PennyLane 是一个跨平台的 Python 库，用于 量子计算、 量子机器学习， 以及 量子化学。

量子编程的权威开源框架。由研究人员打造，服务于科研。

核心特性

• 编程量子计算机。使用多种态制备、门操作和测量构建量子线路。可在高性能模拟器或各类硬件设备上运行，并支持中途测量、误差缓解等高级功能。

• 掌握量子算法。从 NISQ 到容错量子计算，解锁适用于研究与应用的算法。分析性能、可视化线路，并获取用于量子化学和算法开发的工具。

• 结合量子硬件与模拟器的机器学习。与 PyTorch、TensorFlow、JAX、Keras 或 NumPy 集成，利用量子感知优化器和硬件兼容梯度定义并训练混合模型，以应对高级研究任务。量子机器学习快速入门。

• 量子数据集。访问高质量的预模拟数据集，缩短研究周期，加速算法开发。浏览数据集或贡献您自己的数据。

• 编译与性能。实验性支持即时编译。编译整个混合工作流，支持自适应线路、实时测量反馈和无界循环等高级功能。更多详情请参阅 Catalyst。

有关更多详细信息及附加功能，请访问 PennyLane 官网。

安装

PennyLane 需要 Python 3.11 及以上版本。可通过 pip 安装 PennyLane 及其所有依赖项：

python -m pip install pennylane

Docker 支持

Docker 镜像可在 PennyLane Docker Hub 页面找到，该页面还提供了关于 PennyLane Docker 支持的详细说明。查看说明以获取更多信息。

入门指南

按照我们的快速入门指南，您可以迅速上手并开始使用 PennyLane，该指南旨在介绍核心功能，帮助您立即开始构建量子线路。

无论您是探索量子机器学习 (QML)、量子计算还是量子化学，PennyLane 都提供丰富的工具和资源来支持您的研究：

核心资源：

• 面向研究的演示
• 学习量子编程：通过 代码手册 和 编程挑战
• 常见问题解答
• 术语表
• 视频

您还可以查阅我们的文档，其中包含使用 PennyLane 的快速入门指南，以及关于如何编写您自己的PennyLane 兼容量子设备插件的详细开发者指南。

演示

通过使用 PennyLane 和量子硬件探索前沿算法，深入理解量子计算。浏览 PennyLane 演示。

如果您希望贡献自己的演示，请参阅我们的演示提交指南。

研究应用

PennyLane 处于量子计算、量子机器学习和量子化学研究的最前沿。请参阅以下文献，了解 PennyLane 在这些领域的研究应用：

• 量子计算：基于随机化测量的快速量子线路切割

• 量子机器学习：优于经典吗？量子机器学习模型基准测试的微妙艺术

• 量子化学：通过正则化压缩双分解加速量子化学计算

有影响力的科研推动着 PennyLane 的发展。请在 GitHub 或我们的 网站 上告诉我们您在研究中需要哪些功能。

参与 PennyLane 贡献

我们欢迎各类贡献——只需 fork PennyLane 仓库，然后提交包含您贡献的 pull 请求 即可。所有为 PennyLane 做出贡献的开发者都将在发布版本中被列为作者。对代码做出重大贡献（如新增插件、新功能等）的用户还将被列入 PennyLane 的 arXiv 论文作者名单。

我们也鼓励大家报告 bug、提出新功能和改进的建议，甚至分享基于 PennyLane 构建的精彩项目或应用链接。

更多详情请参阅我们的 贡献指南 和 开发指南。

支持

• 源代码：https://github.com/PennyLaneAI/pennylane
• 问题追踪器：https://github.com/PennyLaneAI/pennylane/issues

如果您遇到任何问题，请在我们的 GitHub 问题追踪器上提交 issue，以便我们及时协助解决。

加入 PennyLane 讨论论坛，与量子社区互动、获取支持，并直接与我们的团队交流！这里是分享想法、提问以及与同行研究人员和开发者协作的理想平台。

请注意，我们致力于为所有人提供友好、安全和包容的环境。请阅读并遵守我们的 行为准则。

作者

PennyLane 是由 众多贡献者 共同打造的成果。

如果您正在使用 PennyLane 进行研究，请引用我们的论文：

Ville Bergholm 等人. PennyLane：混合量子-经典计算的自动微分. 2018. arXiv:1811.04968

许可证

PennyLane 是 免费且 开源的，采用 Apache License, Version 2.0 许可协议发布。

PennyLane 快速上手指南

PennyLane 是一个跨平台的 Python 库，专为量子计算、量子机器学习和量子化学研究设计。它支持与 PyTorch、TensorFlow、JAX 等主流机器学习框架无缝集成，是构建混合量子 - 经典模型的首选开源框架。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：支持 Linux、macOS 和 Windows。
• Python 版本：需要 Python 3.11 或更高版本。
• 前置依赖：建议预先安装 pip 包管理工具。国内用户若遇到网络延迟，可配置国内镜像源（如清华源或阿里源）以加速下载。

安装步骤

1. 基础安装

使用 pip 直接安装 PennyLane 及其核心依赖：

python -m pip install pennylane

提示：国内开发者推荐使用国内镜像源加速安装，例如：

python -m pip install pennylane -i https://pypi.tuna.tsinghua.edu.cn/simple

2. Docker 支持（可选）

如果您希望使用容器化环境，PennyLane 提供了官方 Docker 镜像。请访问 PennyLane Docker Hub 获取详细使用说明。

基本使用

以下是最简单的示例，展示如何构建一个量子电路并计算期望值。此示例演示了如何定义量子节点（QNode）、使用内置模拟器以及执行计算。

import pennylane as qml
from pennylane import numpy as np

# 1. 定义量子设备（使用默认的高性能模拟器）
dev = qml.device("default.qubit", wires=2)

# 2. 构建量子电路
@qml.qnode(dev)
def circuit(x):
    qml.RX(x, wires=0)          # 旋转门
    qml.CNOT(wires=[0, 1])      # 受控非门
    return qml.expval(qml.PauliZ(0)) # 测量泡利 Z 算子的期望值

# 3. 执行电路
input_param = 0.5
result = circuit(input_param)

print(f"输入参数: {input_param}")
print(f"测量结果 (期望值): {result}")

下一步

• 量子机器学习：尝试将上述 circuit 嵌入到 PyTorch 或 TensorFlow 模型中进行训练。
• 真实硬件运行：通过安装相应的插件（如 pennylane-ionq, pennylane-qiskit），即可将代码部署到真实的量子计算机上。
• 深入学习：访问 PennyLane 官方文档 查看详细的教程、演示代码和量子化学模块指南。