我们提出了一种通过量子门矩阵缓存和电路分割来加速量子电路模拟的方法，减少重复计算，并使用PyTorch实现。Qandle兼容现有机器学习流程，提供用户友好的API和OpenQASM支持，是一个开源项目，托管在GitHub和PyPI上。

我们开发了一种通过量子门矩阵缓存和电路分割来加速量子电路模拟的方法，减少重复计算，并用PyTorch实现。工具Qandle兼容现有机器学习流程，支持OpenQASM格式，开源于GitHub和PyPI。

为了解决量子电路状态向量模拟的计算复杂性问题，研究人员提出了一种加速电路执行的方法。通过量子门矩阵缓存和电路分割，减少了重复计算量。使用PyTorch机器学习框架实现了这些技术。与其他PyTorch兼容的量子状态向量模拟器进行比较，展示了该方法的性能。实现名为Qandle，旨在与现有的机器学习工作流程无缝集成，并提供用户友好的API和与OpenQASM格式的兼容性。