pennylane

PennyLane

概述

PennyLane 是一个量子计算库，可像训练神经网络一样训练量子计算机。它提供量子电路的自动微分、与设备无关的编程，以及与经典机器学习框架的无缝集成。

安装

使用 uv 安装：

uv pip install pennylane

如需访问量子硬件，请安装设备插件：

# 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

快速入门

构建量子电路并优化其参数：

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)

核心功能

1. 量子电路构建

使用门、测量和态制备来构建电路。参阅 references/quantum_circuits.md，了解：

• 单量子比特门和多量子比特门
• 受控操作和条件逻辑
• 电路中途测量和自适应电路
• 各种测量类型（期望值、概率、样本）
• 电路检查与调试

2. 量子机器学习

创建量子—经典混合模型。参阅 references/quantum_ml.md，了解：

• 与 PyTorch、JAX、TensorFlow 集成
• 量子神经网络和变分分类器
• 数据编码策略（角度、振幅、基、IQP）
• 使用反向传播训练混合模型
• 使用量子电路进行迁移学习

3. 量子化学

模拟分子并计算基态能量。参阅 references/quantum_chemistry.md，了解：

• 分子哈密顿量生成
• 变分量子本征求解器（VQE）
• 用于化学计算的 UCCSD Ansatz
• 几何优化和解离曲线
• 分子性质计算

4. 设备管理

在模拟器或量子硬件上执行。参阅 references/devices_backends.md，了解：

• 内置模拟器（default.qubit、lightning.qubit、default.mixed）
• 硬件插件（IBM、Amazon Braket、Google、Rigetti、IonQ）
• 设备选择和配置
• 性能优化与缓存
• GPU 加速和 JIT 编译

5. 优化

使用各种优化器训练量子电路。参阅 references/optimization.md，了解：

• 内置优化器（Adam、梯度下降、动量、RMSProp）
• 梯度计算方法（反向传播、参数移位、伴随）
• 变分算法（VQE、QAOA）
• 训练策略（学习率调度、小批次）
• 处理贫瘠高原和局部极小值

6. 高级功能

利用模板、变换和编译功能。参阅 references/advanced_features.md，了解：

• 电路模板和层
• 变换和电路优化
• 脉冲级编程
• Catalyst JIT 编译
• 噪声模型和误差缓解
• 资源估算

常见工作流

训练变分分类器

# 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)

运行 VQE 求解分子基态

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")

切换设备

# 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)

详细文档

如需全面了解特定主题，请参阅以下参考文件：

• 入门指南：references/getting_started.md - 安装、基本概念、入门步骤
• 量子电路：references/quantum_circuits.md - 门、测量、电路模式
• 量子机器学习：references/quantum_ml.md - 混合模型、框架集成、QNN
• 量子化学：references/quantum_chemistry.md - VQE、分子哈密顿量、化学工作流
• 设备：references/devices_backends.md - 模拟器、硬件插件、设备配置
• 优化：references/optimization.md - 优化器、梯度、变分算法
• 高级功能：references/advanced_features.md - 模板、变换、JIT 编译、噪声

最佳实践

1. 从模拟器开始 - 在部署到硬件前，先在 default.qubit 上测试
2. 在硬件上使用参数偏移法 - 反向传播仅适用于模拟器
3. 选择合适的编码方式 - 使数据编码与问题结构相匹配
4. 谨慎初始化 - 使用较小的随机值，避免贫瘠高原
5. 监控梯度 - 检查深层电路中是否存在梯度消失
6. 缓存设备 - 重用设备对象，减少初始化开销
7. 分析电路 - 使用 qml.specs() 分析电路复杂度
8. 本地测试 - 提交到硬件前，先在模拟器上验证
9. 使用模板 - 利用内置模板构建常见电路模式
10. 尽可能编译 - 使用 Catalyst JIT 加速性能关键代码

资源

• 官方文档：https://docs.pennylane.ai
• Codebook（教程）：https://pennylane.ai/codebook
• QML 演示：https://pennylane.ai/qml/demonstrations
• 社区论坛：https://discuss.pennylane.ai
• GitHub：https://github.com/PennyLaneAI/pennylane