增强提案：新增基于MindSpore Tensor数据类型的模拟器后端

# 增强提案：新增基于MindSpore Tensor数据类型的模拟器后端

## 动机
目前MindQuantum模拟器mqvector后端使用C++实现，性能优异，但是针对不同平台的迁移难度较高，比如现有的mqvector_gpu后端就是使用CUDA重写的。如果使用MindSpore实现一个模拟器后端，则能够借助MindSpore的异构能力，该模拟器应当能够在所有MindSpore支持的硬件平台上运行，并且针对具体硬件的性能优化也由MindSpore层实现。

### 目标
基于MindSpore的ms.Tensor数据类型，实现一个态矢量量子模拟器，该模拟器应当能在大部分MindSpore支持的硬件平台上运行，包括CPU、GPU、昇腾等。

### 功能范围
模拟器支持的功能应覆盖[Simulator](https://gitee.com/mindspore/mindquantum/blob/master/mindquantum/simulator/simulator.py#L43) 类。

## 潜在问题
1.基于MindSpore实现的后端的性能可能难以达到现有mqvector的程度，甚至可能存在较大差距，因为现有mqvector针对量子门演化、梯度计算等算子进行了高度性能优化，这些优化是基于量子计算的一些特殊数学性质，可能难以在MindSpore的Tensor级别的抽象上实现。
2.MindSpore目前对复数的支持还不完善，模拟器最核心的算子MatMul或者EinSum都不支持复数类型（MatMul仅在CPU上支持），因此可能无法采用最佳的实现方案，性能可能会进一步下降。后续可以考虑向MindSpore提需求，看是否能增强对复数运算的支持。

## 实施方案
- [mindquantum/simulator](https://gitee.com/mindspore/mindquantum/tree/master/mindquantum/simulator)路径下新增 `ms_vector.py`，在其中实现 [Simulator](https://gitee.com/mindspore/mindquantum/blob/master/mindquantum/simulator/simulator.py#L43) 类的所有method即可。
- 最核心是应用量子门的接口[apply_gate](https://gitee.com/mindspore/mindquantum/blob/master/mindquantum/simulator/simulator.py#L148)和计算梯度的接口[get_expectation_with_grad](https://gitee.com/mindspore/mindquantum/blob/master/mindquantum/simulator/simulator.py#L312)。
- `apply_gate`可以通过ms.Tensor的MatMul等张量运算接口实现，本质上就是矩阵乘法。
- 梯度计算建议仍然采用Adjoint Gradient的方法（可参考[ccsrc/include/simulator/vector/gradient.h](https://gitee.com/mindspore/mindquantum/blob/master/ccsrc/include/simulator/vector/gradient.h)），也可以考虑利用MindSpore的自动微分能力，可能需要对比分析一下哪个性能更好。
- 基于MindSpore的能力可能存在一定性能优化的空间，比如MindSpore的静态图模式，或者一些并行化的能力。

## 测试策略
[tests/st/test_simulator](https://gitee.com/mindspore/mindquantum/tree/master/tests/st/test_simulator)路径下有比较完善的测试用例，新增模拟器需要通过所有相关的测试用例。

GVP MindSpore/mindquantum

内容风险标识

评论 (2)

GVPMindSpore/mindquantum

内容风险标识