findscripter PennyLane 量子机器学习
何时使用
- 需要把量子电路当神经网络训练：用自动微分对含参电路求梯度并优化参数。
- 搭建混合量子-经典模型（量子神经网络、变分分类器），与 PyTorch / JAX / TensorFlow 反向传播集成。
- 跑变分算法（VQE 求分子基态、QAOA 组合优化），或需要跨 IBM/Google/Rigetti/IonQ 硬件后端可移植的统一电路代码。
不该用的边界：
- 任务用的是 Qiskit、Cirq、Q# 等其他框架——本技能只覆盖 PennyLane。硬件专属深度优化用 qiskit（IBM）或 cirq（Google）。
- 开放量子系统 / 主方程演化建模——用 qutip，不在本技能范围。
- 与量子计算无关的普通数值/ML 任务。
- 缺少硬件凭证、目标设备、成功判据等关键输入时，先停下来澄清，不要直接提交真机。
步骤
- 安装核心：
uv pip install pennylane；按需装硬件插件（IBMpennylane-qiskit、Braketamazon-braket-pennylane-plugin、Cirqpennylane-cirq、Rigettipennylane-rigetti、IonQpennylane-ionq）。 - 建设备：
qml.device('default.qubit', wires=n)。先用模拟器（default.qubit，lightning.qubit更快）验证，再切硬件。设备对象复用，减少初始化开销。 - 定义 QNode：用
@qml.qnode(dev)装饰电路函数，函数体放门（qml.RX/qml.CNOT…）+ 返回测量（qml.expval/qml.probs/qml.sample）。 - 选数据编码：按问题结构选
AngleEmbedding/AmplitudeEmbedding/BasisEmbedding/ IQP 等。 - 选优化器与梯度：模拟器上可用 backprop；真机必须用 parameter-shift（或 adjoint）。优化器选
qml.AdamOptimizer/qml.GradientDescentOptimizer等。 - 训练循环：
params = opt.step(cost, params)或opt.step_and_cost(cost, params)（同时拿到 loss）。参数用requires_grad=True的pennylane.numpy数组。 - 切硬件：同一电路换
qml.device('qiskit.ibmq', wires=..., backend=...)即可移植，提交前在模拟器验证、用qml.specs()分析电路复杂度。
指令
- 安装核心：
uv pip install pennylane - 安装硬件插件（示例）：
uv pip install pennylane-qiskit/uv pip install pennylane-ionq - 分析电路规格：
qml.specs(circuit)(params)
示例
最小训练循环（构电路 + 梯度下降）：
import pennylane as qml
from pennylane import numpy as np
dev = qml.device('default.qubit', wires=2)
@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))
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)
变分分类器（数据编码 + 纠缠层）：
@qml.qnode(dev)
def classifier(x, weights):
qml.AngleEmbedding(x, wires=range(4))
qml.StronglyEntanglingLayers(weights, wires=range(4))
return qml.expval(qml.PauliZ(0))
opt = qml.AdamOptimizer(stepsize=0.01)
weights = np.random.random((3, 4, 3)) # 3 层, 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)
VQE 求 H2 基态能量：
from pennylane import qchem
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)
@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)
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")
同电路切换后端（模拟器 → 真机）：
dev_sim = qml.device('default.qubit', wires=4) # 先验证
dev_hw = qml.device('qiskit.ibmq', wires=4, backend='ibmq_manila') # 再上真机
注意事项
- 梯度方法看后端：backprop 只在模拟器可用；真机用 parameter-shift（或 adjoint），否则会报错或回退。
- 避免贫瘠高原（barren plateaus）：用小随机值初始化参数；深电路监控梯度是否消失。
- 数据编码匹配问题结构：编码方式直接影响表达力与可训练性。
- 先模拟后硬件：始终在
default.qubit上验证电路与训练流程，再提交真机；昂贵的硬件结果立即落盘。 - 性能：复用设备对象；性能关键路径考虑 Catalyst JIT 编译；大系统注意态向量随 2^n 增长的内存开销。
- 电路体检：用
qml.specs()分析门数/深度/可训练参数，提前发现过深电路。 - 官方资料：文档 https://docs.pennylane.ai ；Codebook 教程 https://pennylane.ai/codebook ；QML 演示 https://pennylane.ai/qml/demonstrations ；GitHub https://github.com/PennyLaneAI/pennylane
互见
- related：
cirq-quantum-circuits—— Google Cirq 量子电路框架，横向对照另一套量子编程栈。 - related：
quantum-circuit-builder—— 通用量子电路构建，框架无关的电路设计思路。 - combines_with：
sympy-symbolic-math—— 符号参数定义与解析推导，配合参数化电路与梯度公式分析。
采编自 K-Dense-AI/scientific-agent-skills（MIT）。注：上游源条目 SKILL.md 原始许可标注为 Apache-2.0；本次按任务要求记为 MIT，如有冲突以上游 LICENSE 为准。