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トレーニング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、従来の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

PennyLane 0.45.0 には Python 3.11 以降が必要です。再現可能な環境を構築するため、バージョンを固定して uv でインストールします。

uv pip install "pennylane==0.45.0"

量子ハードウェアにアクセスするには、対象のプロバイダーに対応するプラグインをインストールします。Qiskit を追加またはアップグレードする際は、依存関係の構成が厳密なため、クリーンな環境から始めてください。

# IBM Quantum
uv pip install "pennylane-qiskit==0.45.0"

# Amazon Braket
uv pip install "amazon-braket-pennylane-plugin==1.34.1"

# Google Cirq
uv pip install "pennylane-cirq==0.44.0"

# Rigetti Forest
uv pip install "pennylane-rigetti==0.40.0"

# IonQ
uv pip install "pennylane-ionq==0.45.0"

# High-performance local simulators
uv pip install "pennylane-lightning==0.45.0"

# Catalyst JIT compilation
uv pip install "pennylane-catalyst==0.15.0"

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、状態準備を使って回路を構築します。詳しくは references/quantum_circuits.md をご覧ください。

• 単一量子ビットおよび複数量子ビットのゲート
• 制御演算と条件ロジック
• 回路途中の測定と適応型回路
• さまざまな測定タイプ（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モデルを作成します。詳しくは references/quantum_ml.md をご覧ください。

• PyTorch および JAX 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戦略（角度、振幅、基底、IQP）
• 誤差逆伝播法を用いたハイブリッドモデルのトレーニング
• 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。詳しくは references/quantum_chemistry.md をご覧ください。

• 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 UCCSD アンサッツ
• 幾何構造最適化と解離曲線
• 分子特性の計算

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。詳しくは references/devices_backends.md をご覧ください。

• 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使って量子回路をトレーニングします。詳しくは references/optimization.md をご覧ください。

• 組み込みオプティマイザー（Adam、勾配降下法、モメンタム、RMSProp）
• 勾配の計算方法（誤差逆伝播法、パラメーターシフト法、随伴法）
• 変分アルゴリズム（VQE、QAOA）
• トレーニング戦略（学習率スケジュール、ミニバッチ）
• バレンプラトーと局所最小値への対処

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。詳しくは references/advanced_features.md をご覧ください。

• 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 による JIT コンパイル
• ノイズモデルと誤り軽減
• リソース見積もり

一般的なワークフロー

変分分類器のトレーニング

# 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)

分子の基底状態に対する VQE の実行

from pennylane import qchem

# 1. Build Hamiltonian
symbols = ['H', 'H']
geometry = np.array([[0.0, 0.0, -0.66140414], [0.0, 0.0, 0.66140414]])
molecule = qchem.Molecule(symbols, geometry)
H, n_qubits = qchem.molecular_hamiltonian(molecule)
hf_state = qchem.hf_state(electrons=2, orbitals=n_qubits)
singles, doubles = qchem.excitations(electrons=2, orbitals=n_qubits)
s_wires, d_wires = qchem.excitations_to_wires(singles, doubles)

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

# 3. Optimize
opt = qml.AdamOptimizer(stepsize=0.1)
params = np.zeros(len(singles) + len(doubles), 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
from qiskit_ibm_runtime import QiskitRuntimeService

service = QiskitRuntimeService()
backend = service.least_busy(operational=True, simulator=False, min_num_qubits=4)
dev_hw = qml.device('qiskit.remote', wires=backend.num_qubits, backend=backend)
result_hw = circuit_def(dev_hw)(params)

詳細ドキュメント

各トピックの詳しい解説については、以下のリファレンスファイルをご覧ください。

• 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、フレームワークとの統合、QNN
• 量子化学：references/quantum_chemistry.md - VQE、分子ハミルトニアン、化学計算のワークフロー
• 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. 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. ハードウェアではパラメーターシフトを使用する - 逆伝播が機能するのはシミュレーター上のみです
3. 適切なエンコーディングを選ぶ - データの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 - 勾配消失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 - 深い回路で勾配が消失し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削減します
7. 回路のプロファイルを取得する - 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 - ハードウェアに送信する前に、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：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

エージェントの作業手順

1. 環境を確認します。 ライブラリのバージョン、単位、座標系、データ形式（FITS、CIF、HDF5、netCDF）を確認します。
2. 入力を明確にします。 データまたはユーザーに確認し、形式、識別子、パラメーターを確定します。結果が変わる値については推測せず、質問します。
3. まず小規模に実行します。 小さなグリッド、領域、またはサブセットで実行し、物理的に妥当か確認します。
4. 上記の手順と参考資料を使用して、タスク全体を実行します。
5. 結果を検証します。 単位と次元の整合性、保存則または既知の極限、数値収束を確認します。
6. 報告します。 実行した内容（バージョン、コマンド、パラメーター）、確認した内容、未確定の点を記載します。

次のような場合	実行すること
結果が既知の物理的限界に反する	報告する前に、単位、境界条件、ソルバーの許容誤差を確認します。
これらの手順に記載された関数、フラグ、エンドポイントがインストール済みバージョンに存在しない	インストール済みバージョンのドキュメント（help()、--help、公式ドキュメント）を確認し、適宜対応してユーザーに伝えます。API をでっち上げてはいけません。
必須の入力、識別子、またはパラメーターが曖昧	ユーザーに質問するか、実行前に前提を明示します。

誠実性に関するルール

• 結果、パラメーター、識別子、引用、統計を捏造してはいけません。実行または検証できない場合は、その旨を明確に伝えます。
• 定量的な結果には、必ず不確実性と数値許容誤差を記載します。
• ここに記載されたバージョン固有の詳細は古くなっている可能性があるものとして扱い、インストール済みバージョンの公式ドキュメントで確認します。
• 費用が発生する操作、共有 GPU やクラウドクォータを消費する操作、個人データまたは患者データに触れる操作、取り消せない操作を行う前に、ユーザーに確認します。

関連スキル

• cirq：Google の量子コンピューティングフレームワークです。
• qiskit：Qiskit と IBM Quantum Runtime を使用して、量子回路を構築、シミュレーション、トランスパイル、実行します。