如何在qBraid中启用NVIDIA cuQuantum QPU访问并迁移GPU任务？

一、启用NVIDIA cuQuantum QPU访问 #

• 先确认GPU和cuQuantum环境状态：在Jupyter单元格里运行!nvidia-smi，检查GPU是否被识别；再运行!pip list | grep cuquantum，验证cuQuantum库是否已安装
• 切换到cuQuantum专属内核：在Jupyter顶部菜单栏点击「Kernel」→「Change Kernel」，选择带cuquantum标识的内核（比如qbraid-cuquantum）。如果找不到该内核，打开终端输入qbraid enable cuquantum激活环境后刷新内核列表即可
• 验证QPU可访问性：运行以下测试代码确认初始化成功

from cuquantum import CuStateVec
import numpy as np

# 初始化2量子比特状态向量
sv = CuStateVec(2, dtype=np.complex64)
sv.zeros()
sv.set_bitstring('01')
print("cuQuantum QPU初始化成功")

二、将任务迁移至qBraid GPU的流程 #

• 替换框架后端为GPU加速版本：如果使用Qiskit、Cirq这类通用量子框架，把默认后端换成cuQuantum支持的GPU后端。以Qiskit为例：

from qiskit import QuantumCircuit
from qiskit_aer import AerSimulator

# 指定使用GPU加速的状态向量模拟器
gpu_sim = AerSimulator(method='statevector', device='GPU')

# 构建测试量子电路
qc = QuantumCircuit(2)
qc.h(0)
qc.cx(0,1)
qc.measure_all()

# 提交任务到GPU运行
result = gpu_sim.run(qc).result()
print("GPU运行结果:", result.get_counts())

• 适配代码兼容GPU：确保数据类型使用cuQuantum支持的格式（比如np.complex64），避免只支持CPU的操作；大规模任务可利用cuQuantum的并行接口进一步优化性能
• 监控GPU运行状态：打开终端执行nvidia-smi，实时查看GPU使用率、显存占用情况，确认任务确实运行在GPU上

内容的提问来源于stack exchange，提问作者Kenada Ora