PennyLane入門｜量子回路を自動微分して最適化する

VQEやQAOA、量子機械学習（QML）は、どれも「パラメータ付きの量子回路を少しずつ調整して最適化する」という共通の形をしています。この最適化に欠かせないのが**勾配（微分）**ですが、カナダのXanadu社が開発するPythonライブラリ PennyLane（ペニーレーン） を使うと、勾配計算を自分で実装しなくてもqml.grad()の一行で済みます。この記事ではインストールから、実際に回路を最適化するところまでを手を動かしながら確認します。

準備するもの

• Python 3.9以降
• 量子コンピュータの実機は不要（まずは手元のシミュレータだけで完結します）

インストール

pip install pennylane

PennyLaneには高速なローカルシミュレータdefault.qubitが標準で付属しているので、これだけで最初の一歩が踏み出せます。

最初の量子回路を書く

PennyLaneでは、量子回路を関数として定義し、@qml.qnodeで「デバイス」に結びつけることでQNode（Quantum Node）という実行可能な関数にします。

import pennylane as qml
from pennylane import numpy as np

dev = qml.device("default.qubit", wires=1)   # 1量子ビットのシミュレータ

@qml.qnode(dev)
def energy(theta):
    qml.RY(theta, wires=0)              # 回転ゲートで量子ビットを回す
    return qml.expval(qml.PauliZ(0))    # Z観測量の期待値を返す

print(energy(0.3))

実行すると 0.9553364891256059 が返ってきます。これは理論値 cos(0.3) と一致します。energyは普通のPython関数のように値を渡して呼び出せるのに、中身は量子回路というのがQNodeの特徴です。

自動微分で勾配を求める

パラメータシフト則をQiskitで実装した記事では、θ+π/2とθ-π/2の期待値を自分で計算して勾配を求めました。PennyLaneなら、その計算をqml.grad()に任せられます。

theta = np.array(0.3, requires_grad=True)

grad_fn = qml.grad(energy)
print("勾配:", grad_fn(theta))

出力は -0.2955202066613397。理論値 -sin(0.3) と一致します。requires_grad=Trueを付けたnumpy配列（PennyLane独自のpennylane.numpy）を使うだけで、energyという量子回路そのものを微分できました。パラメータシフト則の中身を知らなくても使えますが、Qiskitでの実装記事を読んでおくと「裏で何が起きているか」が分かって理解が深まります。

勾配降下法で最適化する

勾配が求まれば、あとはGradientDescentOptimizerに渡すだけで最適化ループが書けます。ここではenergyを最小化する、つまり観測量Zの期待値を-1に近づけてみます。

dev = qml.device("default.qubit", wires=1)

@qml.qnode(dev, diff_method="parameter-shift")
def energy(theta):
    qml.RY(theta, wires=0)
    return qml.expval(qml.PauliZ(0))

theta = np.array(0.3, requires_grad=True)
opt = qml.GradientDescentOptimizer(stepsize=0.4)

for i in range(30):
    theta = opt.step(energy, theta)

print("最適化後のtheta:", theta)
print("最小エネルギー:", energy(theta))

30回のステップで theta が π に近づき、最小エネルギー は -0.9999999999646078 ――ほぼ -1 まで収束します。これは1量子ビット版の超シンプルなVQEと言えます。VQE入門で紹介した「パラメータを調整してエネルギーの期待値を最小化する」という考え方を、PennyLaneなら数行のコードで体験できます。

まとめ

• PennyLaneは@qml.qnodeで量子回路をPython関数（QNode）にし、qml.grad()で自動微分できるライブラリ
• シミュレータ上はバックプロパゲーション、実機ではパラメータシフト則で勾配を計算しており、diff_methodで切り替えられる
• GradientDescentOptimizerを使えば、VQEのような「パラメータを調整してエネルギーを最小化する」処理を数行で書ける
• Qiskitで勾配計算の中身を理解してから使うと、PennyLaneの自動微分のありがたさがより実感できる

もう少し詳しく（背景）

PennyLaneは2018年にXanadu社が発表した、量子回路の「差分可能プログラミング（differentiable programming）」を目的としたPythonフレームワークです¹²。Apache License 2.0のオープンソースで公開されており、default.qubitのような内蔵シミュレータだけでなく、プラグインを通じてQiskit（IBM）・Cirq（Google）・Amazon Braketなど他社のシミュレータや実機にも同じコードでアクセスできる設計になっています³。

勾配計算の仕組みとしては、シミュレータ上では古典MLで使われるのと同じバックプロパゲーションが使えますが、実機では状態そのものを観測できないため使えません。そこで使われるのが、パラメータシフト則の記事で解説した「回転ゲートのパラメータを±π/2ずらした2点の期待値の差」から厳密な勾配を求める手法です⁴。PennyLaneはこの切り替えをdiff_method引数で吸収し、ユーザーがシミュレータと実機のどちらを使っていても同じqml.grad()のインターフェースで勾配を扱えるようにしています。

次に読むなら

• VQE入門｜Qiskitで変分量子固有値ソルバーを実装 — パラメータ付き回路でエネルギーを最小化する考え方を、より詳しく知りたい方に
• パラメータシフト則をQiskitで実装 — 今回PennyLaneが裏で使っている勾配計算の中身を手を動かして確認したい方に
• 量子機械学習（QML）入門 — 変分量子分類器など、QMLの全体像を基礎から知りたい方に
• QAOA入門｜Qiskitで最大カット問題を解く — 同じ「パラメータ最適化」の考え方を組合せ最適化に応用する例を見たい方に

Footnotes

1. Bergholm, V. et al. (2018). "PennyLane: Automatic differentiation of hybrid quantum-classical computations." arXiv:1811.04968。PennyLaneの設計思想と自動微分の仕組みを説明する原論文。 ↩

2. Xanadu, "Xanadu Releases PennyLane: The First Dedicated Machine Learning Software for Quantum Computers"（2018年）。PennyLaneがオープンソースのQML向けフレームワークとして発表された際の告知。 ↩

3. PennyLaneはプラグイン機構を通じてQiskit・Cirq・Amazon Braketなど他社のシミュレータ・実機にも接続できる。公式ドキュメント（docs.pennylane.ai）参照。 ↩

4. Mitarai, K. et al. (2018) および Schuld, M. et al. (2019) が確立したパラメータシフト則。詳細はパラメータシフト則をQiskitで実装を参照。 ↩