tequilahub/tequila

Tequila – 用於變分量子演算法的 Python 框架

是什麼 – Tequila 是一個 Python 庫，讓您以硬體無關的方式撰寫、組合、微分與最佳化量子計算電路。它專注於 變分 演算法（VQE、QAOA 等），並為量子後端（模擬器與實際裝置）以及量子化學套件提供高階抽象。

核心概念

• 抽象資料結構 – 電路、哈密頓量、期望值與最佳化目標皆以物件形式表示（tq.gates、tq.ExpectationValue、tq.Variable）。這讓您能在不硬編碼特定模擬器的情況下，建構複雜的工作流程。
• 自動微分 – 該套件可自動計算期望值的梯度，支援 BFGS 等基於梯度的最佳化器。
• 後端無關執行 – 只要安裝了支援的後端（Qulacs、Qibo、Qiskit、Cirq、PyQuil、QLM），Tequila 就會自動偵測並使用。您也可接入量子化學引擎（Psi4、PySCF、Madness）來從分子結構生成量子哈密頓量。
• 化學導向的工具 – 提供建構分子哈密頓量、產生常見變分形式（UCC、UpCCGSD、SPA 等）以及與古典參考方法（CISD、FCI）比較的輔助函數。

典型工作流程（Hello-World）

import tequila as tq
from math import pi

# 1️⃣ 定義變分參數
θ = tq.Variable('θ')

# 2️⃣ 建構簡單電路（對第 0 個量子位元進行 Ry 旋轉）
U = tq.gates.Ry(angle=θ*pi, target=0)

# 3️⃣ 選擇可觀測量（第 0 個量子位元上的 Pauli-X）
H = tq.paulis.X(0)

# 4️⃣ 建構期望值 ⟨ψ(θ)|H|ψ(θ)⟩
E = tq.ExpectationValue(H=H, U=U)

# 5️⃣ 最佳化 – 最小化期望值的平方
result = tq.minimize(method='bfgs', objective=E**2)

# 6️⃣ 檢查結果
print('最佳波函數:', tq.simulate(U, variables=result.angles))
result.history.plot('energies')

此模式可擴展至化學領域：定義 Molecule，產生量子哈密頓量，選擇變分形式，然後呼叫 tq.minimize。

安裝

• 核心套件以 tequila-basic 的形式在 PyPI 上發行。使用 pip install tequila-basic 安裝。
• 為在模擬器上獲得最佳效能，可額外安裝快速後端如 Qulacs（pip install qulacs）。
• 可選的化學後端（Psi4、PySCF、Madness）需分別安裝（conda 或 pip），並可自動偵測。
• 開發版本可直接從 GitHub 安裝（pip install git+https://github.com/tequilahub/tequila.git）。

生態系統與社群

• 教學與文件 – 專用網站（tequilahub.github.io/tequila-tutorials）提供涵蓋基礎用法、化學模組與進階主題的筆記本。
• 研究影響 – README 列出數十篇使用 Tequila 進行 VQE、基底集無關方法、量子光學硬體設計、韌性分析等的同行評審論文。許多論文在 tequila-tutorials 倉儲中提供範例筆記本。
• 可擴展性 – 您可透過拉取請求貢獻新的後端、變分形式或最佳化策略。專案遵循標準 Python 工具鏈（Ruff 用於格式化，CI 透過 GitHub Actions）。

誰可能使用它

• 希望透過 Python 介面在不同模擬器或實際量子硬體上執行 VQE 的量子化學研究人員。
• 原型設計新型變分形式或基於梯度的最佳化方案的演算法開發者。
• 尋找教學友好型套件的教育工作者，該套件抽象化底層後端細節，同時仍揭露底層電路模型。

---

以上所有資訊均直接取自倉儲的 README；未推斷任何額外功能。