01 编程模型：用 Python 写清 CPU、QPU、GPU 各自的任务和先后关系，提交后由 PivotQ 统一安排运行。
以水分子动力学计算为例：CPU 读取 H-O-H 三个原子的坐标并准备输入；QPU 运行量子电路，CPU 将测量结果整理为量子特征；GPU 根据这些特征预测能量；CPU 再计算受力并更新原子位置。
GPU根据量子结果预测能量
energy_request = ClassicalPredictRequest(
request_id=request_id,
sample_ids=sample_ids,
features=features
)
energies_eV = classical_api.predict(
energy_request
).energies_eVfeatures 是从 QPU 测量结果中提取的数值特征；energies_eV 是模型预测的能量。
CPU 提交作业一次提交，按步骤运行
spec = build_job_spec(
submission_id="h2o-aimd-001",
working_dir=work_dir,
config_path=config_path,
checkpoint_path=model_path,
output_dir=output_dir,
quantum_target="qpu",
qos_helper_module=qpu_helper,
qos_data_tree_target=qpu_data_tree,
)
job = RayJobClient(address).submit(spec)作业指定模型文件、运行配置和输出位置；提交后，由 CPU 协调 QPU 上的电路执行和 GPU 上的计算。
02 任务编排和性能分析：PivotQ 可利用真机运行或性能仿真引擎生成详细的性能报告，发现瓶颈。
支持万量子比特、千卡规模的同步性能建模，可模拟百万条硬件指令类事件，并分析多作业并发时的资源竞争。
查看编排和分析文档为量子-经典混合程序选择 CPU、GPU 或 QPU 并编排任务后，可在真机上运行，也可使用离散事件仿真器评估性能。两种方式均可生成性能报告，包含各任务的运行时间、运行节点、指令执行顺序和运行复杂度。图中已突出标示任务编排、性能分析与报告节点；小屏幕可横向滚动，或使用左右按钮查看。
01 / 程序
量子-经典
混合程序
混合程序
用代码描述计算步骤与参数
02 / 设备
选择设备
为计算步骤指定目标设备
03 / 编排
任务编排
编译量子电路，组织任务依赖
04A / 实际执行
真机运行
在已连接的目标设备上执行任务
04B / 性能仿真
离散事件
仿真器
仿真器
按工作量与设备模型模拟任务执行
05 / 报告
真机/仿真性能报告
- 各任务运行时间
- 运行节点
- 运行指令顺序
- 运行复杂度
03 教程：跟着例子学习 PivotQ
通过两个教程，了解水分子的能量、受力与运动轨迹，以及如何通过量子地址查询存储数据。
