Cirq
Basisdaten
Erscheinungsjahr	17. April 2018
Aktuelle Version	1.6.1[1] (14. August 2025)
Programmier­sprache	Python
Lizenz	Apache-Lizenz, Version 2.0
quantumai.google/cirq

Cirq ist ein Open-Source-Framework für Noisy Intermediate-Scale Quanten (NISQ)-Computer.^[2]

Es wurde von Google entwickelt, um Quantenalgorithmen effizient auf aktuellen Quantenprozessoren zu entwerfen, zu optimieren und auszuführen. Cirq bietet eine flexible Schnittstelle zur Steuerung von Quanten-Hardware, unterstützt die Simulation von Quanten-Schaltkreisen und ermöglicht Forschern sowie Entwicklern die Implementierung und Analyse von Algorithmen für reale Quantencomputer.

Cirq wurde vom Google AI Quantum Team entwickelt. Die erste öffentliche Alpha-Version wurde auf dem Internationalen Workshop on Quantum Software and Quantum Machine, am 18. Juli 2018 vorgestellt.^[2] Eine Vorführung durch QC Ware hat eine Implementierung des Quantum Approximate Optimization Algorithm (QAOA) gezeigt, der ein Beispiel eines Max-Cut-Problems mit einem Cirq-Simulator gelöst hat. Diese Demonstration veranschaulichte, wie Quantenalgorithmen für kombinatorische Optimierungsprobleme eingesetzt werden können und wie Cirq zur effizienten Simulation und Analyse solcher Algorithmen genutzt wird.^[3]

In Cirq werden Quantenschaltkreise durch „Circuits“ dargestellt, die aus einer Reihe von „Moments“ bestehen. Jeder „Moment“ repräsentiert eine Schicht von Quanten-Gattern, die gleichzeitig angewendet werden sollen.^[4]

Die Programme können auf lokalen Simulatoren^[5] oder auf Hardware von IonQ, Pasqal^[6], Rigetti und Alpine Quantum Technologies^[7] ausgeführt werden.

Die folgenden Beispiele zeigen wie man einen Bell-Zustand in Criq erstellt und misst:

import cirq

# qubits auswählen
qubit0 = cirq.GridQubit(0, 0)
qubit1 = cirq.GridQubit(0, 1)

# Circuit erstellen
circuit = cirq.Circuit(
    cirq.H(qubit0),
    cirq.CNOT(qubit0, qubit1),
    cirq.measure(qubit0, key="m0"),
    cirq.measure(qubit1, key="m1")
)

Das Ausgeben des Schaltkreises zeigt sein Diagramm an:

print(circuit)
# prints
# (0, 0): ───H───@───M('m0')───
#                │
# (0, 1): ───────X───M('m1')───

Die wiederholte Simulation des Schaltkreises zeigt, dass die Messungen der Qubits korreliert sind:

simulator = cirq.Simulator()
result = simulator.run(circuit, repetitions=5)
print(result)
# Gibt aus:
# m0=11010
# m1=11010

OpenFermion ist eine Bibliothek, die Quanten-Simulationsalgorithmen für Cirq kompiliert. Sie wird insbesondere für die Simulation quantenmechanischer Systeme in der Quantenchemie und Physik verwendet und ermöglicht die effiziente Umwandlung von Fermionen-Hamiltonianen in Quanten-Schaltkreise.^[2]

TensorFlow Quantum ist eine Erweiterung von TensorFlow, die es ermöglicht, hybride klassisch-quantenbasierte Machine-Learning-Algorithmen zu erforschen. Sie kombiniert die Leistungsfähigkeit von TensorFlow mit Quantencomputing-Techniken und erlaubt die nahtlose Integration von Quanten-Schaltkreisen in bestehende neuronale Netzwerke und Optimierungsprozesse.^[8][9]

ReCirq ist ein Repository für Forschungsprojekte, die mit Cirq durchgeführt wurden. Es enthält eine Sammlung von Open-Source-Experimenten, Algorithmen und Anwendungen, die von der Quantenforschungs-Community entwickelt wurden, und dient als Ressource für das Testen und Optimieren von Quantenalgorithmen.^[10]

Qsim ist ein leistungsstarker Wellenfunktionssimulator, der Gate-Fusion, AVX/FMA-Instruktionen und OpenMP nutzt, um hohe Simulationsgeschwindigkeiten zu erreichen. Qsimcirq ermöglicht die Verwendung von Qsim direkt innerhalb von Cirq und bietet eine effiziente Möglichkeit, große Quanten-Schaltkreise zu simulieren, indem es hardwarebeschleunigte Optimierungen nutzt.^[11]

1. ↑ Release 1.6.1. 14. August 2025 (abgerufen am 11. September 2025).
2. ↑ ^{a b c} Announcing Cirq: An Open Source Framework for NISQ Algorithms. Abgerufen am 3. März 2025 (englisch). 
3. ↑ public_demos/max_cut/max_cut_cirq.py at master · qcware/public_demos. Abgerufen am 3. März 2025 (englisch). 
4. ↑ Cirq basics. Abgerufen am 3. März 2025 (englisch). 
5. ↑ Simulate a circuit | Cirq. Abgerufen am 3. März 2025 (englisch). 
6. ↑ Homepage pasqal. Abgerufen am 3. März 2025 (amerikanisches Englisch). 
7. ↑ Carina: Home. Abgerufen am 3. März 2025 (amerikanisches Englisch). 
8. ↑ TensorFlow Quantum. Abgerufen am 3. März 2025 (englisch). 
9. ↑ Seunghyeok Oh, Jaeho Choi, Joongheon Kim: A Tutorial on Quantum Convolutional Neural Networks (QCNN). IEEE, 2020, ISBN 978-1-72816-758-9, S. 236–239, doi:10.1109/ICTC49870.2020.9289439 (ieee.org [abgerufen am 3. März 2025]). 
10. ↑ quantumlib/ReCirq. quantumlib, 28. Februar 2025, abgerufen am 3. März 2025. 
11. ↑ Client Challenge. Abgerufen am 3. März 2025.