使用 PennyLane 构建 VQE：实用指南

变分量子本征求解器（VQE）是最重要的近期量子算法之一。它可以求出分子或材料的基态能量——这是一项对经典计算机而言呈指数级困难、但在 NISQ 设备上却可行的计算。本指南将带你完成一个完整的 PennyLane VQE 实现。

VQE 的作用

VQE 用于求出哈密顿量 H（通常表示分子的能量）的最小本征值。其工作方式如下：

使用量子电路制备参数化试探态 |ψ(θ)⟩
在 QPU 上测量期望值 ⟨ψ(θ)|H|ψ(θ)⟩
使用经典优化器更新 θ 以最小化能量
重复上述步骤直至收敛

变分原理保证对于任意态都有 ⟨ψ(θ)|H|ψ(θ)⟩ ≥ E₀——因此最小化这个量便给出了真实基态能量 E₀ 的一个上界。

环境设置

安装 PennyLane 及其化学插件：

pip install pennylane pennylane-qchem

对于氢分子（H₂）——这个经典的 VQE 基准——我们需要两个电子和四个自旋轨道（4 个量子比特）：

import pennylane as qml
from pennylane import numpy as np
import pennylane.qchem as qchem

# H2 at equilibrium bond length (Angstrom)
symbols = ["H", "H"]
coordinates = np.array([[0.0, 0.0, -0.6614], [0.0, 0.0, 0.6614]])

# Build the qubit Hamiltonian
H, qubits = qchem.molecular_hamiltonian(
    symbols,
    coordinates,
    basis="sto-3g"
)
print(f"Hamiltonian: {len(H.ops)} terms, {qubits} qubits")
# Hamiltonian: 15 terms, 4 qubits

定义拟设

**拟设（ansatz）**是用于制备试探态的参数化电路。对于化学问题，UCCSD（酉耦合簇单激发与双激发，Unitary Coupled-Cluster Singles and Doubles）拟设是标准选择：

# Get UCCSD circuit parameters
electrons = 2
singles, doubles = qchem.excitations(electrons, qubits)
s_wires, d_wires = qchem.excitations_to_wires(singles, doubles, wires=range(qubits))

# Initial Hartree-Fock state (reference state)
hf_state = qchem.hf_state(electrons, qubits)

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

@qml.qnode(dev)
def circuit(weights, wires, s_wires=[], d_wires=[], hf_state=hf_state):
    # Prepare HF reference state
    qml.BasisState(hf_state, wires=wires)

    # Apply UCCSD excitations
    qml.UCCSD(weights, wires, s_wires=s_wires, d_wires=d_wires, init_state=hf_state)

    return qml.expval(H)

运行 VQE 优化

借助 PennyLane 的自动微分功能，我们可以直接使用基于梯度的优化器：

# Initial parameters (all zeros = Hartree-Fock state)
init_params = np.zeros(len(singles) + len(doubles), requires_grad=True)

# Adam optimizer (works well for VQE)
opt = qml.AdamOptimizer(stepsize=0.4)

# Optimization loop
energy_history = []
params = init_params.copy()

for step in range(200):
    params, energy = opt.step_and_cost(
        lambda p: circuit(p, range(qubits), s_wires=s_wires, d_wires=d_wires),
        params
    )
    energy_history.append(energy)

    if step % 20 == 0:
        print(f"Step {step:3d}: E = {energy:.6f} Ha")

print(f"\nVQE ground state energy: {energy:.6f} Ha")
print(f"Reference (exact): -1.136189 Ha")

典型输出：

Step   0: E = -1.117498 Ha
Step  20: E = -1.133254 Ha
Step  40: E = -1.135901 Ha
Step  60: E = -1.136140 Ha
...
VQE ground state energy: -1.136174 Ha
Reference (exact): -1.136189 Ha

VQE 达到了与精确能量相差约 0.015 mHa 的水平——这对 H₂ 而言即为化学精度。

使用无梯度优化器

对于有噪声的硬件，由于硬件梯度带有噪声，像 COBYLA 或 SPSA 这样的无梯度优化器往往表现更好：

from scipy.optimize import minimize

# Objective function (no gradient needed)
def objective(params):
    return float(circuit(params, range(qubits), s_wires=s_wires, d_wires=d_wires))

result = minimize(
    objective,
    x0=init_params,
    method="COBYLA",
    options={"maxiter": 500, "rhobeg": 0.1}
)

print(f"COBYLA energy: {result.fun:.6f} Ha")

使用 HLQuantum 运行 VQE

HLQuantum 内置了一个可跨所有后端运行的 VQE 实现：

import hlquantum as hlq

# Define the Hamiltonian in HLQuantum's format
H = hlq.hamiltonians.h2_molecule(bond_length=1.32)

# Run VQE on any backend
result = hlq.algorithms.vqe(
    hamiltonian=H,
    ansatz="uccsd",
    optimizer="adam",
    max_iterations=200,
    backend="pennylane",   # or "qiskit", "cudaq"
)

print(f"Ground state energy: {result.energy:.6f} Ha")
print(f"Optimal parameters: {result.params}")
print(f"Converged in {result.iterations} iterations")

真实硬件使用技巧

在真实 QPU（IBM Quantum、IonQ）上运行 VQE 时，还需考虑以下几点：

每步使用较少的采样次数（shots）。 每个优化步骤 1000 次采样通常足以进行梯度估计。不要在每一步都使用 10,000 次采样——那会浪费 QPU 时间。

从浅层电路开始。 CNOT 门越少 = 噪声越小。对于硬件，可以考虑使用硬件高效拟设电路，而非 UCCSD。

启用误差缓解。 HLQuantum 的 error_mitigation="zne" 会应用零噪声外推（Zero Noise Extrapolation），这可以显著改善有噪声硬件上的结果：

result = hlq.run(vqe_circuit, backend="qiskit", device="ibm_sherbrooke",
                 error_mitigation="zne", shots=2048)

有关量子化学模拟的更多细节，请查看完整的 PennyLane guide 以及 HLQuantum algorithms reference。