PennyLane — differentiable quantum machine learning
Entraîner et différencier des circuits quantiques avec PennyLane : QNodes, gradients parameter-shift/backprop/adjoint, modèles hybrides quantique-classique avec PyTorch/JAX, VQE/QAOA, chimie quantique, simulateurs et plugins matériels
- Quoi
- Entraîner et différencier des circuits quantiques avec PennyLane : QNodes, gradients parameter-shift/backprop/adjoint, modèles hybrides quantique-classique avec PyTorch/JAX, VQE/QAOA, chimie quantique, simulateurs et plugins matériels
- Coût
- Gratuit
- Prérequis
- Python ≥ 3.11 avec uv — pennylane (uv pip install pennylane, v0.43+) ; plugins de devices optionnels (pennylane-qiskit, amazon-braket-pennylane-plugin, pennylane-cirq, pennylane-ionq) pour le matériel — l'accès matériel est facturé et exige des identifiants fournisseur ; PyTorch/JAX pour les modèles hybrides
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill alterlab-pennylane de @alterlab-ieu, listé ici avec crédit à son créateur (fait partie de la suite AlterLab Academic Skills) : une référence complète pour le quantum machine learning avec PennyLane. Il couvre la construction de circuits quantiques (portes, mesures, préparation d'états, inspection de circuits), le quantum machine learning (modèles hybrides quantique-classique via `qml.qnn.TorchLayer` et JAX, réseaux de neurones quantiques, classifieurs variationnels, stratégies d'encodage de données, transfer learning), la chimie quantique (hamiltoniens moléculaires, VQE avec ansatz UCCSD, optimisation de géométrie), la gestion des devices (simulateurs default.qubit et lightning, plugins matériels IBM/Amazon Braket/Cirq/IonQ), l'optimisation (Adam, descente de gradient, gradients parameter-shift vs backprop vs adjoint, barren plateaus) et les fonctionnalités avancées (templates, transforms, JIT Catalyst, modèles de bruit, estimation de ressources) — avec des workflows exécutables : entraîner un classifieur variationnel, lancer un VQE pour l'état fondamental moléculaire, basculer entre simulateur et matériel. Notes de version documentées pour 0.42-0.45 (support TensorFlow retiré, shots sur le QNode, plugin Rigetti non maintenu) et bonnes pratiques (commencer sur simulateurs, parameter-shift pour le matériel, petites initialisations contre les barren plateaus). Bémols honnêtes : licence listée MIT selon le manifest de découverte (le frontmatter du skill indique Apache-2.0 — le manifest fait foi ici) ; la simulation locale est gratuite, le vrai matériel quantique est facturé et exige des identifiants fournisseur ; c'est de l'informatique quantique de recherche — les simulateurs deviennent exponentiellement coûteux avec le nombre de qubits. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python ≥ 3.11 avec uv — pennylane (uv pip install pennylane, v0.43+) ; plugins de devices optionnels (pennylane-qiskit, amazon-braket-pennylane-plugin, pennylane-cirq, pennylane-ionq) pour le matériel — l'accès matériel est facturé et exige des identifiants fournisseur ; PyTorch/JAX pour les modèles hybrides Installe-moi « PennyLane — quantum machine learning différentiable ». Il donne à mon agent la référence PennyLane de @alterlab-ieu : construction de circuits quantiques, QML différentiable (modèles hybrides avec PyTorch/JAX, classifieurs variationnels, encodage de données), chimie quantique (VQE/QAOA), gestion des devices (simulateurs et plugins matériels), optimisation (gradients parameter-shift, backprop, adjoint), fonctionnalités avancées (templates, JIT Catalyst, modèles de bruit), workflows exécutables, notes de version 0.42-0.45 et bonnes pratiques. Fait partie de la suite AlterLab Academic Skills. Listé MIT selon le manifest de découverte (le frontmatter du skill indique Apache-2.0 — le manifest fait foi). Dépôt : https://github.com/alterlab-ieu/alterlab-academic-skills/blob/main/skills/domain-specific/alterlab-pennylane/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur — identifiants fournisseurs uniquement via mes propres variables d'environnement/coffre. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « alterlab-pennylane ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. uv pip install pennylane ; tester sur default.qubit avant tout matériel ; mettre les shots sur le QNode, pas sur le device ; sauvegarder les identifiants matériels dans le coffre si utilisé). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.