PennyLane中qml.compile函数对空basis_set参数的支持优化
在量子计算编程框架PennyLane的最新开发中,团队对qml.compile函数的basis_set参数处理逻辑进行了重要改进。这项改进使得开发者能够更灵活地控制量子操作分解行为,特别是在需要尽可能分解所有可分解操作的情况下。
背景与问题
qml.compile是PennyLane中一个强大的函数编译装饰器,它允许开发者指定量子操作在编译过程中的分解行为。其中的basis_set参数用于定义一组"基础操作"——即那些不应该被进一步分解的量子操作。
在之前的实现中,当basis_set参数被设置为空集合(如{}、[]或())时,系统会将其视为"未指定",并默认使用qml.ops.__all__作为基础操作集。这种行为限制了开发者表达"尽可能分解所有可分解操作"的意图。
技术实现细节
新的实现方案对basis_set参数的处理逻辑进行了如下改进:
-
明确区分None和空集合:现在系统能够明确区分
None(表示使用默认基础操作集)和空集合(表示没有基础操作,应尽可能分解所有操作) -
支持多种空集合类型:无论是空字典
{}、空列表[]还是空元组(),都会被识别为有效的空基础操作集 -
分解逻辑优化:当遇到空基础操作集时,系统会尝试分解任何具有分解方法的操作,无论它属于哪个操作类别
使用示例
这项改进后,开发者可以更直观地表达编译意图:
@partial(qml.compile, basis_set={}) # 明确表示尽可能分解所有操作
@qml.qnode(qml.device('default.qubit'))
def circuit():
qml.U2(0.5, 0.6, 0) # 这个操作将被尽可能分解
return qml.expval(qml.Z(0))
技术意义
这项改进在量子电路编译中具有重要意义:
-
更精确的控制:开发者现在可以明确区分"使用默认基础集"和"不使用任何基础集"两种情况
-
自动化流程支持:在自动化编译流程中,空基础集可以作为明确的指令,要求系统尽可能分解所有可分解操作
-
教学与研究:在教学演示和研究实验中,这项功能可以方便地展示量子操作如何被分解为更基础的组件
实现考量
在实现这一改进时,开发团队考虑了以下关键点:
-
向后兼容性:确保现有代码不会因为这一改变而出现行为变化
-
性能影响:空基础集情况下的分解路径经过了优化,避免不必要的性能开销
-
API一致性:这一改变与其他PennyLane API的设计哲学保持一致,提供更直观和灵活的参数控制
这项改进现已合并到PennyLane主分支,为量子计算开发者提供了更强大的电路编译控制能力。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00