QML 概览与后端

unitarylab.library.qml 提供以 PyTorch 张量为数据接口的量子机器学习组件，覆盖离散变量线路、连续变量线路、模型训练、量子核、噪声和混合神经网络。QML 包采用子模块组织，推荐从具体子模块导入。

典型工作流


数据集与预处理
      ↓
编码层 → 参数化 ansatz → 读出层
      ↓
QML 模型 / PyTorch 包装层
      ↓
后端执行 → 损失与梯度 → 优化器
      ↓
指标、诊断、检查点与预测

最小可运行示例


from unitarylab.library.qml.backends import (
    available_backends,
    create_backend,
)
 
print(available_backends())
backend = create_backend("torch")
print(backend.capabilities)

内置名称包括：

名称	后端	适用场景
`torch`	`TorchBackend`	PyTorch 离散变量状态模拟与自动微分
`unitarylab` / `unitary_lab`	`UnitaryLabBackend`	执行 UnitaryLab 线路
`cvtorch` / `cv_torch`	`CVTorchBackend`	连续变量 QML 线路

后端注册


from unitarylab.library.qml.backends import (
    QuantumBackend,
    create_backend,
    get_backend_class,
    register_backend,
)
 
register_backend("my_backend", MyBackend, overwrite=False)
backend = create_backend("my_backend", device="cpu")

接口	作用
`available_backends()`	返回已注册名称元组
`get_backend_class(name)`	返回后端类
`create_backend(name, **kwargs)`	实例化后端
`register_backend(name, backend_cls, overwrite=False)`	注册 `QuantumBackend` 子类

名称按小写解析。重复注册默认会失败；只有确认需要替换现有实现时才设置 overwrite=True。

统一执行契约


from unitarylab.library.qml.execution import (
    BackendCapabilities,
    BackendResult,
    ExecutionConfig,
    ExecutionRequest,
)

BackendCapabilities 描述后端支持的设备、测量、批处理和微分能力。
ExecutionConfig 保存 shots、随机性和执行选项。
ExecutionRequest 将线路、参数、观测量及配置组合为一次请求。
BackendResult 统一承载状态、概率、采样或期望值，并保留元数据。

线路在执行前可通过 ValidateCapabilities、DecomposeToBasis 和 TransformProgram 校验、分解与降级。无法满足请求的后端应在执行前报错，不应静默改变测量语义。

选择建议与限制

需要 PyTorch 自动微分时优先使用 torch；执行已有 unitarylab.Circuit 时使用 unitarylab。
shots 执行具有统计波动；精确状态或概率执行的内存随量子比特数指数增长。
连续变量线路与离散变量线路使用不同的线路和层类型，不可直接混用。
创建模型后固定数据 dtype 和设备，避免参数与输入位于不同设备。