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。它提供量子线路的自动微分、设备无关的编程方式，并与经典机器学习框架无缝集成。
安装：uv pip install pennylane。如需访问量子硬件，可安装设备插件，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：一是量子线路构建，支持门、测量、态准备、受控操作、线路中间测量与自适应线路等；二是量子机器学习，支持与 PyTorch、JAX、TensorFlow 集成，构建量子神经网络、变分分类器及多种数据编码策略；三是量子化学，支持分子哈密顿量生成、VQE、UCCSD 拟设及分子性质计算；四是设备管理，可在内置模拟器（default.qubit、lightning.qubit、default.mixed）或硬件插件上执行；五是优化，提供 Adam、梯度下降等优化器及反向传播、参数偏移、伴随等梯度计算方法；六是高级特性，如线路模板、变换、脉冲级编程、Catalyst JIT 编译、噪声模型与误差缓解、资源估计。
典型用法：先创建设备，例如 qml.device('default.qubit', wires=2)，再用 @qml.qnode 定义量子线路，最后用优化器迭代更新参数。也可用 qchem.molecular_hamiltonian 构建哈密顿量并运行 VQE。同一线路可通过更换设备对象在模拟器或硬件上运行。
适用场景：量子机器学习模型训练、变分算法（VQE、QAOA）、量子化学模拟、混合量子-经典工作流。
限制与建议：反向传播仅在模拟器上有效，硬件上建议使用参数偏移；建议先在模拟器上验证再提交到硬件；深度线路需注意贫瘠高原与梯度消失，初始化宜用小随机值；可缓存设备对象以减少开销，用 qml.specs() 分析线路复杂度。