Mitigasi kesalahan tensor-network (TEM): Qiskit Function oleh Algorithmiq

Catatan

Qiskit Functions adalah fitur eksperimental yang hanya tersedia untuk pengguna IBM Quantum® Premium Plan, Flex Plan, dan On-Prem (via IBM Quantum Platform API) Plan. Fitur ini berada dalam status rilis pratinjau dan dapat berubah sewaktu-waktu.

Versi paket

Kode di halaman ini dikembangkan menggunakan persyaratan berikut. Kami merekomendasikan penggunaan versi ini atau yang lebih baru.

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

Ikhtisar

Metode Tensor-network Error Mitigation (TEM) dari Algorithmiq adalah algoritma hybrid quantum-klasik yang dirancang untuk melakukan mitigasi noise sepenuhnya di tahap pasca-pemrosesan klasik. Dengan TEM, pengguna dapat menghitung nilai ekspektasi dari observable dengan memitigasi kesalahan akibat noise yang tak terhindarkan pada perangkat keras kuantum, dengan akurasi yang lebih tinggi dan efisiensi biaya yang lebih baik, menjadikannya pilihan yang sangat menarik bagi para peneliti kuantum maupun praktisi industri.

Metode ini terdiri dari membangun tensor network yang merepresentasikan invers dari kanal noise global yang memengaruhi keadaan prosesor kuantum, kemudian menerapkan peta tersebut pada hasil pengukuran yang informationally complete yang diperoleh dari keadaan bising untuk mendapatkan estimator yang tidak bias untuk observable.

Sebagai keunggulan, TEM memanfaatkan pengukuran yang informationally complete untuk memberikan akses ke sejumlah besar nilai ekspektasi observable yang telah dimitigasi, dan memiliki overhead sampling yang optimal pada perangkat keras kuantum, seperti yang dijelaskan dalam Filippov et al. (2023), arXiv:2307.11740, dan Filippov et al. (2024), arXiv:2403.13542. Overhead pengukuran mengacu pada jumlah pengukuran tambahan yang diperlukan untuk melakukan mitigasi kesalahan yang efisien, faktor kritis dalam kelayakan komputasi kuantum. Oleh karena itu, TEM berpotensi untuk memungkinkan keunggulan kuantum dalam skenario yang kompleks, seperti aplikasi di bidang quantum chaos, fisika many-body, dinamika Hubbard, dan simulasi kimia molekul kecil.

Fitur dan manfaat utama TEM dapat dirangkum sebagai berikut:

1. Overhead pengukuran yang optimal: TEM optimal terhadap batas teoritis, yang berarti tidak ada metode lain yang dapat mencapai overhead pengukuran yang lebih kecil. Dengan kata lain, TEM membutuhkan jumlah pengukuran tambahan minimum untuk melakukan mitigasi kesalahan. Hal ini berarti TEM menggunakan runtime kuantum yang minimal.
2. Efisiensi biaya: Karena TEM menangani mitigasi noise sepenuhnya di tahap pasca-pemrosesan, tidak perlu menambahkan Circuit tambahan ke komputer kuantum, yang tidak hanya membuat komputasi lebih murah tetapi juga mengurangi risiko munculnya kesalahan tambahan akibat ketidaksempurnaan perangkat kuantum.
3. Estimasi beberapa observable: Berkat pengukuran yang informationally complete, TEM secara efisien mengestimasi beberapa observable dengan data pengukuran yang sama dari komputer kuantum.
4. Mitigasi kesalahan pengukuran: Qiskit Function TEM juga mencakup metode mitigasi kesalahan pengukuran yang dipatenkan yang mampu secara signifikan mengurangi kesalahan readout setelah proses kalibrasi singkat.
5. Akurasi: TEM secara signifikan meningkatkan akurasi dan keandalan simulasi kuantum digital, membuat algoritma kuantum lebih presisi dan dapat diandalkan.

Deskripsi

Fungsi TEM memungkinkan kamu mendapatkan nilai ekspektasi yang telah dimitigasi untuk beberapa observable pada Circuit kuantum dengan overhead sampling yang minimal. Circuit diukur dengan positive operator-valued measure (IC-POVM) yang informationally complete, dan hasil pengukuran yang dikumpulkan diproses pada komputer klasik. Pengukuran ini digunakan untuk menerapkan metode tensor network dan membangun peta inversi noise. Fungsi ini menerapkan peta yang sepenuhnya membalik seluruh Circuit bising menggunakan tensor network untuk merepresentasikan lapisan-lapisan bising.

Setelah Circuit dikirimkan ke fungsi, Circuit tersebut ditranspilasi dan dioptimalkan untuk meminimalkan jumlah lapisan dengan Gate dua-Qubit (Gate yang lebih bising pada perangkat kuantum). Noise yang memengaruhi lapisan-lapisan tersebut dipelajari melalui Qiskit Runtime menggunakan model noise sparse Pauli-Lindblad seperti yang dijelaskan dalam E. van den Berg, Z. Minev, A. Kandala, K. Temme, Nat. Phys. (2023). arXiv:2201.09866.

Model noise merupakan deskripsi yang akurat tentang noise pada perangkat yang mampu menangkap fitur-fitur halus, termasuk crosstalk antar Qubit. Namun, noise pada perangkat dapat berfluktuasi dan bergeser, sehingga noise yang dipelajari mungkin tidak akurat pada saat estimasi dilakukan. Hal ini dapat mengakibatkan hasil yang tidak akurat.

Mulai

Autentikasi menggunakan kunci API IBM Quantum Platform kamu, dan pilih fungsi TEM sebagai berikut. (Cuplikan ini mengasumsikan kamu sudah menyimpan akun ke lingkungan lokal kamu.)

# 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)

Contoh

Cuplikan berikut menunjukkan contoh di mana TEM digunakan untuk menghitung nilai ekspektasi dari sebuah observable pada Circuit kuantum sederhana.

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)

Gunakan Qiskit Serverless APIs untuk memeriksa status workload Qiskit Function kamu:

print(job.status())

QUEUED

Kamu bisa mendapatkan hasilnya seperti berikut:

result = job.result()
evs = result[0].data.evs

info

Nilai ekspektasi untuk Circuit tanpa noise untuk operator yang diberikan seharusnya sekitar 0.18409094298943401.

Input

Parameter

Nama	Tipe	Deskripsi	Wajib	Default	Contoh
pubs	Iterable[EstimatorPubLike]	Iterable dari objek mirip PUB (primitive unified bloc), seperti tuple (circuit, observables) atau (circuit, observables, parameters, precision). Lihat Ikhtisar PUB untuk informasi lebih lanjut. Jika Circuit non-ISA diberikan, Circuit tersebut akan ditranspilasi dengan pengaturan optimal. Jika Circuit ISA diberikan, Circuit tidak akan ditranspilasi; dalam kasus ini, observable harus didefinisikan pada seluruh QPU.	Ya	N/A	(circuit, observables)
backend_name	str	Nama Backend untuk menjalankan query.	Tidak	Jika tidak disediakan, Backend yang paling tidak sibuk akan digunakan.	"ibm_fez"
options	dict	Opsi input. Lihat bagian Options untuk detail lebih lanjut.	Tidak	Lihat bagian Options untuk detail lebih lanjut.	{"max_bond_dimension": 100\}

perhatian

TEM saat ini memiliki keterbatasan berikut:

• Circuit dengan parameter tidak didukung. Argumen parameters harus diset ke None jika precision ditentukan. Pembatasan ini akan dihapus pada versi mendatang.
• Hanya Circuit tanpa loop yang didukung. Pembatasan ini akan dihapus pada versi mendatang.
• Gate non-unitary, seperti reset, measure, dan semua bentuk control flow tidak didukung. Dukungan untuk reset akan ditambahkan di rilis mendatang.

Opsi

Kamus yang berisi opsi lanjutan untuk TEM. Kamus tersebut dapat berisi kunci-kunci pada tabel berikut. Jika ada opsi yang tidak disediakan, nilai default yang tercantum dalam tabel akan digunakan. Nilai default sudah baik untuk penggunaan TEM yang umum.

Nama	Pilihan	Deskripsi	Default
tem_max_bond_dimension	int	Dimensi bond maksimum yang akan digunakan untuk tensor network.	500
tem_compression_cutoff	float	Nilai cutoff yang akan digunakan untuk tensor network.	1e-16
compute_shadows_bias_from_observable	bool	Flag boolean yang menunjukkan apakah bias untuk protokol pengukuran classical shadows harus disesuaikan dengan observable PUB atau tidak. Jika False, protokol classical shadows (probabilitas yang sama untuk mengukur Z, X, Y) akan digunakan.	False
shadows_bias	np.ndarray	Bias yang akan digunakan untuk protokol pengukuran classical shadows teracak, array 1d atau 2d berukuran 3 atau berbentuk (num_qubits, 3). Urutan adalah ZXY	np.array([1 / 3, 1 / 3, 1 / 3])
max_execution_time	int atau None	Waktu eksekusi maksimum pada QPU dalam detik. Jika runtime melebihi nilai ini, job akan dibatalkan. Jika None, batas default yang ditetapkan oleh Qiskit Runtime akan berlaku.	None
num_randomizations	int	Jumlah randomisasi yang akan digunakan untuk pembelajaran noise dan gate twirling.	32
max_layers_to_learn	int	Jumlah maksimum lapisan unik yang akan dipelajari.	4
mitigate_readout_error	bool	Flag boolean yang menunjukkan apakah mitigasi kesalahan readout akan dilakukan atau tidak.	True
num_readout_calibration_shots	int	Jumlah shot yang akan digunakan untuk mitigasi kesalahan readout.	10000
default_precision	float	Presisi default yang akan digunakan untuk PUB yang tidak ditentukan presisinya.	0.02
seed	int atau None	Menetapkan seed generator angka acak untuk reproduktibilitas. Jika None, seed tidak ditetapkan.	None

Output

Sebuah Qiskit PrimitiveResults yang berisi hasil yang dimitigasi oleh TEM. Hasil untuk setiap PUB dikembalikan sebagai PubResult yang berisi field-field berikut:

Nama	Tipe	Deskripsi
data	DataBin	Sebuah Qiskit DataBin yang berisi observable yang dimitigasi TEM dan standard error-nya. DataBin memiliki field-field berikut: evs: Nilai observable yang dimitigasi TEM. stds: Standard error dari observable yang dimitigasi TEM.
metadata	dict	Kamus yang berisi hasil tambahan. Kamus tersebut mengandung kunci-kunci berikut: "evs_non_mitigated": Nilai observable tanpa mitigasi kesalahan. "stds_non_mitigated": Standard error dari hasil tanpa mitigasi kesalahan. "evs_mitigated_no_readout_mitigation": Nilai observable dengan mitigasi kesalahan tetapi tanpa mitigasi kesalahan readout. "stds_mitigated_no_readout_mitigation": Standard error dari hasil dengan mitigasi kesalahan tetapi tanpa mitigasi kesalahan readout. "evs_non_mitigated_with_readout_mitigation": Nilai observable tanpa mitigasi kesalahan tetapi dengan mitigasi kesalahan readout. "stds_non_mitigated_with_readout_mitigation": Standard error dari hasil tanpa mitigasi kesalahan tetapi dengan mitigasi kesalahan readout.

Mengambil pesan kesalahan

Jika status workload kamu adalah ERROR, gunakan job.result() untuk mengambil pesan kesalahan sebagai berikut:

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}}})

Dapatkan dukungan

Hubungi qiskit_ibm@algorithmiq.fi

Pastikan untuk menyertakan informasi berikut:

• ID Job Qiskit Function (qiskit-ibm-catalog), job.job_id
• Deskripsi terperinci tentang masalah
• Pesan atau kode kesalahan yang relevan
• Langkah-langkah untuk mereproduksi masalah

Langkah selanjutnya

Rekomendasi

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