我们构建了首个 AI 原生量子软件框架：向 Agentic TensorCircuit‑NG 打招呼

Source: Dev.to

量子计算软件以难以编写而闻名。
如果你想模拟深度量子神经网络或研究新算法，你需要了解哈密顿动力学、希尔伯特空间 并且 是高性能计算（HPC）专家——处理 GPU 内存限制、向量化、JIT 编译阶段时间以及张量网络收缩路径。

多年来，我们通过 TensorCircuit‑NG 为开发者提供了实现这一目标的工具，它是我们下一代开源高性能量子软件框架。

今天，我们正在改变范式：TensorCircuit‑NG 现在是全球首个为代理式量子研究和自动化科学发现专门构建的 AI 原生量子编程平台。通过将 AI 能力直接嵌入代码库，框架现在内置了 HPC 工程师、理论物理学家和技术写手。

范式转变：面向 Agent 的架构 🧠

大多数 AI 编码助手执行“逐行”翻译或生成模板代码，这在量子模拟中行不通——一个位置不当的 for 循环会把编译时间从几秒提升到数小时。

我们没有提供无尽的“最佳实践”教程，而是将我们的框架知识嵌入为 Agentic Skills。克隆最新的 TensorCircuit‑NG 仓库后，你会看到一个新的目录结构：

.agents/skills/
├── arxiv-reproduce/
├── performance-optimize/
├── tc-rosetta/
└── tutorial-crafter/

这些都是严格的、面向工程的 AI 工作流。以下是开箱即用的四大超能力。

1. /arxiv-reproduce：从 arXiv ID 到 JAX 加速代码，仅需几分钟 📄➡️💻

从阅读 arXiv 上前沿的量子机器学习论文到复现其代码之间的鸿沟巨大。
arxiv-reproduce 技能让你提供 arXiv 链接；agent 将会：

• 提取物理意图（Ansatz、Hamiltonian、损失函数）。
• 将量子比特数缩减到适配本地机器。
• 生成符合惯例的、JAX 加速的 TensorCircuit‑NG 代码。
• 运行 black 格式化、pylint 检查，并执行脚本，将复现的图形保存到统一的 outputs/ 文件夹中。

2. /performance-optimize：内置的 HPC 架构师 ⚡

如果量子脚本编译时间过长或因 OOM 错误崩溃，performance-optimize agent 会扫描代码，找出瓶颈，并：

• 用 jax.vmap 替换 Python 循环。
• 将深层量子层包装在 jax.lax.scan 中，以大幅缩短 JIT 阶段时间。
• 注入 jax.checkpoint，在反向传播时以计算换取内存。
• 切换到 cotengra，获取最优的张量网络收缩路径。
• 运行 A/B 基准测试，展示加速效果。

3. /tc-rosetta：端到端跨生态系统翻译 🌍

从旧的面向对象量子框架（如 Qiskit、PennyLane）迁移到现代的、可微分的函数式框架 TensorCircuit‑NG，需要巨大的思维转变。

tc-rosetta 执行 端到端意图提取：它读取遗留脚本，理解其底层数学，并使用纯 JAX 原生范式从头重写。随后执行两个版本并提供基准报告（例如 “执行时间从 300 s 降至 0.2 s”）。

4. /tutorial-crafter：自动化高质量文档 📝

编写文档是每位开源贡献者的噩梦。将 tutorial-crafter 指向任意原始 TensorCircuit‑NG 脚本，它将会：

• 分析物理背景和代码。
• 生成 Markdown 和 HTML 格式的叙事式教程。
• 合理分块代码，添加物理理论的 LaTeX 公式，并突出 HPC 编程技巧（例如 “注意我们这里使用了 vmap 而不是循环…”）。

最终产出堪比手工打造的高端教程。

如何体验魔法 ✨

因为这些技能基于开放标准，入门零摩擦：

1. 克隆 TensorCircuit‑NG 仓库。
2. 在仓库根目录打开终端。
3. 调用技能，例如：

/performance-optimize examples/my_slow_circuit.py

你不再仅仅是写代码；你正在指挥一个自主的数字研究团队。

欢迎来到自主量子软件工程的时代。 我们迫不及待想看到你的发现。查看 repo，给我们点星，让 AI 处理样板代码，而你专注于物理！ 🌌