张量网络模拟: Cirq 优势明显

代码对比¶

同样的 Bell 态制备¶

Qiskit:

qc = QuantumCircuit(2)
qc.h(0)
qc.cx(0, 1)

Cirq:

q0, q1 = cirq.LineQubit.range(2)
circuit = cirq.Circuit(cirq.H(q0), cirq.CNOT(q0, q1))

PennyLane:

@qml.qnode(dev)
def circuit():
    qml.Hadamard(wires=0)
    qml.CNOT(wires=[0, 1])
    return qml.state()

Q#:

operation BellPair() : (Qubit, Qubit) {
    use qubits = Qubit[2];
    H(qubits[0]);
    CNOT(qubits[0], qubits[1]);
    return (qubits[0], qubits[1]);
}

选择建议¶

选择框架

新手: Qiskit (文档最全)
机器学习: PennyLane (自动微分)
算法研究: Cirq (灵活性)
企业开发: Q# (类型安全)

上一章: 入门教程 | 下一章: 参考文献