PennyLane 是一个量子计算库，目标是像训练神经网络一样训练量子计算机，提供量子电路的自动微分、设备无关编程，以及与经典机器学习框架的集成。
安装：uv pip install pennylane。要访问量子硬件，需安装对应设备插件，例如 IBM Quantum 用 uv pip install pennylane-qiskit，Amazon Braket 用 uv pip install amazon-braket-pennylane-plugin，Google Cirq 用 uv pip install pennylane-cirq，Rigetti Forest 用 uv pip install pennylane-rigetti，IonQ 用 uv pip install pennylane-ionq。
主要能力：一是量子电路构建，支持门、测量、态制备、受控操作与条件逻辑、电路中间测量和自适应电路、多种测量类型及电路检查调试；二是量子机器学习，可与 PyTorch、JAX、TensorFlow 集成，构建量子神经网络与变分分类器，支持角度、振幅、基、IQP 等数据编码，以及混合模型反向传播训练和量子电路迁移学习；三是量子化学，可生成分子哈密顿量、运行 VQE、使用 UCCSD 拟设，做几何优化、解离曲线与分子性质计算；四是设备管理，支持内置模拟器 default.qubit、lightning.qubit、default.mixed 及硬件插件，可做设备选择配置、性能优化与缓存、GPU 加速和 JIT 编译；五是优化，内置 Adam、梯度下降、动量、RMSProp 等优化器，支持反向传播、参数移位、伴随等梯度计算，以及 VQE、QAOA 等变分算法，并处理贫瘠高原与局部极小值；六是高级特性，包括电路模板与层、变换与电路优化、脉冲级编程、Catalyst JIT 编译、噪声模型与错误缓解、资源估计。
使用方式：用 qml.device 创建设备，以 @qml.qnode 装饰器定义量子电路，再用优化器迭代更新参数。典型流程是先构建哈密顿量、定义拟设、再优化能量；同一电路可切换不同后端。文档建议先在模拟器上测试，再部署到硬件；硬件上使用参数移位法，反向传播仅适用于模拟器；注意编码选择、参数初始化与梯度监控，可用 qml.specs() 分析电路，并复用设备对象。
限制：资料未提供收费与价格信息，硬件访问依赖相应插件与后端，具体可用性暂未提供。