Tensor-network error mitigation (TEM): Isang Qiskit Function ng Algorithmiq

Tandaan

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.

Mga bersyon ng package

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]~=2.3.0
qiskit-ibm-catalog~=0.11.0

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:

1. 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.
2. 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.
3. 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.
4. 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.
5. Katumpakan: Ang TEM ay malaki ang naiaambag sa katumpakan at pagiging maaasahan ng 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_torino"

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

impormasyon

Ang inaasahang halaga para sa noiseless Circuit para sa ibinigay na operator ay dapat na mga 0.18409094298943401.

Mga Input

Mga Parameter

Pangalan	Uri	Paglalarawan	Kinakailangan	Default	Halimbawa
pubs	Iterable[EstimatorPubLike]	Isang iterable ng mga PUB-like (primitive unified bloc) na object, tulad ng mga tuple na (circuit, observables) o (circuit, observables, parameters, precision). Tingnan ang Pangkalahatang-ideya ng mga PUB para sa karagdagang impormasyon. Kung ipinasa ang isang non-ISA Circuit, ito ay ita-transpile gamit ang mga pinakamainam na setting. Kung ipinasa ang isang ISA Circuit, hindi ito ita-transpile; sa kasong ito, ang observable ay dapat na tinukoy sa buong QPU.	Oo	N/A	(circuit, observables)
backend_name	str	Pangalan ng Backend na gagamitin para sa query.	Hindi	Kung hindi ibinigay, gagamitin ang pinaka-hindi abala na Backend.	"ibm_fez"
options	dict	Mga input na opsyon. Tingnan ang seksyong Options para sa karagdagang detalye.	Hindi	Tingnan ang seksyong Options para sa karagdagang detalye.	{"max_bond_dimension": 100\}

babala

Ang TEM ay kasalukuyang may mga sumusunod na limitasyon:

• Hindi sinusuportahan ang mga parametrized Circuit. Ang arguments na parameter ay dapat itakda sa None kung tinukoy ang precision. Aalisin ang limitasyong ito sa mga susunod na bersyon.
• Sinusuportahan lamang ang mga Circuit na walang loops. Aalisin ang limitasyong ito sa mga susunod na bersyon.
• Hindi sinusuportahan ang mga non-unitary Gate, tulad ng reset, measure, at lahat ng uri ng control flow. Idadagdag ang suporta para sa reset sa mga paparating na release.

Mga Opsyon

Isang dictionary na naglalaman ng mga advanced na opsyon para sa TEM. Ang dictionary ay maaaring maglaman ng mga key sa sumusunod na talahanayan. Kung hindi ibinibigay ang alinman sa mga opsyon, gagamitin ang default na halaga na nakalista sa talahanayan. Ang mga default na halaga ay angkop para sa karaniwang paggamit ng TEM.

Pangalan	Mga Pagpipilian	Paglalarawan	Default
tem_max_bond_dimension	int	Ang maximum bond dimension na gagamitin para sa mga tensor network.	500
tem_compression_cutoff	float	Ang cutoff na halaga na gagamitin para sa mga tensor network.	1e-16
compute_shadows_bias_from_observable	bool	Isang boolean flag na nagpapahiwatig kung ang bias para sa classical shadows measurement protocol ay dapat i-tailor sa PUB observable o hindi. Kung False, gagamitin ang classical shadows protocol (pantay na posibilidad ng pagsukat ng Z, X, Y).	False
shadows_bias	np.ndarray	Ang bias na gagamitin para sa randomized classical shadows measurement protocol, isang 1d o 2d array na may laki na 3 o hugis (num_qubits, 3) ayon sa pagkakabanggit. Ang order ay ZXY	np.array([1 / 3, 1 / 3, 1 / 3])
max_execution_time	int o None	Ang maximum na oras ng pagpapatakbo sa QPU sa mga segundo. Kung lalampas ang runtime sa halagang ito, makakansela ang job. Kung None, ilalapat ang default na limitasyon na itinakda ng Qiskit Runtime.	None
num_randomizations	int	Ang bilang ng mga randomization na gagamitin para sa noise learning at gate twirling.	32
max_layers_to_learn	int	Ang maximum na bilang ng mga natatanging layer na matututunan.	4
mitigate_readout_error	bool	Isang Boolean flag na nagpapahiwatig kung isasagawa ang readout error mitigation o hindi.	True
num_readout_calibration_shots	int	Ang bilang ng mga shot na gagamitin para sa readout error mitigation.	10000
default_precision	float	Ang default na precision na gagamitin para sa mga PUB na hindi tinukoy ang precision.	0.02
seed	int o None	Itakda ang seed ng random number generator para sa reproducibility. Kung None, huwag itakda ang seed.	None

Mga Output

Isang Qiskit PrimitiveResults na naglalaman ng TEM-mitigated na resulta. Ang resulta para sa bawat PUB ay ibinalik bilang isang PubResult na naglalaman ng mga sumusunod na field:

Pangalan	Uri	Paglalarawan
data	DataBin	Isang Qiskit DataBin na naglalaman ng TEM mitigated observable at ng standard error nito. Ang DataBin ay may mga sumusunod na field: evs: Ang TEM-mitigated na halaga ng observable. stds: Ang standard error ng TEM-mitigated na observable.
metadata	dict	Isang dictionary na naglalaman ng mga karagdagang resulta. Ang dictionary ay naglalaman ng mga sumusunod na key: "evs_non_mitigated": Ang halaga ng observable nang walang error mitigation. "stds_non_mitigated": Ang standard error ng resulta nang walang error mitigation. "evs_mitigated_no_readout_mitigation": Ang halaga ng observable na may error mitigation ngunit walang readout error mitigation. "stds_mitigated_no_readout_mitigation": Ang standard error ng resulta na may error mitigation ngunit walang readout error mitigation. "evs_non_mitigated_with_readout_mitigation": Ang halaga ng observable nang walang error mitigation ngunit may readout error mitigation. "stds_non_mitigated_with_readout_mitigation": Ang standard error ng resulta nang walang error mitigation ngunit may readout error mitigation.

Pagkuha ng mga mensahe ng error

Kung ang status ng iyong workload ay ERROR, gamitin ang job.result() para makuha ang mensahe ng error tulad ng sumusunod:

print(job.result())

PrimitiveResult([PubResult(data=DataBin(evs=np.ndarray(<shape=(1,), dtype=float64>), stds=np.ndarray(<shape=(1,), dtype=float64>)), metadata={'evs_non_mitigated': array([-0.06314623]), 'stds_non_mitigated': array([0.05917147]), 'evs_mitigated_no_readout_mitigation': array([-0.06411205]), 'stds_mitigated_no_readout_mitigation': array([0.05992467]), 'evs_non_mitigated_with_readout_mitigation': array([-0.07028881]), 'stds_non_mitigated_with_readout_mitigation': array([0.06353934])})], metadata={'resource_usage': {'RUNNING: OPTIMIZING_FOR_HARDWARE': {'CPU_TIME': 0.915754}, 'RUNNING: WAITING_FOR_QPU': {'CPU_TIME': 18.804865}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 10.433445}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 159.0}}})

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

Mga Rekomendasyon

• Humingi ng access sa Algorithmiq Tensor-network error mitigation
• Suriin ang Filippov, S., et al. (2023). Scalable tensor-network error mitigation for near-term quantum computing. arXiv preprint arXiv:2307.11740.
• Suriin ang Filippov, S., et al. (2024). Scalability of quantum error mitigation techniques: from utility to advantage. arXiv preprint arXiv:2403.13542.
• Suriin ang Fischer, E. F., et al. (2024). Dynamical simulations of many-body quantum chaos on a quantum computer. arXiv preprint arXiv:2411.00765.