[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被引用 562

一句话总结

PennyLane 是一个 Python 框架，使混合量子-经典计算的可微分编程成为可能，允许在量子节点和带插件支持的硬件和仿真器的经典处理之间进行基于梯度的优化。

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

• 促使在近端量子计算中需要混合量子-经典优化。
• 介绍统一量子与经典计算的可微分编程框架。
• 展示如何通过量子节点计算梯度以实现端到端优化。
• 演示变分量子算法和量子机器学习中的用例。
• 提供一个可扩展的、基于插件的架构，连接到硬件和仿真器。

提出的方法

• 将计算表示为结合经典与量子节点（QNodes）的有向无环图。
• 使用自动微分通过混合图反向传播梯度以更新所有变量。
• 提供执行变分电路并返回期望值、方差、概率或态的量子节点。
• 提供分析、硬件兼容与数值梯度方法，包括参数移位规则和有限差分。
• 支持与反向传播兼容的仿真器和设备提供的梯度，并有默认启发式方法来选择最佳梯度方法。
• 包含插件系统以连接到各种量子后端（硬件和仿真器）以及与 ML 库（如 Autograd、TensorFlow、PyTorch、JAX）的接口。

实验结果

研究问题

• RQ1 如何在混合量子-经典计算中计算和传播梯度？
• RQ2 对不同后端来说，变分量子电路的最有效梯度策略是什么？
• RQ3 是否可以通过统一框架实现量子节点与经典 ML 流水线和硬件后端的无缝集成？
• RQ4 变分量子算法和量子-经典 ML 任务的实际架构与模板是什么？

主要发现

• PennyLane 通过对一个节点 DAG 的反向传播，在量子与经典组件之间实现基于梯度的优化。
• 该框架支持多种梯度策略（解析、基于硬件、反向传播和有限差分），并对每个电路和设备自动选择最佳方法。
• 它提供封装变分电路的 QNodes，支持各种测量类型，并与主流 ML 库集成以实现端到端训练。
• 插件连接到硬件和仿真器（如 Xanadu Cloud、Amazon Braket、IBM Quantum），并允许在真实设备上运行优化。
• 模板和变换有助于构建和评估常见的变分架构与量子机器学习模型。