Używanie postelekcji w obciążeniach roboczych

Wersje pakietów

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

qiskit[all]~=2.5.2
qiskit-ibm-runtime~=0.47.0
qiskit-addon-utils~=0.4.0

Podczas optymalizacji strategii łagodzenia błędów w obciążeniu roboczym często przydatne jest odfiltrowywanie pomiarów, o których wiadomo, że zostały zainfekowane przez niemarkowskie (skorelowane) procesy szumowe. Jedną z takich metod jest dołączanie do obwodu kroku przetwarzania końcowego, który mierzy aktywne i sąsiadujące kubity "obserwatora", stosuje powolną rotację do każdego kubitu, a następnie mierzy je ponownie. W przypadkach, gdy dwa pomiary nie potwierdzają odwróconego kubitu zgodnie z oczekiwaniami, pomiar jest odrzucany poprzez zastosowanie maski do wyników.

Pakiet Qiskit addon utilities dostarcza zestaw przejść transpilatora i funkcję postelekcji do zastosowania maski. Ta strona zawiera wskazówki dotyczące włączania postelekcji do obciążeń roboczych kwantowych, używając czterokubitowego stanu GHZ jako przykładu.

Tworzenie obciążenia roboczego

Zacznij od przygotowania obwodu do wykonania i transpilacji względem backendu obsługującego bramki ułamkowe.

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

from qiskit_ibm_runtime import QiskitRuntimeService
from qiskit.circuit import QuantumCircuit
from qiskit.transpiler import generate_preset_pass_manager

circuit = QuantumCircuit(4)
circuit.h(0)
circuit.cx(0, 1)
circuit.cx(1, 2)
circuit.cx(2, 3)
circuit.measure_all()

service = QiskitRuntimeService()
backend = service.least_busy(use_fractional_gates=True)
pm = generate_preset_pass_manager(optimization_level=3, backend=backend)

transpiled_circuit = pm.run(circuit)
transpiled_circuit.draw("mpl")

Dodawanie przejść transpilatora postelekcji

Następnie utwórz menedżer przejść predefiniowanych zawierający przejścia AddPostSelectionMeasures i AddSpectatorMeasures z pakietu qiskit-addon-utils. Spowoduje to dołączenie do obwodu sekwencji małokątowych rotacji RX (efektywnie tworząc długą bramkę X) wraz z drugim zestawem pomiarów.

from qiskit.transpiler import PassManager
from qiskit_addon_utils.noise_management.post_selection import PostSelector
from qiskit_addon_utils.noise_management.post_selection.transpiler.passes import (
    AddPostSelectionMeasures,
    AddSpectatorMeasures,
)

post_selection_pm = PassManager(
    [
        AddSpectatorMeasures(backend.coupling_map, add_barrier=True),
        AddPostSelectionMeasures(x_pulse_type="rx"),
    ]
)

template_circuit_ps = post_selection_pm.run(transpiled_circuit)
template_circuit_ps.draw("mpl", fold=-1, idle_wires=False)

Wykonanie programu kwantowego

Następnie przygotuj obiekt QuantumProgram zawierający obwód do wykonania.

from qiskit_ibm_runtime import QuantumProgram, Executor

shots = 4000

program = QuantumProgram(shots=shots)
program.append_circuit_item(template_circuit_ps)

# Initialize the Executor job and run
executor = Executor(backend)
executor_job = executor.run(program)
print(f"Job ID: {executor_job.job_id()}")

Job ID: dab7lmhl216s739p6q1g

Teraz możesz zinterpretować wyniki. Wynik executora to słownik z kilkoma kluczami.

executor_result = executor_job.result()[0]
executor_result.keys()

KeysView(QuantumProgramItemResult({'meas': array([[ True,  True,  True,  True],
       [ True,  True,  True,  True],
       [False, False, False, False],
       ...,
       [ True,  True,  True,  True],
       [ True,  True,  True,  True],
       [False, False, False, False]], shape=(4000, 4)), 'spec': array([[False, False, False],
       [False, False, False],
       [False, False, False],
       ...,
       [False, False, False],
       [False, False, False],
       [False, False, False]], shape=(4000, 3)), 'meas_ps': array([[False, False, False, False],
       [False, False, False, False],
       [ True,  True,  True,  True],
       ...,
       [False, False, False, False],
       [False, False, False, False],
       [False,  True,  True,  True]], shape=(4000, 4)), 'spec_ps': array([[ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       ...,
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True]], shape=(4000, 3))}, metadata=ItemMetadata()))

Te klucze odpowiadają aktywnym kubitom i kubitom obserwatora przed instrukcjami rx (meas i spec) oraz po instrukcjach rx (meas_ps i spec_ps). Każdy z nich jest tablicą tablic opartą na liczbie pomiarów i kubitów. W tym przypadku kształt to (1000, 4).

Tworzenie maski postelekcji

Na podstawie tych pomiarów możesz utworzyć maskę, używając klasy PostSelector z qiskit-addon-utils. Maska ta jest tablicą logiczną, gdzie każdy pomiar jest oznaczony jako True lub False na podstawie jednej z dwóch strategii postelekcji. Pierwsza strategia, node, używa informacji o kubitach do decydowania, czy pomiar powinien zostać odrzucony — a druga, edge, używa informacji o łączności z najbliższymi sąsiadami do podjęcia tej decyzji.

post_selector = PostSelector.from_circuit(
    circuit=template_circuit_ps, coupling_map=backend.coupling_map
)

mask_node = post_selector.compute_mask(executor_result, strategy="node")
mask_edge = post_selector.compute_mask(executor_result, strategy="edge")

Zarówno strategia węzłowa, jak i krawędziowa często odrzucają różne pomiary. Możesz wybrać dowolną z nich. Ten notatnik stosuje iloczyn bitowy AND, który jest strategią zachowawczą, zachowującą pomiar tylko wtedy, gdy jest zaakceptowany przez obie strategie — węzłową i krawędziową.

mask = mask_node & mask_edge
print(f"The combined mask: {mask}")
count_retained = 0

for m in mask:
    count_retained += m

print(
    f"Percentage of the shots retained is after post selection "
    f"{100 * count_retained / shots}"
)

The combined mask: [ True  True  True ...  True  True False]
Percentage of the shots retained is after post selection 83.3

Porównaj rozkład prawdopodobieństwa z postelekcją i bez niej. Poniższy fragment kodu oblicza rozkład prawdopodobieństwa przed i po postelekcji, a także odległość między zmierzonymi a idealnymi rozkładami.

counts = {}
counts_ps = {}

for idx, measurement in enumerate(executor_result["meas"]):
    bitstring = ""
    for bit in measurement:
        bitstring += str(int(bit))

    if bitstring in counts:
        counts[bitstring] += 1
    else:
        counts[bitstring] = 1

    # Compute count data for postselected shots based on the mask
    if mask[idx]:
        bitstring = ""
        for bit in measurement:
            bitstring += str(int(bit))

        if bitstring in counts_ps:
            counts_ps[bitstring] += 1
        else:
            counts_ps[bitstring] = 1

for key, val in counts.items():
    counts[key] = val / shots

for key, val in counts_ps.items():
    counts_ps[key] = float(val / count_retained)

Aby zademonstrować, jak postelekcja zmieniła wyniki, oblicz odległość między idealnym rozkładem prawdopodobieństwa a zmierzonymi.

import itertools
from qiskit.visualization import plot_histogram

bitstrings = ["".join(i) for i in itertools.product("01", repeat=4)]
counts_ideal = {}
for bitstring in bitstrings:
    counts_ideal[bitstring] = 0.0
counts_ideal["1111"] = 0.5
counts_ideal["0000"] = 0.5

prob_distance = 0.0
prob_distance_ps = 0.0

for bitstring in counts_ideal.keys():
    dist = 0.0
    dist_ps = 0.0
    if bitstring in counts:
        dist = abs(counts[bitstring] - counts_ideal[bitstring])
    if bitstring in counts_ps:
        dist_ps = abs(counts_ps[bitstring] - counts_ideal[bitstring])
    prob_distance += dist
    prob_distance_ps += dist_ps

print(
    f"Distance from ideal distribution before postselection: "
    f"{1-prob_distance*0.5}"
)
print(
    f"Distance from ideal distribution before after-selection: "
    f"{1-prob_distance_ps*0.5}"
)

plot_histogram([counts, counts_ps], legend=["Normal", "Post selected"])

Distance from ideal distribution before postselection: 0.9385
Distance from ideal distribution before after-selection: 0.9315726290516206

Chociaż postelekcja może znacznie poprawić jakość wyników poprzez odfiltrowywanie pomiarów wyników, na które wpłynął szum niemarkowski, nie jest ona kompletnym rozwiązaniem łagodzenia błędów sama w sobie. Postelekcja zmniejsza wpływ pewnych błędów przez odrzucanie nieprawidłowych wyników pomiarów, ale wiąże się to z kosztem zwiększonego narzutu pobierania próbek i nie eliminuje wszystkich mechanizmów błędów obecnych w sprzęcie kwantowym bliskiego horyzontu. W rezultacie prawdopodobnie niewystarczające jest poleganie wyłącznie na postelekcji w przypadku bardziej złożonych lub głębszych obwodów. Zamiast tego postelekcja jest najbardziej skuteczna, gdy jest używana jako część szerszej strategii łagodzenia błędów — uzupełniając techniki takie jak łagodzenie błędów pomiarowych, kompilacja obwodów uwzględniająca szum lub probabilistyczna anulacja błędów — aby poprawić niezawodność obciążeń roboczych kwantowych przy zachowaniu równowagi między dokładnością a kosztem zasobów.

Następne kroki

Zalecenia

• Zrozum, jak włączyć uczenie szumu do obciążenia roboczego kwantowego.
• Przejrzyj inne dostępne techniki łagodzenia i tłumienia błędów.
• Dowiedz się, jak używać kodów czasoprzestrzeni dla podejścia o niskim narzucie do wykrywania błędów