Cięcie Gate'ów w celu zmniejszenia szerokości Circuit

W tym notebooku przejdziemy przez kolejne kroki wzorca Qiskit, korzystając z cięcia Circuit w celu zmniejszenia liczby Qubitów w Circuit. Będziemy ciąć Gate'y, aby móc zrekonstruować wartość oczekiwaną czteroqubitowego Circuit przy użyciu jedynie dwuqubitowych eksperymentów.

Oto kroki, które wykonamy:

• Krok 1: Odwzorowanie problemu na Circuit i operatory kwantowe:
  • Odwzorowanie hamiltonianu na Circuit kwantowy.
• Krok 2: Optymalizacja pod kątem docelowego sprzętu [Używa dodatku cutting]:
  • Cięcie Circuit i obserwowalnej.
  • Transpilacja podeksperymentów pod kątem sprzętu.
• Krok 3: Wykonanie na docelowym sprzęcie:
  • Uruchomienie podeksperymentów uzyskanych w Kroku 2 przy użyciu prymitywu Sampler.
• Krok 4: Przetwarzanie końcowe wyników [Używa dodatku cutting]:
  • Połączenie wyników Kroku 3 w celu zrekonstruowania wartości oczekiwanej rozważanej obserwowalnej.

Krok 1: Odwzorowanie

Tworzenie Circuit do cięcia

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

from qiskit.circuit.library import efficient_su2

qc = efficient_su2(4, entanglement="linear", reps=2)
qc.assign_parameters([0.4] * len(qc.parameters), inplace=True)

qc.draw("mpl", scale=0.8)

Określenie obserwowalnej

from qiskit.quantum_info import SparsePauliOp

observable = SparsePauliOp(["ZZII", "IZZI", "-IIZZ", "XIXI", "ZIZZ", "IXIX"])

Krok 2: Optymalizacja

Rozdzielenie Circuit i obserwowalnej zgodnie z określonym podziałem Qubitów

Każda etykieta w partition_labels odpowiada Qubitowi circuit o tym samym indeksie. Qubity o wspólnej etykiecie partycji zostaną zgrupowane razem, a nielokalne Gate'y obejmujące więcej niż jedną partycję zostaną przecięte.

Uwaga: Argument observables funkcji partition_problem jest typu PauliList. Współczynniki i fazy składników obserwowalnych są ignorowane podczas dekompozycji problemu i wykonywania podeksperymentów. Mogą zostać ponownie zastosowane podczas rekonstrukcji wartości oczekiwanej.

from qiskit_addon_cutting import partition_problem

partitioned_problem = partition_problem(
    circuit=qc, partition_labels="AABB", observables=observable.paulis
)
subcircuits = partitioned_problem.subcircuits
subobservables = partitioned_problem.subobservables
bases = partitioned_problem.bases

Wizualizacja zdekompozycjonowanego problemu

subobservables

{'A': PauliList(['II', 'ZI', 'ZZ', 'XI', 'ZZ', 'IX']),
 'B': PauliList(['ZZ', 'IZ', 'II', 'XI', 'ZI', 'IX'])}

subcircuits["A"].draw("mpl", scale=0.8)

subcircuits["B"].draw("mpl", scale=0.8)

Obliczenie narzutu próbkowania dla wybranych cięć

W tym miejscu tniemy dwa Gate'y CNOT, co skutkuje narzutem próbkowania wynoszącym $9^2$.

Więcej informacji na temat narzutu próbkowania wynikającego z cięcia Circuit znajdziesz w materiałach objaśniających.

import numpy as np

print(f"Sampling overhead: {np.prod([basis.overhead for basis in bases])}")

Sampling overhead: 81.0

Generowanie podeksperymentów do uruchomienia na Backend

generate_cutting_experiments przyjmuje argumenty circuits/observables jako słowniki mapujące etykiety partycji Qubitów na odpowiednie subcircuit/subobservables.

Aby zasymulować wartość oczekiwaną pełnowymiarowego Circuit, z rozkładu quasi-prawdopodobieństwa zdekompozycjonowanych Gate'ów generowanych jest wiele podeksperymentów, które następnie są wykonywane na jednym lub kilku Backend. Liczba próbek pobieranych z rozkładu jest kontrolowana przez num_samples, a dla każdej unikalnej próbki podawany jest jeden łączny współczynnik. Więcej informacji na temat sposobu obliczania współczynników znajdziesz w materiałach objaśniających.

from qiskit_addon_cutting import generate_cutting_experiments

subexperiments, coefficients = generate_cutting_experiments(
    circuits=subcircuits, observables=subobservables, num_samples=np.inf
)

Wybór Backend

Używamy tutaj fałszywego Backend, co spowoduje uruchomienie Qiskit Runtime w trybie lokalnym (tj. na lokalnym symulatorze).

from qiskit_ibm_runtime.fake_provider import FakeManilaV2

backend = FakeManilaV2()

Przygotowanie podeksperymentów dla Backend

Przed przesłaniem Circuit do Qiskit Runtime musimy je transpilować, podając nasz Backend jako cel.

from qiskit.transpiler import generate_preset_pass_manager

# Transpile the subexperiments to ISA circuits
pass_manager = generate_preset_pass_manager(optimization_level=1, backend=backend)
isa_subexperiments = {
    label: pass_manager.run(partition_subexpts)
    for label, partition_subexpts in subexperiments.items()
}

Krok 3: Wykonanie

Uruchamianie podeksperymentów przy użyciu prymitywu Sampler Qiskit Runtime

from qiskit_ibm_runtime import SamplerV2, Batch

# Submit each partition's subexperiments to the Qiskit Runtime Sampler
# primitive, in a single batch so that the jobs will run back-to-back.
with Batch(backend=backend) as batch:
    sampler = SamplerV2(mode=batch)
    jobs = {
        label: sampler.run(subsystem_subexpts, shots=2**12)
        for label, subsystem_subexpts in isa_subexperiments.items()
    }

/home/garrison/Qiskit/qiskit-ibm-runtime/qiskit_ibm_runtime/session.py:157: UserWarning: Session is not supported in local testing mode or when using a simulator.
  warnings.warn(

# Retrieve results
results = {label: job.result() for label, job in jobs.items()}

Krok 4: Przetwarzanie końcowe

Rekonstrukcja wartości oczekiwanej

Zrekonstruuj wartości oczekiwane dla każdego składnika obserwowalnej i połącz je, aby zrekonstruować wartość oczekiwaną dla pierwotnej obserwowalnej.

from qiskit_addon_cutting import reconstruct_expectation_values

# Get expectation values for each observable term
reconstructed_expval_terms = reconstruct_expectation_values(
    results,
    coefficients,
    subobservables,
)

# Reconstruct final expectation value
reconstructed_expval = np.dot(reconstructed_expval_terms, observable.coeffs)

Porównanie zrekonstruowanej wartości oczekiwanej z dokładną wartością oczekiwaną z pierwotnego Circuit i obserwowalnej

from qiskit_aer.primitives import EstimatorV2

estimator = EstimatorV2()
exact_expval = estimator.run([(qc, observable)]).result()[0].data.evs
print(f"Reconstructed expectation value: {np.real(np.round(reconstructed_expval, 8))}")
print(f"Exact expectation value: {np.round(exact_expval, 8)}")
print(f"Error in estimation: {np.real(np.round(reconstructed_expval-exact_expval, 8))}")
print(
    f"Relative error in estimation: {np.real(np.round((reconstructed_expval-exact_expval) / exact_expval, 8))}"
)

Reconstructed expectation value: 0.6991539
Exact expectation value: 0.56254612
Error in estimation: 0.13660778
Relative error in estimation: 0.24283836