Dane wejściowe i wyjściowe Executor

Wersje pakietów

Kod na tej stronie został opracowany przy użyciu następujących wymagań. Zalecamy używanie tych lub nowszych wersji.

qiskit[all]~=2.4.0
qiskit-ibm-runtime~=0.46.1
samplomatic~=0.18.0

# Added by doQumentation — required packages for this notebook
!pip install -q numpy qiskit qiskit-ibm-runtime samplomatic

Prymityw Executor jest częścią modelu ukierunkowanego wykonania, który zapewnia większą elastyczność przy dostosowywaniu przepływu pracy łagodzenia błędów.

Dane wejściowe i wyjściowe prymitywu Executor znacznie różnią się od tych z prymitywów Sampler i Estimator. Na przykład zamiast przyjmowania listy PUB-ów jako danych wejściowych, Executor przyjmuje QuantumProgram, który zawiera listę obiektów QuantumProgramItem. Te klasy kontenerowe dają większą elastyczność niż PUB, który jest prostą strukturą danych w postaci krotki.

Wyjście Executor to QuantumProgramResult, który jest iterowalny i zawiera jeden element dla każdego wejściowego QuantumProgramItem.

Dane wejściowe: Programy kwantowe

Jak wspomniano wcześniej, dane wejściowe do prymitywu Executor to QuantumProgram, który jest iterowalnym zbiorem obiektów QuantumProgramItem. Obiekty te mogą być dwojakiego rodzaju:

• CircuitItem, który zazwyczaj przechowuje obwód i jego wartości parametrów (jeśli są).
• SamplexItem, który zazwyczaj przechowuje:
  • Obwód szablonowy
  • Obiekt samplex, używany do generowania losowych zestawów parametrów w czasie wykonania (na przykład do wykonywania twirlingów lub wstrzykiwania szumu)
  • Argumenty dla samplex, które mogą zawierać wartości parametrów dla oryginalnego obwodu

Każdy z tych elementów reprezentuje inne zadanie do wykonania przez Executor.

Przed rozpoczęciem

Niektóre przykłady kodu na tej stronie używają samplex, który jest częścią pakietu Samplomatic. Dlatego przed uruchomieniem tych bloków kodu musisz zainstalować Samplomatic, jak pokazano w poniższym bloku kodu. Aby uzyskać więcej informacji, zobacz dokumentację Samplomatic.

pip install samplomatic

# For visualization support, include the visualization dependencies.
# pip install samplomatic[vis]

Przykład: Tworzenie QuantumProgram z dwoma różnymi zadaniami

Najpierw zainicjuj swój program kwantowy, a następnie dodaj do niego elementy programu, używając append_circuit_item lub append_samplex_item (jeśli jest obecny samplex), jak pokazano w poniższych przykładach.

Poniższa komórka inicjuje QuantumProgram i określa, że powinien wykonać 1024 pomiary dla każdej konfiguracji każdego elementu w programie.

uwaga

W przeciwieństwie do Sampler, QuantumProgram przyjmuje tylko jedną wartość liczby pomiarów. Jeśli chcesz inną wartość liczby pomiarów, potrzebujesz osobnego QuantumProgram, co oznacza osobne zadanie.

from qiskit.transpiler import generate_preset_pass_manager
from qiskit_ibm_runtime.quantum_program import QuantumProgram
from qiskit_ibm_runtime import Executor, QiskitRuntimeService
from qiskit.circuit import Parameter, QuantumCircuit
import numpy as np
from samplomatic import build
from samplomatic.transpiler import generate_boxing_pass_manager

# Initialize an empty program
program = QuantumProgram(shots=1024)

# Initialize and transpile a 3-qubit quantum circuit with 2 parameters.
circuit = QuantumCircuit(3)
circuit.h(0)
circuit.cx(0, 1)
circuit.cx(1, 2)
circuit.rz(Parameter("theta"), 0)
circuit.rz(Parameter("phi"), 1)

# `measure_all` adds a 3-bit classical register named "meas"
circuit.measure_all()

# Choose the least busy backend
service = QiskitRuntimeService()
backend = service.least_busy(operational=True, simulator=False)

# Generate a preset pass manager
# This will be used to convert the abstract circuit to an
# equivalent Instruction Set Architecture (ISA) circuit.
preset_pass_manager = generate_preset_pass_manager(
    backend=backend, optimization_level=0
)

# Transpile the circuit
isa_circuit = preset_pass_manager.run(circuit)

Dołączanie CircuitItem

Następnie dołącz docelowy obwód, który został transpilowany zgodnie z architekturą zestawu instrukcji (ISA) backendu, do QuantumProgram. Ponieważ ten obwód ma dwa parametry, musimy również podać wartości parametrów (10 zestawów w tym przykładzie). Uruchomienie tego CircuitItem jest pierwszym zadaniem, które program wykona.

# Append the transpiled circuit and an array
# containing 10 sets of parameter values to the program
program.append_circuit_item(
    isa_circuit,
    circuit_arguments=np.random.rand(
        10, 2
    ),  # 10 sets of parameter values and 2 parameters
)

Dołączanie SamplexItem

Elementy obwodów są wykonywane bez żadnej randomizacji. Natomiast elementy samplex pozwalają określić, jak randomizować ich zawartość. Następna komórka używa funkcji generate_boxing_pass_manager() do grupowania bramek i pomiarów obwodu w bloki oraz dodawania adnotacji twirlingowej do każdego bloku. Następnie generuje parę obwodu szablonowego i samplex za pomocą funkcji build().

Uruchomienie tego SamplexItem jest drugim zadaniem, które program wykona.

Zobacz dokumentację API Samplomatic, aby uzyskać pełne szczegóły dotyczące samplex i jego argumentów. Zobacz Przewodnik po Transpilerze Samplomatic, aby uzyskać informacje o używaniu funkcji generate_boxing_pass_manager().

# Transpile the circuit, additionally grouping gates and measurements into annotated boxes
preset_pass_manager = generate_preset_pass_manager(
    backend=backend, optimization_level=0
)

# Use the boxing pass manager to group gates
# and measurements into boxes and add
# a`Twirl` annotation.
preset_pass_manager.post_scheduling = generate_boxing_pass_manager(
    # Add gate twirling
    enable_gates=True,
    # Add measurement twirling
    enable_measures=True,
)
boxed_circuit = preset_pass_manager.run(circuit)

# Build the template circuit and the samplex.  The template circuit has parametric gates
# without fixed values and the samplex randomly generates the parameter
# values on the server side at runtime to perform twirling.
template_circuit, samplex = build(boxed_circuit)

# Determine what arguments are required by the samplex.
# Input the arguments in samplex_arguments.
print(samplex.inputs())

TensorInterface(<
  - 'parameter_values' <float64[2]>: Input parameter values to use during sampling.
>)

# Append the template circuit and samplex as a samplex item
program.append_samplex_item(
    template_circuit,
    samplex=samplex,
    samplex_arguments={
        # the arguments required by the samplex.sample method
        "parameter_values": np.random.rand(10, 2),
    },
    shape=(28, 10),  # 28 randomizations and 10 sets of parameter values
)

# Initialize an Executor with the default options
executor = Executor(mode=backend)

# Submit the job
job = executor.run(program)

# Retrieve the result
result = job.result()

Dane wyjściowe

Wyjście Executor to QuantumProgramResult, który jest iterowalny. Zawiera jeden wpis na wejściowy QuantumProgramItem w tej samej kolejności co elementy wejściowe. Każdy z tych elementów wyjściowych jest słownikiem, gdzie klucze to ciągi znaków odpowiadające nazwom klasycznych rejestrów w obwodach wejściowych (między innymi), więc nie musisz już zapamiętywać tych nazw tak jak w przypadku wyjść Sampler. Wartości słownika są typu np.ndarray.

Wynik dla poprzedniego przykładu zawiera następujące elementy:

Wynik CircuitItem

Pierwszy element zawiera wyniki uruchomienia pierwszego zadania (CircuitItem) w programie. Zawiera jeden klucz, meas, który jest nazwą klasycznego rejestru w obwodzie wejściowym. Wartość tego klucza mapuje się na np.ndarray o kształcie (zestawy parametrów, pomiary, bity rejestru), czyli (10, 1024, 3) dla powyższego przykładu.

Poniższy kod ilustruje, jak uzyskać dostęp do tych informacji:

# Access the results of the classical register of task #0, a CircuitItem
result_0 = result[0]["meas"]
print(f"Result shape: {result_0.shape}")

Result shape: (10, 1024, 3)

Wynik SamplexItem

Drugi element zawiera wyniki uruchomienia drugiego zadania (SamplexItem) w programie. Ten element zawiera wiele kluczy. Klucz meas, który jest nazwą klasycznego rejestru obwodu wejściowego, mapuje się na tablicę wyników tego rejestru. Ta tablica ma kształt (randomizacje, zestawy parametrów, pomiary, bity klasyczne), czyli (28, 10, 1024, 3) w tym przykładzie. Ponadto wyjście zawiera klucz measurement_flips.meas, który zawiera korekcje odwróceń bitów, aby cofnąć twirling pomiarowy dla rejestru meas. Ten kształt wyjściowy będzie wynosił (28, 10, 1, 3) dla naszego przykładu, ponieważ do wykonania odwrócenia bitu wymagany jest tylko jeden pomiar.

# Access the results of the classical register of task #1
result_1 = result[1]["meas"]
print(f"Result shape: {result_1.shape}")

# Access the bit-flip corrections
flips_1 = result[1]["measurement_flips.meas"]
print(f"Bit-flip corrections shape: {flips_1.shape}")

# Undo the bit flips via classical XOR
unflipped_result_1 = result_1 ^ flips_1

Result shape: (28, 10, 1024, 3)
Bit-flip corrections shape: (28, 10, 1, 3)

Następne kroki

Zalecenia

• Zapoznaj się z przykładami używającymi Executor.
• Dowiedz się więcej o modelu ukierunkowanego wykonania.
• Zrozum rozgłaszanie Executor.