pennylane

# PennyLane ## 概览 PennyLane 是一个量子计算库，能够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、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： bash uv pip install pennylane 如需访问量子硬件，请安装设备插件： bash # 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 构建一个量子电路并优化其参数： python import pennylane as qml from pennylane import numpy as np # 创建设备 dev = qml.device('default.qubit', wires=2) # 定义量子电路 @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)) # 优化参数 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) ## 核心能力 ### 1. 量子电路构建 使用门、测量和状态准备构建电路。有关以下内容，请参阅 `references/quantum_circuits.md`： - 单量子比特和多量子比特门 - 受控操作和条件逻辑 - 中间电路测量和自适应电路 - 各种测量类型（期望值、概率、采样） - 电路检查和调试 ### 2. 量子机器学习 创建混合量子-经典模型。有关以下内容，请参阅 `references/quantum_ml.md`： - 与 PyTorch, JAX, TensorFlow 的集成 - 量子神经网络和变分分类器 - 数据编码策略（角度、振幅、基、IQP） - 通过反向传播训练混合模型 - 量子电路的迁移学习 ### 3. 量子化学 模拟分子并计算基态能量。有关以下内容，请参阅 `references/quantum_chemistry.md`： - 分子哈密顿量生成 - 变分量子本征求解器 (VQE) - 用于化学的 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。有关以下内容，请参阅 `references/devices_backends.md`： - 内置模拟器 (default.qubit, lightning.qubit, default.mixed) - 硬件插件