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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00