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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00