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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0100
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00