从源码安装在大多数情况下你不需要从源码构建 CUDA-Q。为了获得最佳体验我们建议使用容器运行时以避免与系统上安装的其他软件工具发生冲突。请注意Singularity 或 Docker 无根模式解决了常见的问题这些问题通常是避免使用容器的动机。例如Singularity 可以安装在用户文件夹中其安装不需要管理员权限有关如何操作的详细说明请参见本节。我们的安装指南还包含了如何将 IDE 连接到运行中容器的说明。如果你不想使用容器运行时我们也提供了预构建的二进制文件用于将 CUDA-Q 与 C 一起使用和 Python wheel 包用于将 CUDA-Q 与 Python 一起使用。这些二进制文件和 wheel 包是按照本指南中的说明构建的只要你的系统满足前置要求部分列出的兼容性要求它们就应该能正常工作。要安装预构建的二进制文件请遵循此处的说明。要安装 Python wheel 包请遵循此处的说明。如果你的系统不在我们官方包支持列表中例如因为你希望在使用旧版 C 标准库的操作系统上使用 CUDA-Q请仔细遵循本指南不要跳过任何步骤从源码构建并安装 CUDA-Q。本指南的其余部分详细说明了构建期间和安装后的系统要求并逐步介绍了安装步骤。注意CUDA-Q 包含一些仅以预构建二进制形式提供的组件这些组件不在我们的开源仓库中。我们正在努力开源这些组件或将其作为独立下载在未来提供。即使没有这些组件在源码构建中CUDA-Q 的几乎所有功能都将被启用尽管某些部分可能性能较低。目前如果你从源码构建 CUDA-Q多 GPU 状态向量模拟器后端将不会被包含在内。前置要求以下前置要求需要同时在构建系统和主机系统上满足主机系统是指将安装和使用构建好的 CUDA-Q 二进制文件的系统。Linux 操作系统。本指南中的说明已在作为 manylinux_2_28 镜像基础镜像的 AlmaLinux 8 镜像上验证通过并且应该适用于以下操作系统CentOS 8、Debian 11 和 12、Fedora 41、OpenSUSE/SLED/SLES 15.5 和 15.6、RHEL 8 和 9、Rocky 8 和 9、Ubuntu 24.04 和 22.04。其他操作系统可能也能工作但尚未经过测试。Bash shell。CUDA-Q 的构建、安装和运行脚本期望使用/bin/bash。GNU C 库。确保主机系统上的版本与构建系统上的版本相同或更新。我们自己的构建使用的是版本 2.28。CPU架构为 x86-64x86-64-v3 架构及更新或 ARM64ARM v8-A 架构及更新。其他架构可能也能工作但尚未经过测试并且可能需要调整构建说明。仅在主机系统上需要具有 Volta、Turing、Ampere、Ada 或 Hopper 架构且计算能力 7 的 NVIDIA GPU。请确保为你的 GPU 安装了最新的驱动程序并仔细检查nvidia-smi命令列出的驱动程序版本是否为 470.57.02 或更新。你不需要在构建系统上拥有 GPU构建所需的 CUDA 编译器可以在没有 GPU 的情况下安装和使用。我们强烈建议为构建使用一个虚拟环境该环境仅包含本指南中列出的工具和依赖项。如果你安装了其他软件你需要确保构建链接到正确的库和版本。构建依赖项除了上面列出的前置要求之外你还需要在构建环境中安装以下前置要求然后再按照后续章节所述进行构建Python 版本 3.11 或更新如果你打算构建支持 Python 的 CUDA-Q请确保构建系统上的 Python 版本与主机系统上的版本匹配。如果你只打算构建 CUDA-Q 的 C 支持则 Python 解释器仅在某些 LLVM 构建脚本中需要并且构建所使用的 Python 版本不必与主机系统上的版本匹配。常用工具wget、git、unzip。本指南其余部分的命令假设这些工具存在于构建系统上但它们可以被其他替代工具替换例如手动访问网页并下载文件/文件夹。一旦 CUDA-Q 构建完成上述前置要求就不再需要也不需要在主机系统上存在。注意CUDA-Q 构建脚本和本文档其余部分列出的命令假设你使用 bash 作为构建的 shell。除了安装上述所需的构建依赖项之外请确保在继续之前设置以下环境变量exportCUDAQ_INSTALL_PREFIX/usr/local/cudaqexportCUQUANTUM_INSTALL_PREFIX/usr/local/cuquantumexportCUTENSOR_INSTALL_PREFIX/usr/local/cutensorexportLLVM_INSTALL_PREFIX/usr/local/llvmexportBLAS_INSTALL_PREFIX/usr/local/blasexportZLIB_INSTALL_PREFIX/usr/local/zlibexportOPENSSL_INSTALL_PREFIX/usr/local/opensslexportCURL_INSTALL_PREFIX/usr/local/curlexportAWS_INSTALL_PREFIX/usr/local/aws这些环境变量必须在构建期间设置。我们强烈建议将它们的值设置为尚不存在的路径这将确保在构建 CUDA-Q 时根据需要构建/安装这些组件。配置的路径可以自由选择但在构建期间指定的路径也是相应库将安装到主机系统上的位置。我们正在努力使这在未来更加灵活。注意请不要将LLVM_INSTALL_PREFIX设置为已存在的目录为了避免兼容性问题重要的是使用相同的编译器从源码构建 LLVM/MLIR 依赖项稍后将使用该编译器来构建 CUDA-Q 本身。注意如果你将CURL_INSTALL_PREFIX变量设置为现有的 CURL 安装不推荐请确保命令curl --version列出 HTTP 和 HTTPS 作为支持的协议。如果没有列出这些协议请将CURL_INSTALL_PREFIX变量设置为一个不存在的路径。在这种情况下将作为构建 CUDA-Q 的一部分自动从源码构建合适的库。如果你偏离以下安装某个依赖项的说明而是通过包管理器等方式安装它你需要确保安装路径与你为相应环境变量设置的路径匹配。CUDA构建 CUDA-Q 需要完整安装 CUDA 工具包。你可以在没有 GPU 的情况下安装 CUDA 工具包并使用 CUDA 编译器。这些说明已使用版本 12.6 和 13.0 进行了测试但其他 CUDA 12 或 13 版本应该也能工作只要主机系统上的 CUDA 运行时版本与构建使用的 CUDA 版本匹配并且主机系统上安装的驱动程序支持该 CUDA 版本。我们建议使用主机系统驱动程序支持的最新 CUDA 版本。按照该页面在线文档中针对你平台的安装指南下载合适的 CUDA 版本。例如在测试过的 AlmaLinux 8 环境中以下命令安装 CUDA 12.6CUDA_VERSION${CUDA_VERSION:-12.6}CUDA_DOWNLOAD_URLhttps://developer.download.nvidia.com/compute/cuda/repos# 访问上面的 URL为你的平台设置以下变量为合适的分发版和子文件夹并取消注释下面一行。# DISTRIBUTIONrhel8 CUDA_ARCH_FOLDERx86_64dnf config-manager --add-repo${CUDA_DOWNLOAD_URL}/${DISTRIBUTION}/${CUDA_ARCH_FOLDER}/cuda-${DISTRIBUTION}.repodnfinstall-y--nobest--setoptinstall_weak_depsFalse\cuda-toolkit-$(echo${CUDA_VERSION}|tr.-)# custatevec 现在链接到 libnvidia-ml.so.1它由 NVIDIA 驱动程序提供。# 为了在无 GPU 的系统上构建我们还需要安装驱动程序。dnfinstall-y--nobest--setoptinstall_weak_depsFalse nvidia-driver-libs工具链用于构建的编译器工具链必须是已安装 CUDA 版本所支持的 CUDA 主机编译器。以下说明已使用 GCC-11 进行了测试。其他工具链可能受支持但尚未经过测试。例如在测试过的 AlmaLinux 8 环境中以下命令安装 GCC 11GCC_VERSION${GCC_VERSION:-11}dnfinstall-y--nobest--setoptinstall_weak_depsFalse\gcc-toolset-${GCC_VERSION}# 全局启用工具链仅在调试构建时需要# 以确保选择正确的汇编器来处理调试符号。enable_scriptfind/-path*gcc*-path*$GCC_VERSIONS*-nameenableif[-n$enable_script];then.$enable_scriptfi无论你安装的是哪个编译器工具链请设置以下环境变量以指向你构建系统上的相应编译器exportGCC_TOOLCHAIN/opt/rh/gcc-toolset-11/root/usr/exportCXX${GCC_TOOLCHAIN}/bin/gexportCC${GCC_TOOLCHAIN}/bin/gccexportCUDACXX/usr/local/cuda/bin/nvccexportCUDAHOSTCXX${GCC_TOOLCHAIN}/bin/g变量CC和CXX必须为 CUDA-Q 构建设置。要在 CUDA-Q 中使用 GPU 加速请确保将CUDACXX设置为你的 CUDA 编译器并将CUDAHOSTCXX设置为你正在使用的 CUDA 兼容主机编译器。如果在构建 CUDA-Q 时未找到 CUDA 编译器某些组件和后端将在构建过程中自动省略。构建 CUDA-Q本安装指南是为 CUDA-Q 的特定版本/提交编写的。请确保获取该版本的源代码。克隆 CUDA-Q GitHub 仓库并 checkout 适当的分支、标签或提交。请注意构建脚本假设它们是从 git 仓库中运行的因此仅仅将源代码下载为 ZIP 压缩包是行不通的。请按照相应子章节中的说明构建使用 CUDA-Q 的 C 和/或 Python 所需的组件。构建完成后通过确认$CUDAQ_INSTALL_PREFIX/targets文件夹中存在nvidia.config文件检查 GPU 加速组件是否已构建。我们还建议检查打印到控制台的构建日志以确认所有期望的组件都已构建。注意CUDA-Q 构建将根据是否在构建环境中找到必要的前置要求自动编译或省略可选组件。如果你看到某个组件被跳过的消息和/或 CUDA 编译器未被正确检测到请确保你遵循了安装必要前置要求和构建依赖项的说明并按照本文档所述设置了必要的环境变量。Python 支持在 CUDA-Q 中启用 Python 支持最方便的方法是构建一个 wheel 包然后可以使用pip轻松安装。为了确保 wheel 包可以安装在主机系统上请确保构建使用的 Python 版本与主机系统上安装的 Python 版本相同。要构建 CUDA-Q Python wheel 包你需要安装以下额外的 Python 特定工具Python 开发头文件你的 Python 版本的开发头文件会按照你安装 Python 本身的方式安装。如果你通过系统的包管理器安装了 Python你可能需要安装一个额外的包来获取开发头文件。包名称通常是你的 Python 版本后跟-dev或-devel后缀。如果你使用的是 Conda 环境必要的头文件应该已经安装。Pip 包管理器确保为你所用的 Python 版本启用了pip模块并且你的pip版本是 24 或更新。关于安装/启用pip的更多信息请参阅 Python 文档。Python 模块为你所用的 Python 版本安装额外的模块numpy、build、auditwheel和patchelf例如python3 -m pip install numpy build auditwheel patchelf。注意默认情况下构建的 wheel 包配置为依赖 CUDA 13。要为 CUDA 12 构建 wheel 包你需要将pyproject.toml.cu12文件复制为pyproject.toml。在你克隆 CUDA-Q 仓库的文件夹中运行以下命令来构建 CUDA-Q Python wheel 包LLVM_PROJECTSclang;flang;lld;mlir;python-bindings;openmp;runtimes\bashscripts/install_prerequisites.sh-tllvm-eqrmi\CC$LLVM_INSTALL_PREFIX/bin/clang\CXX$LLVM_INSTALL_PREFIX/bin/clang\FC$LLVM_INSTALL_PREFIX/bin/flang-new\python3-mbuild--wheel\echo ccache stats (python_build) (ccache-s2/dev/null||true)注意版本标识符将根据提交历史自动分配给 wheel 包。你可以通过设置环境变量SETUPTOOLS_SCM_PRETEND_VERSION为你想要的值来手动覆盖此检测以提供更具描述性的标识符。初始构建之后如果需要使用auditwheel将依赖项包含在 wheel 包中并正确标记 wheel 包。我们建议不要包含 CUDA 运行时库而是按照下一节的说明将它们单独安装在主机系统上。以下命令构建最终的 wheel 包不包含 CUDA 依赖项CUDAQ_WHEEL$(find.-namecuda_quantum*.whl)\MANYLINUX_PLATFORM$(echo${CUDAQ_WHEEL}|grep-o[a-z]*linux_[^\.]*|sed-res/^linux_/manylinux_2_28_/)\LD_LIBRARY_PATH${LD_LIBRARY_PATH}:$(pwd)/cuda-quantum/_skbuild/lib\python3-mauditwheel-vrepair${CUDAQ_WHEEL}\--plat${MANYLINUX_PLATFORM}\--excludelibcublas.so.11\--excludelibcublasLt.so.11\--excludelibcurand.so.10\--excludelibcusolver.so.11\--excludelibcusparse.so.11\--excludelibcutensor.so.2\--excludelibcutensornet.so.2\--excludelibcustatevec.so.1\--excludelibcudensitymat.so.0\--excludelibcudart.so.11.0\--excludelibnvToolsExt.so.1\--excludelibnvidia-ml.so.1\--excludelibcuda.so.1上述命令将在wheelhouse文件夹中创建一个新的 wheel 包。这个 wheel 包可以安装在任何兼容的平台上。注意你可以通过检查 wheel 包标签即.whl文件的文件名结尾是否列在主机上运行python3 -m pip debug --verbose命令时的Compatible Tags下来确认 wheel 包确实与你的主机平台兼容。C 支持在你克隆 CUDA-Q 仓库的文件夹中运行以下命令来构建 CUDA-QCUDAQ_ENABLE_STATIC_LINKINGTRUE\CUDAQ_REQUIRE_OPENMPTRUE\CUDAQ_WERRORTRUE\CUDAQ_PYTHON_SUPPORTOFF\LLVM_PROJECTSclang;flang;lld;mlir;openmp;runtimes\bashscripts/build_cudaq.sh-tllvm-v---DCUDAQ_ENABLE_PASQAL_QRMI_CONNECTOROFF\echo ccache stats (cpp_build) (ccache-s2/dev/null||true)\(ccache --print-stats2/dev/null||ccache-s2/dev/null)/root/.ccache/_build_stats.txt请注意lld主要在构建或主机系统的路径上还没有现成的默认链接器时需要CUDA-Q 支持与clang相同的链接器。为了轻松地将构建好的二进制文件迁移到主机系统我们建议创建一个自解压归档文件。为此下载makeself脚本并将需要安装的文件移动到一个单独的文件夹中使用以下命令# 将所有资源暂存到一个合并的前缀目录中。# 所有依赖项都合并到 CUDAQ 安装目录中以便# 现有的相对 RPATH$ORIGIN/../lib, loader_path/../lib覆盖# 所有内容并且不需要硬编码的绝对路径。mkdir-pcuda_quantum_assetscp-a${CUDAQ_INSTALL_PREFIX}cuda_quantum_assets/cudaq# 从 C 安装程序中移除依赖于 Python 的插件。pyscf 插件# 需要 Python 运行时并且不用于 C 工作流。rm-fcuda_quantum_assets/cudaq/lib/plugins/libcudaq-pyscf*# 将完整的 LLVM 安装捆绑在其自己的子目录中以便 clang 的# 内部路径解析资源目录、C 头文件、运行时库能够工作# 而无需自定义回退。保留完整的安装也可以使 LLVM 工具# 不在用户的 PATH 上只有 cudaq/bin/ 由 set_env.sh 添加。llvm_destcuda_quantum_assets/cudaq/lib/llvmcp-a${LLVM_INSTALL_PREFIX}${llvm_dest}# 同时将运行时库复制到 cudaq/lib/ 以实现 RPATH 兼容性——CUDAQ# bin/ 中的二进制文件具有 RPATH $ORIGIN/../lib需要 libc 等在那里。forlibinlibc libunwind libomp;docp-a${llvm_dest}/lib/${lib}*.dylib* cuda_quantum_assets/cudaq/lib/2/dev/null||truecp-a${llvm_dest}/lib/${lib}*.so* cuda_quantum_assets/cudaq/lib/2/dev/null||trueforfin${llvm_dest}/lib/*/${lib}*;do[-e$f]||continuecp-a$fcuda_quantum_assets/cudaq/lib/donedone# 合并 cuQuantum/cuTensor 库和头文件。# 尝试 lib64/ 和 lib/因为不同的发行版使用不同的约定# || true 防止 set -e 在 glob 匹配不到任何内容时中止。if$include_cuda_deps;thencp-a${CUQUANTUM_INSTALL_PREFIX}/lib64/* cuda_quantum_assets/cudaq/lib/2/dev/null||truecp-a${CUQUANTUM_INSTALL_PREFIX}/lib/* cuda_quantum_assets/cudaq/lib/2/dev/null||truecp-a${CUQUANTUM_INSTALL_PREFIX}/include/* cuda_quantum_assets/cudaq/include/2/dev/null||truecp-a${CUTENSOR_INSTALL_PREFIX}/lib64/* cuda_quantum_assets/cudaq/lib/2/dev/null||truecp-a${CUTENSOR_INSTALL_PREFIX}/lib/* cuda_quantum_assets/cudaq/lib/2/dev/null||truecp-a${CUTENSOR_INSTALL_PREFIX}/include/* cuda_quantum_assets/cudaq/include/2/dev/null||truefi# 生成一个空的 build_config.xml因为所有依赖项已经合并到 cudaq/ 中。catcuda_quantum_assets/build_config.xmlBCONFIG build_config /build_config BCONFIG# 在已安装的 cudaq/ 目录中使用相同的配置。cpcuda_quantum_assets/build_config.xml cuda_quantum_assets/cudaq/build_config.xml然后你可以使用以下命令创建一个自解压归档文件./makeself.sh--gzip--sha256--licensecuda_quantum_assets/cudaq/LICENSE\cuda_quantum_assets install_cuda_quantum.$(uname-m)\CUDA-Q toolkit for heterogeneous quantum-classical workflows\bashinstall.sh在主机上安装确保你的主机系统满足上述前置要求。要将 CUDA-Q 与 Python 一起使用你应该在主机系统上有一个有效的 Python 安装包括pip包管理器。要将 CUDA-Q 与 C 一起使用你应该确保已安装 C 标准库的必要开发头文件。你可以通过搜索features.h来检查该文件通常位于/usr/include/。你可以通过包管理器安装必要的头文件通常包名类似于glibc-devel或libc6-devel。这些头文件也包含在任何 GCC 安装中。如果你按照构建 CUDA-Q Python wheel 包的说明进行操作请将构建好的.whl文件复制到主机系统并使用pip安装它例如pipinstallcuda_quantum*.whl要安装某些组件所需的 CUDA 和 MPI 依赖项你可以遵循 PyPI.org 上的说明将pip install cudaq替换为上述命令或者你可以遵循本文档剩余部分的说明为主机系统定制并更好地优化它们。如果你按照构建 CUDA-Q C 工具的说明进行操作请将你创建的install_cuda_quantum文件复制到主机系统并通过运行以下命令来安装它sudobashinstall_cuda_quantum.$(uname-m)--accept./opt/nvidia/cudaq/set_env.sh这将提取构建好的资源并将它们移动到正确的位置。/opt/nvidia/cudaq/set_env.sh脚本定义了使用 CUDA-Q 所需的环境变量。为了避免每次打开新 shell 时都手动设置它们我们强烈建议将以下行添加到/etc/profile文件中if[-f/opt/nvidia/cudaq/set_env.sh];then./opt/nvidia/cudaq/set_env.shfi注意按照上述说明构建的 CUDA-Q 包含并使用 LLVM C 标准库。这不会与你系统上可能存在的任何其他 C 标准库冲突。你可能希望与 CUDA-Q 一起使用的预构建外部库例如特定的优化器具有 C API以确保跨不同版本的 C 标准库的兼容性并且可以与 CUDA-Q 一起正常工作而不出问题。所有分发的 CUDA 库也是如此。要构建可以与 CUDA-Q 一起使用的你自己的 CUDA 库请查看《在项目中使用 CUDA 和 CUDA-Q》。本文档的其余部分列出了未包含在迁移资源中的额外运行时依赖项这些依赖项是使用某些 CUDA-Q 功能和组件所必需的。CUDA 运行时库要在 CUDA-Q 中使用 GPU 加速你需要安装必要的 CUDA 运行时库。它们的版本至少是主要版本需要与构建时使用的版本匹配。虽然并非必须但我们建议像为 CUDA-Q 构建所做的那样安装完整的 CUDA 工具包。如果你只想安装最少的运行时库集例如以下命令为 AlmaLinux 8 环境安装必要的包CUDA_VERSION${CUDA_VERSION:-12.6}CUDA_DOWNLOAD_URLhttps://developer.download.nvidia.com/compute/cuda/repos# 访问上面的 URL为你的平台设置以下变量为合适的分发版和子文件夹并取消注释下面一行。# DISTRIBUTIONrhel8 CUDA_ARCH_FOLDERx86_64version_suffix$(echo${CUDA_VERSION}|tr.-)dnf config-manager --add-repo${CUDA_DOWNLOAD_URL}/${DISTRIBUTION}/${CUDA_ARCH_FOLDER}/cuda-${DISTRIBUTION}.repodnfinstall-y--nobest--setoptinstall_weak_depsFalse\cuda-cudart-${version_suffix}\cuda-nvrtc-${version_suffix}\libcusolver-${version_suffix}\libcusparse-${version_suffix}\libcublas-${version_suffix}\libcurand-${version_suffix}if[$(echo${CUDA_VERSION}|cut-d.-f1)-gt11];thendnfinstall-y--nobest--setoptinstall_weak_depsFalse\libnvjitlink-${version_suffix}fiMPI为了与所有 CUDA-Q 后端一起工作需要安装支持 CUDA 的 MPI。如果你没有现成的支持 CUDA 的 MPI 安装你可以从源码构建一个。为此除了上面列出的 CUDA 运行时库之外你还需要安装 CUDA 运行时开发包cuda-cudart-devel-${version_suffix}或cuda-cudart-dev-${version_suffix}取决于你的发行版。以下命令构建一个足够使用的支持 CUDA 的 OpenMPI 安装。为了充分利用 MPI我们建议进行更全面的安装包括适合你主机系统的额外配置。以下命令假设你已经在构建系统上安装了 OpenMPI 构建所需的必要前置要求。例如在测试过的 AlmaLinux 8 环境中需要安装autoconf、libtool、flex和make包。OPENMPI_VERSION4.1.4OPENMPI_DOWNLOAD_URLhttps://github.com/open-mpi/ompiwget${OPENMPI_DOWNLOAD_URL}/archive/v${OPENMPI_VERSION}.tar.gz-O/tmp/openmpi.tar.gzmkdir-p~/.openmpi-srctarxf /tmp/openmpi.tar.gz --strip-components1-C~/.openmpi-srcrm-rf/tmp/openmpi.tar.gzcd~/.openmpi-src ./autogen.plLDFLAGS-Wl,--as-needed ./configure\--prefix/usr/local/openmpi\--disable-getpwuid --disable-static\--disable-debug --disable-mem-debug --disable-event-debug\--disable-mem-profile --disable-memchecker\--without-verbs\--with-cuda/usr/local/cudamake-j$(nproc)make-j$(nproc)installcd-rm-rf~/.openmpi-src确认你安装了合适的 MPI 实现。例如对于 OpenMPI 和 MPICH可以通过编译并运行以下程序来完成// 编译并运行// // mpic mpi_cuda_check.cpp -o check.x mpiexec -np 1 ./check.x// #includempi.h#if__has_include(mpi-ext.h)#includempi-ext.h#endif#includestdio.hintmain(intargc,char*argv[]){MPI_Init(argc,argv);intexit_code;if(MPIX_Query_cuda_support()){printf(CUDA-aware MPI installation.\n);exit_code0;}else{printf(Missing CUDA support.\n);exit_code1;}MPI_Finalize();returnexit_code;}注意如果你遇到类似于 “The value of the MCA parameter plm_rsh_agent was set to a path that could not be found” 的错误请确保你安装了 SSH 客户端或者将 MCA 参数更新为其他合适的代理。除非使用其他资源管理器如 SLURM否则 MPI 使用 SSH 或 RSH 与每个节点通信。CUDA-Q 通过插件架构支持不同的 MPI 实现。一旦你在主机系统上安装了支持 CUDA 的 MPI你可以通过激活必要的插件来配置 CUDA-Q 使用它。CUDA-Q 中包含了 OpenMPI 和 MPICH 的插件可以通过设置环境变量MPI_PATH为 MPI 安装文件夹然后运行以下命令来激活bash${CUDA_QUANTUM_PATH}/distributed_interfaces/activate_custom_mpi.sh注意要为 Python 支持激活 MPI 插件请将${CUDA_QUANTUM_PATH}替换为运行pip show cuda-quantum命令时列出的 “Location” 下的路径。如果你使用的是 OpenMPI 或 MPICH 以外的其他 MPI 实现你需要自己实现必要的插件接口然后使用上述命令激活插件。