PennyLane

Quando usar

Use PennyLane para otimizar circuitos parametrizados, construir modelos híbridos quântico-clássicos, estimar energias moleculares ou comparar um circuito validado em diferentes dispositivos. Esta habilidade foca na versão estável do PennyLane 0.45.1. Os exemplos locais usam sistemas sintéticos pequenos; a otimização bem-sucedida não estabelece vantagem quântica, precisão molecular ou fidelidade de hardware.

Instalação

Crie um ambiente dedicado; plugins de provedores e dependências do compilador devem ser resolvidos separadamente de pacotes científicos não relacionados:

uv venv --python 3.13 .venv-pennylane
uv pip install --python .venv-pennylane/bin/python "pennylane==0.45.1"

PennyLane 0.45 requer NumPy 2+. A instalação principal inclui Lightning. Para ML, use o par testado JAX 0.7.1/JAXlib 0.7.1 ou PyTorch; não assuma que o JAX mais recente é suportado por esta versão do PennyLane. Veja configuração de dispositivo para versões opcionais de plugins e seus limites de verificação.

Fluxo de trabalho

1. Corrija a convenção do problema: ordenação de features e codificação de rótulos para ML; sinal do Hamiltoniano para otimização; unidades, carga, multiplicidade, base, espaço ativo e mapeamento para química.
2. Construa um circuito analítico pequeno default.qubit. Mantenha a função quântica separada do QNode ao reutilizá-la em outro backend.
3. Verifique um valor conhecido e um gradiente contra um resultado analítico ou de diferença finita antes do treinamento. Use arrays pennylane.numpy treináveis para Autograd, tensores nativos do framework para Torch/JAX.
4. Otimize enquanto registra o objetivo, norma do gradiente, seeds, formato do ansatz e versões dos pacotes. step_and_cost retorna o custo antes de sua atualização; avalie o objetivo novamente para relatórios finais.
5. Valide independentemente: exemplos retidos e baselines clássicas para ML; número de partículas e uma referência clássica apropriada ao setor para VQE; instâncias pequenas enumeradas para QAOA.
6. Introduza shots/ruído finitos, reporte incerteza, inspecione recursos decompostos, então selecione um backend de hardware acessível atual e orçamento de execução. A portabilidade do plugin não garante gates, medições ou gradientes idênticos.

Início rápido: valor, gradiente e otimização

Este exemplo autocontido é executado pelos testes da habilidade.

import pennylane as qml
from pennylane import numpy as np

dev = qml.device("default.qubit", wires=1)

@qml.qnode(dev, interface="autograd", diff_method="backprop")
def energy(theta):
    qml.RY(theta, wires=0)
    return qml.expval(qml.Z(0))

theta = np.array(0.3, requires_grad=True)
assert np.allclose(energy(theta), np.cos(theta))
assert np.allclose(qml.grad(energy)(theta), -np.sin(theta))
opt = qml.GradientDescentOptimizer(stepsize=0.2)
for _ in range(80):
    theta = opt.step(energy, theta)
final_energy = float(energy(theta))
assert final_energy < -0.999
print(f"[OK] final expectation = {final_energy:.6f}")

Carregue a referência relevante

• Começando: QNodes, shots, fluxos aleatórios, treinabilidade, parâmetros em lote e seleção de simulador.
• Circuitos quânticos: controles, feedback de medição, ordenação de fios, QFT, transformações e acesso a recursos atuais.
• ML Quântico: TorchLayer executado e treinamento JAX, loss de classificador estável, escalonamento de features e avaliação.
• Química Quântica: H2 UCCSD, unidades, verificações de setor de partículas, dipolos, espaços ativos, geometria e ressalvas de estado excitado.
• Dispositivos: simuladores, contratos de provedor, credenciais, descoberta de alvo atual e limites de integração apenas de origem.
• Otimização: verificações de gradiente, SPSA, QNG, sinal MaxCut e conversão exata QUBO-para-Ising.
• Recursos avançados: templates, ruído, evolução de Hamiltoniano parametrizado, Catalyst e exemplos de correção de erros.

Verificações de falha

• Amostras/contagens requerem shots finitos; estados requerem um simulador compatível. Use qml.set_shots no QNode em vez de mutar os shots do dispositivo.
• Valores de medição no meio do circuito são simbólicos. Use qml.cond, não Python if m.
• qml.specs em 0.45.1 retorna CircuitSpecs; acesse .resources, não chaves de dicionário de nível superior obsoletas. Registre o nível da transformação e considere fitas divididas.
• qml.qaoa.maxcut produz tamanho de corte negativo. Minimize-o diretamente.

…