量子模拟器生态：状态向量、噪声模拟与张量网络方法

1. 开发调试：随时可跑、可检查中间态
2. 算法验证：无噪声理想结果 → 对照真机噪声
3. 教学研究：深挖量子态结构

n 个比特 → 2^n 个复数振幅
n=20 → 2^20 × 16字节 ≈ 16MB
n=30 → 2^30 × 16 ≈ 16GB（内存见底）
n=40 → 16TB（普通机器不可能）

量子叠加 = 同时表示所有状态 → 经典存储必然指数
这就是「量子优势」的另一面：模拟它很难

1. 分层采样（只测感兴趣比特）
2. 稀疏表示（很多振幅为 0）
3. 尽早测量（减少活跃维度）
4. Clifford 电路用稳定子模拟（多项式快）

# 状态向量大小
n_qubits = 20
memory = 2**n_qubits * 16  # 字节
print(f"{n_qubits} 比特状态向量: {memory/1e9:.1f} GB")

from qiskit_aer.noise import NoiseModel
from qiskit_aer.noise import depolarizing_error, thermal_relaxation_error

# 1. 构建错误模型
noise = NoiseModel()
noise.add_all_qubit_quantum_error(
    depolarizing_error(0.001, 1), ['u1','u2','u3'])   # 单比特门 0.1% 错误
noise.add_all_qubit_quantum_error(
    depolarizing_error(0.02, 2), ['cx'])              # CNOT 2% 错误
noise.add_all_qubit_readout_error([[0.99, 0.01],[0.02, 0.98]])  # 测量错误

# 2. 用带噪声的后端跑
from qiskit_aer import AerSimulator
noisy_backend = AerSimulator(noise_model=noise)
result = execute(qc, noisy_backend, shots=8192).result()

纯态：|ψ⟩（2^n 振幅）
混合态：密度矩阵 ρ（2^n × 2^n）→ 更大，但能表示噪声与纠缠丢失

1. 模拟热/混合初始态
2. 部分测量后的子系统
3. 噪声过程的精确追踪

from qiskit_aer import AerSimulator

# 密度矩阵模拟（可看退相干）
backend = AerSimulator(method='density_matrix')
result = backend.run(qc).result()
dm = result.data(0)['density_matrix']
print(dm)   # 对角外的非零反映纠缠/相干

# qasm 模拟器：测量 → 计数分布
backend = AerSimulator(method='qasm')
result = execute(qc, backend, shots=8192).result()
print(result.get_counts())   # {'00': 4096, '11': 4096}

核心：很多量子态「纠缠有限」→ 可用 MPS（矩阵乘积态）近似
优势：一维/低纠缠电路可以模拟到百比特
代价：纠缠高（如 GHZ 后）则压缩失效

MPS：把 2^n 振幅拆成 n 个矩阵的链
内存：O(n·χ²)（χ=截断维度）替代 O(2^n)
χ 越大越精确、越贵

# Quimb：张量网络量子模拟
import quimb
import quimb.tensor as qtn

# 构造 MPS 并压缩
state = qtn.MPS_computational_state('0'*50)
# 施加门 → 逐层收缩，控制 χ

1. 一维/浅层电路（模拟 ~50-100 比特）
2. 低纠缠区域（如绝热演化的局部态）
3. 不适合：深纠缠电路（贝尔态链、随机电路）

from qiskit_aer import AerSimulator
from qiskit_aer.noise import NoiseModel

# 不同 method
sim = AerSimulator(method='statevector')    # 纯态（默认）
sim = AerSimulator(method='qasm')           # 测量统计
sim = AerSimulator(method='density_matrix') # 混合态
sim = AerSimulator(method='matrix_product_state')  # MPS（大电路）
sim = AerSimulator(method='unitary')        # 单位矩阵（看门矩阵）
sim = AerSimulator(method='stabilizer')     # Clifford 快模拟

# 带噪声
sim = AerSimulator(noise_model=noise)

小电路（≤20 比特）调试：Qiskit Aer（生态最顺）
大理想电路：QuEST / qsim（C++ 快）
低纠缠大电路：Quimb MPS
Clifford 电路：stabilizer method
GPU 需求：Aer GPU / qsim GPU

状态向量更新 = 矩阵乘向量 → 天然适合 GPU
GPU 可模拟更大规模（显存替代内存）

from qiskit_aer import AerSimulator

# 启用 GPU（需安装 qiskit-aer-gpu）
sim = AerSimulator(method='statevector', device='GPU')

# 并行线程
sim = AerSimulator(max_parallel_threads=8, max_parallel_shot=8192)

1. 多线程（CPU 核并行）
2. 多 shot 并行（采样并行）
3. GPU（CUDA 加速矩阵运算）

1. 模拟器验证算法逻辑（理想结果）
2. 噪声模拟预测真机表现（带错误模型）
3. 小电路上真机实测（真实噪声）
4. 缓解/优化对比（见错误缓解）

# 同一电路：理想 vs 噪声 vs 真机
ideal_counts = execute(qc, AerSimulator(), shots=8192).result().get_counts()
noise_counts = execute(qc, AerSimulator(noise_model=noise), shots=8192).result().get_counts()
real_counts  = sampler.run([qc], shots=8192).result().get_counts()
# 三层对照 → 定位「算法问题」还是「硬件问题」