[论文解读] PennyLane: Automatic differentiation of hybrid quantum-classical computations

Ville Bergholm, Josh Izaac+66 more|arXiv (Cornell University)|Nov 12, 2018

Quantum Computing Algorithms and Architecture参考文献 39被引用 230

一句话总结

PennyLane 是一个 Python 框架，使混合量子-经典计算具备可微分编程能力， 将量子节点与经典 ML 工具和硬件后端集成，以端到端方式计算梯度。

ABSTRACT

PennyLane is a Python 3 software framework for differentiable programming of quantum computers. The library provides a unified architecture for near-term quantum computing devices, supporting both qubit and continuous-variable paradigms. PennyLane's core feature is the ability to compute gradients of variational quantum circuits in a way that is compatible with classical techniques such as backpropagation. PennyLane thus extends the automatic differentiation algorithms common in optimization and machine learning to include quantum and hybrid computations. A plugin system makes the framework compatible with any gate-based quantum simulator or hardware. We provide plugins for hardware providers including the Xanadu Cloud, Amazon Braket, and IBM Quantum, allowing PennyLane optimizations to be run on publicly accessible quantum devices. On the classical front, PennyLane interfaces with accelerated machine learning libraries such as TensorFlow, PyTorch, JAX, and Autograd. PennyLane can be used for the optimization of variational quantum eigensolvers, quantum approximate optimization, quantum machine learning models, and many other applications.

研究动机与目标

• 为跨量子比特与连续变量范式的可微分量子编程提供一个统一框架。
• 利用现有的 ML 微分后端实现对混合量子-经典模型的基于梯度的优化。
• 通过插件系统支持与硬件提供商和仿真器的集成。
• 将自动微分扩展到量子节点和可微量子变换。
• 提供变分算法和混合 ML 任务的实际示例与模板。

提出的方法

• 将量子计算表示为量子节点（QNodes），嵌入到由经典与量子操作组成的有向无环图（DAG）中。
• 使用跨 DAG 的自动微分，计算混合代价函数相对于所有变量的梯度。
• 使用解析、硬件提供、反向传播或有限差分方法对量子节点进行微分（包括参数位移规则）。”
• 将量子线路结构（如分层门、交替算子、张量网络）作为变分 Ansatz。
• 提供插件系统，将 PennyLane 与各种量子仿真器和硬件后端连接，并与 Autograd、TensorFlow、PyTorch 和 JAX 等 ML 库对接。
• 提供更高层次的特性，如模板（Ansätze）、变换和常见变分算法的代价函数构造。

实验结果

研究问题

• RQ1 如何以与标准自动微分流水线兼容的方式，计算混合量子-经典计算的梯度？
• RQ2 量子节点可用的梯度策略有哪些（解析、硬件基、反向传播、有限差分），它们如何在其中进行选择？
• RQ3 PennyLane 如何利用现有的 ML 生态系统实现变分量子算法和量子-经典机器学习模型的端到端优化？
• RQ4 可微量子变换在实现完全可微量子编程范式中的作用是什么？

主要发现

• PennyLane 实现了通过混合量子-经典计算的自动微分，与反向传播和主流 ML 库兼容。
• 该框架支持多种量子节点梯度方法，包括解析、硬件基、参数位移与有限差分导数。
• 它提供基于 DAG 的混合优化方法，使梯度能够从代价函数传播到量子变量和经典变量。
• PennyLane 提供插件以连接硬件提供商和仿真器，拓宽可获得的量子计算资源。
• 它包含模板、变换和代价函数工具，以促进常见的量子变分算法和混合模型。
• 该 API 实现了与 Autograd、TensorFlow、PyTorch 和 JAX 的无缝集成，用于量子线路的基于梯度的优化。