近期，本源量子正式发布量子机器学习框架 VQNet 2.17。本次升级在不改变既有接口与使用习惯的前提下，完成了系统级架构升级：训练更快、分布式更强、并能更自然地融入主流深度学习工具链。

---

与主流机器学习框架更兼容      统一后端机制

早期 VQNet 更强调量子—经典混合训练的完整性与可控性，因此采用自研计算引擎与数据结构。这在保证一致性与可复现性的同时，也限制了算子复用与生态协同，难以直接融入以 PyTorch 为核心快速演进的大模型工具链。

VQNet 2.17 的关键改变：高层接口与底层计算彻底解耦。

引入统一计算后端抽象机制后，计算逻辑不再绑定单一引擎，用户可通过 set_backend 在 VQNet 自研后端与 PyTorch 等后端间切换：

• 在 torch 后端下，QTensor 底层存储自动映射为 torch.Tensor

• 可直接复用 PyTorch 原生算子库、自动微分与并行能力

• 通过扩展基于 torch.nn.Module 的 QModule，实现量子变分模块 + 经典网络模块统一封装

• 量子算子与经典算子可在同一模型结构、同一训练流程协同工作，更适合复杂混合模型工程化落地

• 更容易与 Hugging Face 等生态工具衔接，支持图像、文本与大模型相关的量子—经典混合研究

图 1：相同量子变分线路在不同后端迁移示例（仅需改动极少代码）

---

面向更大规模      基于"比特重排"的分布式可微训练

随着量子机器学习模型规模扩大后，经典状态向量模拟的资源消耗指数增长：

• 30 比特约需 16GB 内存

• 32 比特约需 64GB

• 36 比特约需 1TB

更关键的是：可微模拟框架在反向传播中需要缓存中间态，内存随电路深度线性增加，导致在较低比特数下就可能突破单节点容量极限。因此，在“量子比特维度”做分布式，是支撑超大规模可微量子模拟训练的必经之路。

VQNet 2.17 引入：基于比特重排（Qubit Reordering）的分布式训练能力。

核心思路是：按量子比特索引划分全局量子态，把不同振幅子集分配给不同节点并行存储与计算。

• 若量子门仅作用于当前节点管理的“本地比特” → 无需通信，直接执行

• 若量子门涉及跨节点比特 → 通过全局重排与数据迁移完成执行

• 算法参考论文（https://arxiv.org/abs/2410.04252），通过分析后续量子门需求，选择能支持最长连续执行窗口的映射方案，把多次零散重排合并为少量结构化重排，显著降低通信开销、提升并行效率与可扩展性

图 2：分布式量子变分线路训练接口示例代码

在接口层面，用户改动也很小：

• 仅需修改原先的 pyvqnet.qnn.vqc.QMachine 为 pyvqnet.distributed.qubit_reoreder.DistributeQMachine

• 设置 grad_mode="adjoint" 使用伴随法求梯度

• 配置总比特数 qubit 与跨节点分布比特数 global_qubit

• 在 Linux + MPI 环境以 mpirun启动多进程（nproc = 2**global_qubit）

图 3：同配置实验对比

VQNet 采用比特重排算法后，仅需 2 张 24GB 显存 GPU 即可完成 30 比特量子模型训练；同等硬件条件下，同类产品出现显存不足无法运行的情况。

---

更快的训练      原生 C++ 自动微分引擎 + 并行调度

为进一步突破性能瓶颈，VQNet 2.17 同步推出原生高性能后端 pyvqnet-ad：

• 将自动微分逻辑从纯 Python 下沉到 C++ 层，重新实现底层 Autograd Engine

• 引入多线程并行架构与生产者-消费者任务调度模型，避免 Python GIL 带来的串行限制，实现算子级细粒度并行，减少调度开销，并用流水线机制掩盖内存分配与数据搬运延迟

图 4：VQNet 在本地 GPU 上进行量子线路梯度计算对比情况

---

性能对比结果

同时，我们对 VQNet、PennyLane、DeepQuantum 做了梯度计算耗时对比测试（不同 Batch/Depth/Qubits，10 次平均）。

结果显示：得益于原生 GPU 算子与底层深度优化，VQNet 在多项基准下表现出更优的计算效率与吞吐。

---

VQNet 2.17 带来了什么？

统一后端机制：更好融入主流 AI 生态、提升复用性与扩展性

比特重排分布式训练：突破大规模可微模拟的内存瓶颈

C++ 原生自动微分引擎：提升训练吞吐与整体性能

后续我们将持续深化与主流 AI 工具链的协同，探索量子算法与生成式大模型方向的融合创新，并持续优化异构计算与 NISQ 误差缓解技术，推动量子机器学习从理论验证走向真实工业应用。