pennylane

PennyLane

概要

PennyLane は、ニューラルネットワークのように量子コンピューターを訓練できる量子コンピューティングライブラリです。量子回路の自動微分、デバイスに依存しないプログラミング、古典的な機械学習フレームワークとのシームレスな統合を提供します。

インストール

uv を使用してインストールします:

uv pip install pennylane

量子ハードウェアにアクセスするには、デバイスプラグインをインストールします:

# IBM Quantum
uv pip install pennylane-qiskit

# Amazon Braket
uv pip install amazon-braket-pennylane-plugin

# Google Cirq
uv pip install pennylane-cirq

# Rigetti Forest
uv pip install pennylane-rigetti

# IonQ
uv pip install pennylane-ionq

クイックスタート

量子回路を構築し、そのパラメーターを最適化します:

import pennylane as qml
from pennylane import numpy as np

# Create device
dev = qml.device('default.qubit', wires=2)

# Define quantum circuit
@qml.qnode(dev)
def circuit(params):
    qml.RX(params[0], wires=0)
    qml.RY(params[1], wires=1)
    qml.CNOT(wires=[0, 1])
    return qml.expval(qml.PauliZ(0))

# Optimize parameters
opt = qml.GradientDescentOptimizer(stepsize=0.1)
params = np.array([0.1, 0.2], requires_grad=True)

for i in range(100):
    params = opt.step(circuit, params)

主な機能

1. 量子回路の構築

ゲート、測定、状態準備を用いて回路を構築します。以下の内容については references/quantum_circuits.md を参照してください:

• 1 量子ビットおよび複数量子ビットのゲート
• 制御演算と条件付きロジック
• 回路途中での測定と適応型回路
• 各種測定タイプ(期待値、確率、サンプル)
• 回路の検査とデバッグ

2. 量子機械学習

量子と古典を組み合わせたハイブリッドモデルを作成します。以下の内容については references/quantum_ml.md を参照してください:

• PyTorch、JAX、TensorFlow との統合
• 量子ニューラルネットワークと変分分類器
• データエンコーディング手法(アングル、振幅、基底、IQP)
• 誤差逆伝播法によるハイブリッドモデルの訓練
• 量子回路を用いた転移学習

3. 量子化学

分子をシミュレーションし、基底状態エネルギーを計算します。以下の内容については references/quantum_chemistry.md を参照してください:

• 分子ハミルトニアンの生成
• 変分量子固有値ソルバー(VQE)
• 化学計算向けの UCCSD アンザッツ
• 幾何構造最適化と解離曲線
• 分子の物性計算

4. デバイス管理

シミュレーターまたは量子ハードウェア上で実行します。以下の内容については references/devices_backends.md を参照してください:

• 組み込みシミュレーター(default.qubit、lightning.qubit、default.mixed)
• ハードウェアプラグイン(IBM、Amazon Braket、Google、Rigetti、IonQ)
• デバイスの選択と設定
• パフォーマンスの最適化とキャッシュ
• GPU アクセラレーションと JIT コンパイル

5. 最適化

さまざまなオプティマイザーを用いて量子回路を訓練します。以下の内容については references/optimization.md を参照してください:

• 組み込みオプティマイザー(Adam、勾配降下法、モーメンタム、RMSProp)
• 勾配計算手法(backprop、パラメーターシフト、アジョイント)
• 変分アルゴリズム(VQE、QAOA)
• 訓練戦略(学習率スケジュール、ミニバッチ)
• バレンプラトーと局所解への対処

6. 高度な機能

テンプレート、変換、コンパイルを活用します。以下の内容については references/advanced_features.md を参照してください:

• 回路テンプレートとレイヤー
• 変換と回路の最適化
• パルスレベルのプログラミング
• Catalyst JIT コンパイル
• ノイズモデルと誤り緩和
• リソース見積もり

一般的なワークフロー

変分分類器の訓練

# 1. Define ansatz
@qml.qnode(dev)
def classifier(x, weights):
    # Encode data
    qml.AngleEmbedding(x, wires=range(4))

    # Variational layers
    qml.StronglyEntanglingLayers(weights, wires=range(4))

    return qml.expval(qml.PauliZ(0))

# 2. Train
opt = qml.AdamOptimizer(stepsize=0.01)
weights = np.random.random((3, 4, 3))  # 3 layers, 4 wires

for epoch in range(100):
    for x, y in zip(X_train, y_train):
        weights = opt.step(lambda w: (classifier(x, w) - y)**2, weights)

分子の基底状態を求める VQE の実行

from pennylane import qchem

# 1. Build Hamiltonian
symbols = ['H', 'H']
coords = np.array([0.0, 0.0, 0.0, 0.0, 0.0, 0.74])
H, n_qubits = qchem.molecular_hamiltonian(symbols, coords)

# 2. Define ansatz
@qml.qnode(dev)
def vqe_circuit(params):
    qml.BasisState(qchem.hf_state(2, n_qubits), wires=range(n_qubits))
    qml.UCCSD(params, wires=range(n_qubits))
    return qml.expval(H)

# 3. Optimize
opt = qml.AdamOptimizer(stepsize=0.1)
params = np.zeros(10, requires_grad=True)

for i in range(100):
    params, energy = opt.step_and_cost(vqe_circuit, params)
    print(f"Step {i}: Energy = {energy:.6f} Ha")

デバイスの切り替え

# Same circuit, different backends
circuit_def = lambda dev: qml.qnode(dev)(circuit_function)

# Test on simulator
dev_sim = qml.device('default.qubit', wires=4)
result_sim = circuit_def(dev_sim)(params)

# Run on quantum hardware
dev_hw = qml.device('qiskit.ibmq', wires=4, backend='ibmq_manila')
result_hw = circuit_def(dev_hw)(params)

詳細ドキュメント

特定のトピックを詳しく確認するには、以下のリファレンスファイルを参照してください:

• はじめに: references/getting_started.md - インストール、基本概念、最初のステップ
• 量子回路: references/quantum_circuits.md - ゲート、測定、回路パターン
• 量子 ML: references/quantum_ml.md - ハイブリッドモデル、フレームワーク統合、QNN
• 量子化学: references/quantum_chemistry.md - VQE、分子ハミルトニアン、化学ワークフロー
• デバイス: references/devices_backends.md - シミュレーター、ハードウェアプラグイン、デバイス設定
• 最適化: references/optimization.md - オプティマイザー、勾配、変分アルゴリズム
• 高度な機能: references/advanced_features.md - テンプレート、変換、JIT コンパイル、ノイズ

ベストプラクティス

1. まずシミュレーターから始める - ハードウェアにデプロイする前に default.qubit でテストします
2. ハードウェアにはパラメーターシフトを使用する - バックプロパゲーションはシミュレーターでのみ機能します
3. 適切なエンコーディングを選択する - データエンコーディングを問題の構造に合わせます
4. 慎重に初期化する - バレンプラトーを避けるため、小さなランダム値を使用します
5. 勾配を監視する - 深い回路で勾配消失が起きていないか確認します
6. デバイスをキャッシュする - デバイスオブジェクトを再利用して、初期化のオーバーヘッドを減らします
7. 回路をプロファイルする - qml.specs() を使用して回路の複雑さを分析します
8. ローカルでテストする - ハードウェアに投入する前にシミュレーターで検証します
9. テンプレートを使用する - 一般的な回路パターンには組み込みテンプレートを活用します
10. 可能な場合はコンパイルする - パフォーマンスが重要なコードには Catalyst JIT を使用します

リソース

• 公式ドキュメント: https://docs.pennylane.ai
• Codebook（チュートリアル）: https://pennylane.ai/codebook
• QML デモンストレーション: https://pennylane.ai/qml/demonstrations
• コミュニティフォーラム: https://discuss.pennylane.ai
• GitHub: https://github.com/PennyLaneAI/pennylane