Tensor-network error mitigation (TEM): Isang Qiskit Function ng Algorithmiq
Tingnan ang API reference
Ang Qiskit Functions ay isang experimental na feature na available lamang sa mga gumagamit ng IBM Quantum® Premium Plan, Flex Plan, at On-Prem (sa pamamagitan ng IBM Quantum Platform API) Plan. Nasa preview release status pa ito at maaaring magbago.
Package versions
Ang code sa pahinang ito ay ginawa gamit ang mga sumusunod na kinakailangan. Inirerekomenda naming gamitin ang mga bersyong ito o mas bago pa.
qiskit[all]~=2.4.0
Pangkalahatang-ideya​
Ang Tensor-network Error Mitigation (TEM) method ng Algorithmiq ay isang hybrid quantum-classical algorithm na dinisenyo para sa pagsasagawa ng noise mitigation nang buo sa classical post-processing stage. Sa TEM, maaaring kalkulahin ng gumagamit ang mga expected value ng mga observable habang inaaayos ang mga hindi maiiwasang error na dulot ng ingay na nangyayari sa quantum hardware, na may mas mataas na katumpakan at kahusayan sa gastos — kaya naman ito ay isang napaka-kaakit-akit na pagpipilian para sa mga quantum researcher at mga practitioner sa industriya.
Ang paraan ay binubuo ng pagtatayo ng isang tensor network na kumakatawan sa kabaligtaran ng pandaigdigang noise channel na nakaka-apekto sa estado ng quantum processor, at pagkatapos ay inilalapat ang mapa sa mga informationally complete na measurement outcome na nakuha mula sa maingay na estado upang makakuha ng mga walang kinikilingang estimator para sa mga observable.
Bilang kalamangan, ginagamit ng TEM ang mga informationally complete na sukat upang magbigay ng access sa isang malawak na hanay ng mga mitigated expected value ng mga observable at mayroon itong pinakamainam na sampling overhead sa quantum hardware, ayon sa paglalarawan ni Filippov et al. (2023), arXiv:2307.11740, at Filippov et al. (2024), arXiv:2403.13542. Ang measurement overhead ay tumutukoy sa bilang ng karagdagang sukat na kailangan para magsagawa ng mahusay na error mitigation, isang kritikal na salik sa pagiging posible ng mga quantum computation. Kaya naman, ang TEM ay may potensyal na paganahin ang quantum advantage sa mga kumplikadong sitwasyon, tulad ng mga aplikasyon sa mga larangan ng quantum chaos, many-body physics, Hubbard dynamics, at mga simulation ng small molecule chemistry.
Ang mga pangunahing tampok at benepisyo ng TEM ay maaaring ibuod bilang:
- Pinakamainam na measurement overhead: Ang TEM ay optimal kaugnay ng mga theoretical bound, ibig sabihin, walang paraan ang makakamit ng mas maliit na measurement overhead. Sa madaling salita, ang TEM ay nangangailangan ng pinakamaliit na bilang ng karagdagang sukat para sa error mitigation. Nangangahulugan din ito na gumagamit ang TEM ng pinakamaliit na quantum runtime.
- Kahusayan sa gastos: Dahil ang TEM ay humahawak ng noise mitigation nang buo sa post-processing stage, walang pangangailangan na magdagdag ng mga karagdagang Circuit sa quantum computer, na hindi lamang nagpapamura ng kalkulasyon kundi nagbabawas din ng panganib ng pagdaragdag ng mga karagdagang error dahil sa mga pagkukulang ng quantum devices.
- Pagtatantya ng maraming observable: Salamat sa mga informationally-complete na sukat, mahusay na tinatantya ng TEM ang maraming observable gamit ang parehong measurement data mula sa quantum computer.
- Measurement error mitigation: Kasama rin sa TEM Qiskit Function ang isang proprietary measurement error mitigation method na kayang bawasan nang malaki ang mga readout error pagkatapos ng maikling calibration run.
- Katumpakan: Ang TEM ay malaki ang naiaambag sa katumpakan at pagiging maaasahan ng
- Request access to Algorithmiq Tensor-network error mitigation. See the API reference mga digital quantum simulation, na ginagawang mas tumpak at mapagkakatiwalaan ang mga quantum algorithm.
Paglalarawan​
Ang TEM function ay nagbibigay-daan sa iyo na makakuha ng mga error-mitigated expected value para sa maraming observable sa isang quantum Circuit na may minimal na sampling overhead. Ang Circuit ay sinusukat gamit ang isang informationally complete positive operator-valued measure (IC-POVM), at ang mga nakolektang measurement outcome ay pinoproseso sa isang classical computer. Ang sukat na ito ay ginagamit para magsagawa ng mga tensor network na paraan at bumuo ng noise-inversion map. Inilalapat ng function ang isang mapa na ganap na binabaligtad ang buong maingay na Circuit gamit ang mga tensor network upang kumatawan sa mga maingay na layer.
Kapag naisumite na ang mga Circuit sa function, sila ay ita-transpile at io-optimize upang mabawasan ang bilang ng mga layer na may two-qubit gates (ang mga Gate na mas maingay sa mga quantum device). Ang ingay na nakaka-apekto sa mga layer ay natututo sa pamamagitan ng Qiskit Runtime gamit ang isang sparse Pauli-Lindblad noise model ayon sa paglalarawan ni E. van den Berg, Z. Minev, A. Kandala, K. Temme, Nat. Phys. (2023). arXiv:2201.09866.
Ang noise model ay isang tumpak na paglalarawan ng ingay sa device na kayang makuha ang mga banayad na katangian, kabilang ang qubit cross-talk. Gayunpaman, ang ingay sa mga device ay maaaring mag-fluctuate at mag-drift at ang natutunan na ingay ay maaaring hindi tumpak sa oras na isinasagawa ang pagtatantya. Maaari itong magresulta sa mga hindi tumpak na resulta.
Pagsisimula​
Mag-authenticate gamit ang iyong IBM Quantum Platform API key, at piliin ang TEM function tulad ng sumusunod. (Ipinapalagay ng snippet na ito na na-save mo na ang iyong account sa iyong lokal na kapaligiran.)
# Added by doQumentation — required packages for this notebook
!pip install -q qiskit qiskit-ibm-catalog
from qiskit_ibm_catalog import QiskitFunctionsCatalog
tem_function_name = "algorithmiq/tem"
catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")
# Load your function
tem = catalog.load(tem_function_name)
Halimbawa​
Ipinapakita ng sumusunod na snippet ang isang halimbawa kung saan ginagamit ang TEM upang kalkulahin ang mga expected value ng isang observable sa isang simpleng quantum Circuit.
from qiskit import QuantumCircuit
from qiskit.quantum_info import SparsePauliOp
# Create a quantum circuit
qc = QuantumCircuit(3)
qc.u(0.4, 0.9, -0.3, 0)
qc.u(-0.4, 0.2, 1.3, 1)
qc.u(-1.2, -1.2, 0.3, 2)
for _ in range(2):
qc.barrier()
qc.cx(0, 1)
qc.cx(2, 1)
qc.barrier()
qc.u(0.4, 0.9, -0.3, 0)
qc.u(-0.4, 0.2, 1.3, 1)
qc.u(-1.2, -1.2, 0.3, 2)
# Define the observables
observable = SparsePauliOp("IYX", 1.0)
# Define the execution options
pub = (qc, [observable])
options = {"default_precision": 0.02}
# Define backend to use. TEM will choose the least-busy device reported by IBM if not specified
backend_name = "ibm_marrakesh"
# Run the TEM function (uses around three minutes of QPU time)
job = tem.run(pubs=[pub], backend_name=backend_name, options=options)
Gamitin ang mga Qiskit Serverless API upang suriin ang status ng iyong Qiskit Function workload:
print(job.status())
QUEUED
Maaari mong ibalik ang mga resulta tulad nito:
result = job.result()
evs = result[0].data.evs
print(evs[0])
0.02165380888171687
Ang inaasahang halaga para sa noiseless Circuit para sa ibinigay na operator ay dapat na mga 0.18409094298943401.
Humingi ng tulong​
Makipag-ugnayan sa qiskit_ibm@algorithmiq.fi
Tiyaking isama ang mga sumusunod na impormasyon:
- Qiskit Function Job ID (
qiskit-ibm-catalog),job.job_id - Isang detalyadong paglalarawan ng isyu
- Anumang kaugnay na mensahe o code ng error
- Mga hakbang upang maparami ang isyu
Mga susunod na hakbang​
- Humingi ng access sa Algorithmiq Tensor-network error mitigation.
- Bisitahin ang API reference para sa Qiskit Function na ito.