pennylane

Cross-platform Python library for quantum computing, quantum machine learning, and quantum chemistry. Enables building and training quantum circuits with automatic differentiation, seamless integration with PyTorch/JAX/TensorFlow, and device-independent execution across simulators and quantum hardware (IBM, Amazon Braket, Google, Rigetti, IonQ, etc.). Use when working with quantum circuits, variational quantum algorithms (VQE, QAOA), quantum neural networks, hybrid quantum-classical models, molecular simulations, quantum chemistry calculations, or any quantum computing tasks requiring gradient-based optimization, hardware-agnostic programming, or quantum machine learning workflows.

1. Zainstaluj PennyLane za pomocą menedżera pakietów uv poleceniem uv pip install pennylane. 2. Jeśli planujesz pracować z rzeczywistym sprzętem kwantowym, zainstaluj odpowiednią wtyczkę urządzenia, np. uv pip install pennylane-qiskit dla IBM Quantum, uv pip install amazon-braket-pennylane-plugin dla Amazon Braket, lub uv pip install pennylane-cirq dla Google Cirq. 3. Zaimportuj bibliotekę i utwórz urządzenie kwantowe: import pennylane as qml oraz dev = qml.device('default.qubit', wires=2) do pracy z symulatorem. 4. Zdefiniuj obwód kwantowy jako funkcję dekorowaną @qml.qnode(dev), w której umieścisz bramki kwantowe (RX, RY, CNOT) i pomiary (expval). 5. Utwórz optymalizator gradientowy opt = qml.GradientDescentOptimizer(stepsize=0.1) i inicjalizuj parametry obwodu jako tablicę NumPy z requires_grad=True. 6. Uruchom pętlę treningową, w której na każdej iteracji wywołujesz opt.step(circuit, params) aby aktualizować parametry i minimalizować funkcję celu.