Mga modernong workflow

Tinalakay sa kursong ito ang malawak na hanay ng mga paraan para harapin ang quantum noise at mga error. Sinadya naming iwasan ang ilang black-box na solusyon para makita namin kung paano gumagana ang mga paraang ito. Handa na tayong gamitin ang mga paraang ito sa pinakamodernong anyo nila. Partikular, tinutuklas natin ang ilang lubos na na-optimize na tool sa paghawak ng error na nagtatago ng bahagi ng pagiging kumplikado mula sa atin. Tinutuklas din natin ang Samplomatic at mga addon tulad ng shaded lightcones (SLC), na nagbibigay sa atin ng napakahusay na kontrol sa ilang proseso ng mitigation.

Sa video na ito, nagbibigay si Dr. Chris Porter ng pangkalahatang-ideya ng mga modernong tool na ito. Plano naming magdagdag ng mga halimbawang workflow sa lesson na ito sa susunod na panahon. Gayunpaman, naglalaman na ang lesson na ito ng lahat ng impormasyong kailangan mo para gamitin ang mga tool na ito at para pumasa sa badging exam.

Pangkalahatang-ideya

Ang mga naunang IBM Quantum primitive, tulad ng Estimator at Sampler, ay nagbigay ng error mitigation sa pamamagitan ng kaunting bilang ng mga preset na antas. Ang mga sumunod na release ay nagbigay ng mas direktang kontrol sa mga indibidwal na technique, kasama ang mga pagpipilian ng estratehiya ng zero-noise extrapolation, mga configuration ng Pauli twirling, at mga parameter ng randomization. Gayunpaman, nanatiling pangkalahatan ang mga setting na ito at pantay na inilalapat sa buong circuit.

Habang nagiging mas sopistikado ang mga quantum workload, mas kailangan ng mga developer na iangkop ang mga estratehiya sa execution at mitigation sa mga partikular na rehiyon ng isang circuit. Binabalangkas ng sumusunod na diagram ang ilang pangunahing tool na tinatalakay ng lesson na ito, at ipinapakita kung saan sila nababagay sa isang karaniwang workflow.

Tinutugunan ng directed execution model ang pangangailangan para sa modular na kontrol sa execution, at isinasama nito ang marami sa mga tool na ito.

Directed execution model

Sa halip na gumawa ng mga implicit na desisyon sa execution, sinusunod ng directed execution model ang mga direktibang ibinigay ng user. Pinapabuti ng paraang ito ang transparency at ginagawang mas madaling siyasatin at i-debug ang mga masalimuot na workflow. Ilan sa mga pangunahing tampok ng model na ito ay:

• Per-layer na configuration sa pamamagitan ng mga may-label na rehiyon ng circuit

• Pagtukoy sa mga natatangi at paulit-ulit na layer para sa mahusay na noise learning

• Mga batched execution workflow

• Structured na post-processing

• Malapit na integration sa mga addon tulad ng shaded lightcones

Binuo ang model sa paligid ng dalawang pangunahing component:

• Samplomatic, na tumutukoy sa mga execution recipe

• Executor, na nagsasagawa ng mga recipe na iyon at nagbabalik ng mga sample

Karamihan sa mga workflow na gumagamit ng Executor ay maaari ring ipatupad gamit ang Sampler, dahil pareho silang gumagawa ng mga sample sa huli. Ang pangunahing bentahe ng Executor ay ang kahusayan. Ang mga gawain tulad ng pagbuo ng mga configuration ng twirling ay madalas na mas mabilis sa server-side near-time na kapaligiran kaysa sa client. Sinusuportahan pa rin ang Estimator at Sampler, at maaaring ang mga ito pa rin ang pinakamadaling piliin para sa maraming workload.

Bago ang execution, gayunpaman, kailangan mong bumuo at ihanda ang isang circuit. Nagbibigay ang Qiskit ng ilang addon na tumutulong sa pagbuo, simulation, at optimization ng circuit. Para sa karagdagang impormasyon tungkol sa alinman sa mga sumusunod na tool, sundan ang mga link.

Bumuo ng mga quantum circuit

Para sa ilang aplikasyon o bagong approach, kailangang tukuyin ng mga user kung paano i-map ang kanilang problema sa isang quantum circuit. Sa maraming domain, gayunpaman, maaaring i-automate ng mga Qiskit addon ang mahahalagang bahagi ng prosesong ito.

Optimization mapper

Tinutulungan ng Optimization mapper na ipahayag ang mga classical optimization problem sa mga anyong angkop para sa mga quantum algorithm. Kasama sa mga pangunahing functionality ang:

• Bumuo ng mga objective function at constraint

• I-convert ang mga problema sa mga QUBO formulation

• Bumuo ng mga representasyon ng Hamiltonian o operator

Fermionic mapper

Fermionic mapper ang nagko-convert ng mga fermionic operator tungo sa mga qubit operator na angkop para sa quantum hardware. Sinusuportahan nito ang mga mapping tulad ng Jordan-Wigner, na kino-convert ang mga operator sa mga indistinguishable na fermion tungo sa mga Pauli operator sa mga distinguishable na qubit, habang pinapanatili ang fermionic statistics. Kapaki-pakinabang ang addon na ito para sa mga aplikasyon sa quantum chemistry at materials science.

Nakatuon ang naunang dalawang addon sa paunang pag-map ng istruktura ng problema sa isang quantum circuit. Pantay na mahalaga, gayunpaman, ang mahusay na pag-map ng time evolution ng isang proseso sa isang quantum circuit, at ang pag-optimize ng isang circuit sa pamamagitan ng pagbabawas ng depth nito. Tinutugunan ng susunod na ilang addon ang mga gawaing ito.

Multi-product formulas (MPF)

Pinapabuti ng Multi-product formulas ang katumpakan ng mga simulation ng quantum time-evolution sa pamamagitan ng pagsasama ng maraming approximation. Partikular, gumagawa ka ng mga circuit na may iba't ibang bilang ng mga Trotter step, para magamit mo ang weighted na kombinasyon ng mga resulta ng circuit. Para sa isang ibinigay na target na katumpakan, madalas na makakagamit ang MPF ng mas mababaw na circuit kaysa sa mga karaniwang paraan ng Trotter. Ang kapalit ay kailangan mong magpatakbo ng maraming circuit at pagsamahin ang mga resulta nila nang classical.

AQC-Tensor

Nagsasagawa ang AQC-Tensor ng approximate quantum compilation gamit ang mga paraan ng tensor-network. Karaniwang gamit nito ang pagpapalit ng bahagi ng isang malalim na circuit ng mas mababaw na variational approximation. Ang nagreresultang circuit ay maaaring makamit ang katulad na katumpakan na may mas kaunting depth.

Transpilation

Ilang beses mo nang nagamit ang transpilation sa kursong ito. Alam mong pagkatapos buuin ang isang abstract circuit, kailangan itong ihanda para sa execution sa hardware. Gayunpaman, hindi pa natin natutuklasan nang detalyado ang iba't ibang yugto ng transpilation.

Kasama sa mga pangunahing yugto ng transpilation ang:

• Layout: i-map ang mga logical qubit sa mga physical qubit

• Translation: isulat muli ang mga operasyon gamit ang native gate set ng backend

• Routing: magpasok at mag-optimize ng mga SWAP operation na kailangan ng hardware connectivity

Magkakaugnay ang mga prosesong ito. Halimbawa, dapat paliitin ng layout ang depth kahit na isinasaalang-alang na ang routing. Dapat ding iwasan ng layout ang mga qubit at koneksyong pinakamadaling magkaroon ng error. Madalas na awtomatiko ang mga yugtong ito, ngunit maaaring piliin ng mga advanced na user na tukuyin ang mga custom na layout o iba pang constraint kapag kinakailangan.

Para matuto pa tungkol sa transpilation, tingnan ang gabay na Introduction to transpilation.

Suriin ang pag-unawa mo

Tingnan ang sumusunod na quantum circuit, at ipagpalagay na kailangan mo itong patakbuhin sa isang quantum computer na may heavy-hex layout, na bahagi nito ang ipinapakita. (a) Magmungkahi ng mapping mula sa mga numero ng qubit sa abstract circuit tungo sa mga numero ng qubit sa pisikal na quantum computer na pinakamaliit ang bilang ng kinakailangang SWAP gate. (b) Natatangi ba ang napili mo, o may iba pa bang pantay na mahuhusay na pagpipilian? (c) Kahit na ang napili mo ang nag-iisang pinakamainam na layout para bawasan ang mga SWAP gate, ano ang ilang dahilan kung bakit maaaring pumili ang transpiler ng ibang mapping?

Sagot

(a) Maaaring maraming tamang sagot, ngunit tandaan na ang abstract qubit 0 lamang ang may entangling (two-qubit) gate sa tatlong kapitbahay. Ang lahat ng iba ay lumalahok sa mga two-qubit na operasyon sa dalawang kapitbahay lamang. Maaaring i-map ang circuit na ito sa isang heavy-hex topology nang walang anumang SWAP gate. Katanggap-tanggap ang anumang layout na nakakamit nito. Gamit ang $\text{aq[0]}$ para tukuyin ang abstract qubit zero, at $\text{tq[0]}$ para sa transpiled qubit zero, isang ganitong layout ay:

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[15],}\\ \text{aq[1]} & \rightarrow \text{tq[16],}\\ \text{aq[2]} & \rightarrow \text{tq[19],}\\ \text{aq[3]} & \rightarrow \text{tq[14],}\\ \text{aq[4]} & \rightarrow \text{tq[17],}\\ \text{aq[5]} & \rightarrow \text{tq[25]} \end{aligned}$$

(b) Hindi natatangi ang layout na ito. Maraming ibang layout ang umiiwas sa mga SWAP gate nang buo. Isa pang halimbawa ay:

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[3],}\\ \text{aq[1]} & \rightarrow \text{tq[4],}\\ \text{aq[2]} & \rightarrow \text{tq[8],}\\ \text{aq[3]} & \rightarrow \text{tq[2],}\\ \text{aq[4]} & \rightarrow \text{tq[5],}\\ \text{aq[5]} & \rightarrow \text{tq[13]} \end{aligned}$$

(c) Minsan, mas madaling magkaroon ng error ang isang partikular na qubit kaysa sa karamihan ng iba pa sa chip. Gayundin, mas madaling magkaroon ng error ang ilang koneksyon sa pagitan ng mga qubit kaysa sa iba. Sinusubukan ng transpiler na maghanap ng layout na umiiwas sa mga di-kinakailangang SWAP gate, ngunit gumagamit din ng mga qubit at koneksyong may pinakamataas na fidelity na available sa napiling quantum computer.

Bawasan ang mga epekto ng noise at mga error

Ilang Qiskit addon ang partikular na nakatuon sa pagbabawas ng epekto ng noise at mga di-perpektong hardware.

Operator backpropagation at noise-aware na mga circuit transformation

Tinalakay na natin ang operator propagation sa konteksto ng coherent Pauli check sa error correction. Gayunpaman, kapaki-pakinabang ang operator propagation sa mas pangkalahatang paraan. May dalawang pangunahing paraan ng paggamit sa propagation ng isang operator sa isang quantum circuit: (1) sipsipin ang huling ilang layer ng isang quantum circuit sa mga observable na sinusukat, at (2) isaalang-alang ang malamang na epekto ng mga error sa circuit, at bawiin ang mga ito sa pamamagitan ng pagsukat ng ibang observable. Gumagamit ang susunod na dalawang tool ng mga approach na ito.

Operator backpropagation

Binabawasan ng Operator backpropagation ang depth ng circuit sa pamamagitan ng pagsipsip ng mga gate mula sa dulo ng circuit sa sinusukat na observable. Halimbawa, isaalang-alang ang sumusunod na circuit.

Naglalaman ang circuit na ito ng mga rotation at entangling layer na mukhang hindi simple, na sinusundan ng isang ladder ng mga CNOT gate at isang pagsukat ng Z sa qubit 5. May two-qubit depth na 7 ang circuit na ito. Ang depth na ito ay bago ang transpilation. Sa praktika, karaniwan mong inilalapat ang backpropagation pagkatapos ng transpilation, ngunit para sa layuning pang-turo lamang ang halimbawang ito. Tandaan na may mga patakaran para sa pag-propagate ng isang observable lampas sa isang gate. Partikular, kapag ang isang CNOT gate ay may target na $q_t$ at control na $q_c$, ang isang observable na $Z_t$ sa $q_t$ ay nagiging $Z_c Z_t$ kapag na-propagate pabalik lampas sa CNOT gate: $Z_t \rightarrow Z_c Z_t$. Sa halimbawang circuit na ito, kung i-propagate mo ang observable na $Z_5$ pabalik sa buong ladder ng mga CNOT gate, makukuha mo ang observable na $Z_5 Z_4 Z_3 Z_2 Z_1 Z_0$, o sa karaniwang notasyon ng Qiskit, simpleng $ZZZZZZ$. Kung susukatin natin ang observable na ito sa halip na $Z_5$ lamang, maaari nating alisin ang buong ladder ng mga CNOT gate, na nagbabawas sa two-qubit depth mula 7 tungong 2. Nangangailangan pa rin ang observable na ito ng pagsukat sa isang basis lamang sa bawat qubit, kaya hindi nito dinadagdagan ang bilang ng mga shot na kailangan natin. Hindi ito laging ganito. Sa pangkalahatan, mas maraming shot ang kailangan ng mas masalimuot na mga observable, at minsan mas maraming pagsukat sa iba't ibang basis.

Kasama sa pangkalahatang estratehiya ng operator backpropagation ang mga sumusunod na hakbang:

• Paikliin ang isinasagawang circuit

• Palitan ang orihinal na observable ng pinalawak na observable

• Ipagpalit ang depth ng circuit sa dagdag na pangangailangan sa sampling

Malinaw na halimbawa ang naunang circuit kung saan kapaki-pakinabang ang backpropagation. Sa pangkalahatan, gayunpaman, hindi madaling tukuyin ang mga circuit na pinakamaraming makukuhang pakinabang sa backpropagation. Para magpasya kung kailan gagamit ng backpropagation, tingnan kung gaano karaming depth ang maaalis mo sa iyong circuit, at timbangin ang pagbabawas na iyon laban sa dagdag na pangangailangan sa sampling.

Propagated noise absorption (PNA)

Katulad ang Propagated noise absorption sa istruktura ng operator backpropagation. Gayunpaman, sa halip na i-propagate ang isang operator pabalik sa mga ideal na gate sa isang circuit, isinasama ng PNA ang isang natutunang noise model at direktang ipino-propagate ang mga epekto ng noise sa observable. Ginagawa ng PNA ang sumusunod:

• Natututo ng noise behavior mula sa hardware

• Ipino-propagate ang noise model sa circuit

• Gumagawa ng binagong observable na bumabawi sa gate noise

Kapag sinukat ang binagong observable sa maingay na hardware, mas lumalapit ang mga nagreresultang expectation value sa ideal na resultang walang noise. May dalawang uri ng overhead ang PNA. Una, kailangan mong matutunan ang noise model, na nangangailangan ng pagpapatakbo ng mga karagdagang circuit. Pangalawa, maaaring gumawa ang PNA ng mas masalimuot na mga observable, na maaaring magpataas ng pangangailangan sa sampling.

Circuit cutting

Hinahati ng Circuit cutting ang isang malaking circuit sa mas maliliit na subcircuit na maaaring tumakbo nang magkakahiwalay. Pagkatapos ay gumagawa ka ng sapat na mga pagsukat para pagsamahin muli ang mga resulta. Ginagawa ng circuit cutting ang sumusunod:

• Binabawasan ang mga pangangailangan sa hardware

• Nagpapahintulot ng mga computation na mas malaki kaysa sa available na bilang ng qubit (mas malalapad na circuit)

• Tumutulong tugunan ang mga limitasyon sa depth at connectivity (mas malalalim na circuit)

• Binubuo muli ang orihinal na resulta sa pamamagitan ng classical na post-processing

Samplomatic

Marami sa mga technique sa mga naunang seksyon ay umaakma sa iba pang paraan ng suppression at mitigation na tinalakay sa buong kursong ito, kabilang ang:

• Dynamical decoupling

• Pauli twirling

• M3

• TREX

• Zero-noise extrapolation (ZNE)

• Probabilistic error cancellation (PEC)

Sa maraming workflow, maaari kang maglapat ng iba't ibang technique sa iba't ibang rehiyon ng iisang circuit. Tulad ng nakita natin, may kasamang quantum overhead ang marami sa mga technique na ito. Kaya minsan kailangan natin ng pino at detalyadong kontrol sa noise learning, sampling, at paglalapat ng mga twirling sequence. Ito ang ilan sa mga motibasyon sa likod ng Samplomatic.

Ang Samplomatic ay isang open-source na library na nagbibigay-daan sa customized na sampling, randomization, at mga workflow ng error-mitigation.

Ang unang gawain nito ay suriin ang isang circuit at hatiin ito sa mga may-label na rehiyon, o box. May dalawang layunin ang mga box na ito:

• Biswal nilang hinahati ang circuit.

• Gumagawa sila ng mga naka-index na rehiyon na maaaring i-configure nang hiwalay.

Maaaring maglakip ang mga user ng mga annotation na naglalarawan kung paano dapat tratuhin ang bawat box habang nag-eexecute. Kabilang sa mga halimbawa ang:

• Paglalapat ng Pauli twirling sa lahat ng box

• Paglalapat ng twirling sa mga napiling box lamang

• Paggamit ng iba't ibang twirling group sa iba't ibang rehiyon

• Pag-inject ng natutunang noise sa mga partikular na layer

• Pag-customize ng mga estratehiya sa mitigation sa napakadetalyadong antas

Kinikilala rin ng Samplomatic ang mga paulit-ulit na boxed na rehiyon. Dahil karaniwang magkakapareho ang katangian ng noise ng magkakaparehong layer, kailangan mo lang gawin ang noise learning nang isang beses para sa bawat natatanging layer.

Mga output ng Samplomatic

Dalawang pangunahing object ang nililikha ng Samplomatic:

• Template circuit

• Samplex

Ang template circuit ay isang boxed, transpiled, at parameterized na circuit na handa nang i-execute. Taglay ng samplex ang lahat ng impormasyong kailangan para makabuo at magproseso ng mga variant ng circuit. Kasama sa laman ng samplex ang mga sumusunod:

• Mga halaga ng parameter para sa mga parameterized na circuit

• Mga napiling randomization

• Mga sampling distribution

• Impormasyon para sa post-processing

• Karagdagang metadata ng execution

Pormal na pagsasabi, ang samplex ay isang probability distribution sa mga parameter ng isang template circuit, kasama ang karagdagang impormasyong kailangan para sa execution at post-processing. Isang mahalagang praktikal na bentahe na parehong nililikha nang lokal sa client side ang template circuit at ang samplex. Dahil dito, maaari mo silang suriin, i-validate, at i-debug bago ka gumamit ng anumang hardware resource.

Maraming benepisyo ang Samplomatic, kabilang ang napakadetalyadong kontrol sa adaptive shot allocation at randomization. May mga benepisyo rin ito sa lohistika, tulad ng mga structured na workflow sa post-processing. Isa sa pinakamahalagang benepisyo ang muling paggamit ng natutunang impormasyon tungkol sa noise sa magkakaparehong layer, na makakatipid ng malaking oras sa quantum computing habang nag-noise learning.

Shaded lightcones

Bago ka magpasya kung saan ilalapat ang mamahaling mga teknik sa mitigation, nakakatulong na tukuyin ang mga rehiyon ng circuit na pinakamahalaga sa observable na sinusukat. Ito ang dahilan ng addon na shaded lightcones. Ang ideya ng lightcone ay galing sa relativity, kung saan nililimitahan ng may hangganang bilis ng paglalakbay ng impormasyon ang mga ugnayang sanhi.

May katulad na konsepto sa mga quantum circuit.

Isipin ang isang malaking circuit na ang interesado ka lang ay isang low-weight na observable. Ang low-weight na observable ay kumikilos nang hindi trivial sa ilang qubit lang. Interesado ang marami sa mga low-weight na observable sa iba't ibang dahilan. Halimbawa, maaari silang kumatawan sa mga sumusunod:

• Mga indibidwal na term sa loob ng mas malaking Hamiltonian

• Isang naka-localize na rehiyon ng interaksyon

• Impormasyong naipon sa maliit na hanay ng mga ancilla qubit

• Iba pang observable na may kinalaman sa ilang qubit lang

Hindi lahat ng error sa circuit ay makakaapekto sa resulta ng pagsukat. Totoo ito lalo na sa mga Pauli error, o anumang error na maaaring i-model bilang hanay ng mga Pauli operation. Halimbawa, tingnan ang sumusunod na circuit:

Hindi maaapektuhan ng Pauli error sa qubit 0 sa huling layer ang pagsukat sa qubit 6, dahil walang nag-uugnay na gate na maaaring magpalaganap ng error mula qubit 0 papunta sa qubit 6. Tandaan na hindi ito naaangkop sa ilang non-unitary na error. Halimbawa, ang T1-like na transition papunta sa ground state sa qubit 0 ay nagko-collapse sa qubit 0 sa isang computational basis state. Kung dating entangled ang qubit 0 at 6 (gaya sa circuit na ito), maaaring maapektuhan ng non-unitary na error sa qubit 0 ang qubit 6. Nakatuon ang sumusunod na talakayan sa mga error na maaaring katawanin bilang mga Pauli operation, o bilang probabilistic na halo ng mga Pauli operation.

Sa huling layer, tanging ang Pauli error sa qubit 5 o qubit 6 ang direktang makakaapekto sa pagsukat sa qubit 6.

Sa entangling layer bago nito, naka-entangle ang qubit 5 at 6 sa qubit 4 at 7, ayon sa pagkakasunod. Kaya sa entangling layer na iyon o bago lang nito, maaaring makaapekto sa susunod na pagsukat ang Pauli error sa alinman sa apat na qubit na iyon. Maaari mong ipagpatuloy ang pagsubaybay pabalik sa circuit para mahanap ang subset ng mga gate at qubit na may ugnayang sanhi sa pagsukat. Bumubuo ang sanhing hanay na ito ng rehiyong hugis-cone sa espasyo (mga qubit) at oras (mga layer), kaya tinawag itong lightcone. Iba-iba ang eksaktong hugis ng rehiyon sa bawat circuit. Dahil nakasalalay ang pagsusuring ito sa hardware connectivity at paglalagay ng gate, pinakamakatulong ito pagkatapos ng transpilation, routing, at layout optimization.

Higit pa sa causal connectivity

Pinalalawak ng shaded lightcones ang ideyang ito sa pamamagitan din ng pagsasaalang-alang kung anong mga uri ng error ang mahalaga.

Halimbawa, tandaan ang mga sumusunod:

• Walang epekto sa resulta ng pagsukat ang Z error bago mismo ang Z-basis na pagsukat.

• Maaaring baguhin nang malaki ang resulta ng X error bago mismo ang Z-basis na pagsukat.

Kaya may mga uri ng error na nangangailangan ng mas maraming pagsisikap sa mitigation kaysa sa iba. Malaki ang naibabawas ng pagkakaibang ito sa overhead ng mga teknik tulad ng PEC. Sa praktika, gumagawa ang addon ng hiwalay na sensitivity analysis para sa bawat isa sa mga sumusunod na uri ng error:

• X errors

• Z errors

• Mga Y error (o XZ hanggang sa phase)

Karaniwang magkakaiba ang hitsura ng error sensitivity na ito para sa bawat uri ng error, dahil magkakaiba ang epekto ng mga error na may ugnayang sanhi sa pagsukat. Tandaan din na nagbabago ang sensitivity sa buong circuit. Ang X error bago mismo ang pagsukat ay maaaring lubhang nakakasira, habang ang error na nangyari ilang layer na ang nakaraan ay maaaring mas maliit ang epekto matapos itong kumalat sa isang lubhang entangled na estado.

Kinukwantipika ng shaded lightcones ang pagkakaibang ito sa pamamagitan ng pagtatalaga ng sensitivity value sa mga posibleng error sa buong circuit.

Ipinapakita ng mga resultang mapa ang mga sumusunod:

• Kung saan mahalaga ang mga error

• Kung aling mga uri ng error ang mahalaga

• Gaano kalakas ang impluwensya nila sa huling observable

Hindi mismo nagmi-mitigate ng mga error ang shaded lightcones, pero makakatulong ang mga ito na itutok ang pagsisikap sa mitigation kung saan pinakamalaki ang benepisyo.

Mag-learn at mag-inject ng noise

Matapos mabuo, ma-optimize, at ma-annotate ang isang circuit, may dalawang magkaagapay na gawaing natitira: ang pag-learn ng noise, at ang paggamit ng noise model (halimbawa, para mag-inject ng noise o magpalaganap ng mga epekto ng noise).

NoiseLearnerV3

Ang NoiseLearnerV3 ang kasalukuyang tool para sa noise learning. Ang naunang interface na NoiseLearner ay tumatanggap ng buong circuit at gumagawa ng mga Pauli-Lindblad noise model. Sa halip, direktang gumagana ang NoiseLearnerV3 sa mga boxed na circuit instruction. Sa madaling sabi, ginagawa ng NoiseLearnerV3 ang mga sumusunod:

• Tumatanggap ng mga koleksyon ng may-label na circuit layer

• Muling ginagamit ang impormasyon mula sa mga paulit-ulit na layer

• Sumusuporta sa pag-learn ng measurement noise

• Sumusuporta sa post-processing ng mga natutunang model

• Nagbibigay-daan sa mga workflow ng noise injection at scaling

Malapit na umaayon ang disenyong ito sa layer-oriented na workflow ng Samplomatic. Sa partikular, ginagamit ng NoiseLearnerV3 ang mga sumusunod na paraan para sa bawat instruction set:

• Pauli-Lindblad learning para sa mga gate operation

• TREX-based na learning para sa mga pagsukat

Maaari mo nang gamitin ang natutunang noise model sa maraming paraang napag-usapan na natin. Halimbawa, tandaan na ang zero-noise extrapolation (ZNE) na may gate folding ay maaaring humantong sa mga circuit na napakalalim na hindi na kayang gawin. Ang alternatibong paraan para i-scale ang noise sa kasong iyon ay ang pag-sample mula sa kilalang noise model, na epektibong nagpapataas ng antas ng noise, kahit sa mga hindi buong salik. Ang paraang ito, ang probabilistic error amplification (PEA), ay magandang halimbawa kung paano mo magagamit ang noise model para i-mitigate ang mga error. Kailangan din ang mahusay na noise model para sa probabilistic error cancellation (PEC) at propagated noise absorption (PNA).

Sa madaling sabi, sa mataas na kalidad na noise model, nagiging programmable na resource ang noise sa halip na pinagmumulan lang ng error.

Shaded lightcones laban sa NoiseLearnerV3

Magkaugnay na mabuti ang NoiseLearnerV3 at SLC, pero magkaiba ang mga input nila at iba ang mga tanong na sinasagot. Tinutukoy ng SLC kung saan itutuon ang pagsisikap sa mitigation. Tinutukoy naman ng NoiseLearnerV3 ang aktwal na noise sa mga rehiyong iyon. Magkaiba rin ang uri ng overhead ng dalawang prosesong ito. Binubuod ng sumusunod na talahanayan ang mga pagkakaibang ito.

	Shaded lightcones	NoiseLearnerV3
Layunin	Tinutukoy kung saan mahalaga ang mitigation	Inaaral kung paano kumikilos ang mga error
Overhead	Pangunahing classical na overhead	Nangangailangan ng mga hardware execution
Output	Gumagawa ng mga sensitivity map	Gumagawa ng mga paglalarawan ng noise channel
Input	Gumagamit ng istruktura ng circuit at operator propagation	Gumagamit ng istruktura ng circuit at eksperimental na hardware data

Executor at runtime execution

Ginagawa ng Executor ang huling hakbang ng execution. Maaari itong gumana sa alinman sa mga sumusunod na input:

• Isang template circuit at samplex na nilikha ng Samplomatic

• Isang karaniwang quantum circuit na walang Samplomatic

Dahil sa kakayahang umangkop na ito, maaari kang gumamit ng kasing dami o kasing konti ng mga bahagi ng directed execution workflow ayon sa kailangan mo.

Malapit na gumagana ang Executor kasama ng Samplomatic, na namamahala sa mga pagpili sa randomization, shot allocation, mga pagpili sa noise-injection, at kaugnay na metadata ng execution, gaya ng inilarawan kanina.

Para sa mga praktikal na halimbawa ng directed execution model, tingnan ang gabay na Directed execution model pati na rin ang mga tutorial at dokumentasyon ng Qiskit addon sa IBM Quantum® Platform.

Konklusyon

Lalong umaasa ang mga makabagong quantum workflow sa koleksyon ng magkaagapay na mga tool sa halip na iisang execution primitive.

Sinusuportahan ng mga tool na ito ang bawat yugto ng workflow:

• Pagmamapa ng problema

• Pagbuo ng circuit

• Transpilation at optimization

• Error suppression

• Error mitigation

• Noise learning

• Structured na execution

• Post-processing

Sama-sama, ang mga tool tulad ng Samplomatic, Executor, NoiseLearnerV3, shaded lightcones, propagated noise absorption, circuit cutting, at AQC-Tensor ay nagbibigay ng mas malaking kontrol kumpara sa mga naunang execution model.

Patuloy na mabilis na umuunlad ang larangan. Habang lumalaki at mas nagiging konektado ang mga quantum processor, malamang na lalong magiging mahalaga ang mga teknik na ito sa pagkamit ng kapaki-pakinabang na quantum advantage, at sa huli ay sa maayos na pagsasama sa mga fault-tolerant quantum computing workflow.