Qiskit addons

September 2026

Tools baru telah dibangun di atas kerangka directed execution model yang dirilis awal tahun ini:
- qiskit-noise-learning adalah toolkit untuk karakterisasi noise kuantum berbasis randomisasi. Kamu bisa memakainya untuk menyusun eksperimen noise-learning khusus, memvalidasinya dengan simulasi lokal, dan menganalisis hasil mentahnya.
- qiskit-mitigation adalah paket metode mitigasi error kuantum untuk membangun pipeline mitigasi dengan execution model yang baru. Paket ini mencakup implementasi metode-metode terkenal, termasuk PEC, PEA, TREX, dan ZNE berbasis gate-folding, serta post-selection untuk menyaring error non-Markovian.

Qiskit Fermions merilis versi pertamanya bulan ini! Paket ini menyediakan tools untuk bekerja dengan sistem fermionik, termasuk membangun operator dan Circuit fermionik, mengimplementasikan encoding fermion-ke-qubit, dan sintesis Circuit lewat integrasi Qiskit Transpiler. Qiskit Fermions bisa dipakai bersama tools pelengkap lain di ekosistem, seperti ffsim (lihat dokumentasi dan blog ini untuk informasi lebih lanjut) dan SQD addon, untuk membangun alur kerja canggih bagi sistem fermionik.

Memperkenalkan Qiskit Paulice: addon baru yang mengintegrasikan deteksi error kuantum dengan overhead rendah ke dalam Circuit kuantum untuk meningkatkan fidelitas distribusi yang diukur. Addon ini menyediakan akses single-shot ke state kuantum sehingga bisa digunakan baik dalam alur kerja berbasis sampling maupun berbasis nilai ekspektasi. Lihat blog dan dokumentasi untuk mengetahui cara memulai hari ini.

Kami baru saja merilis dua addon baru yang menggunakan sumber daya klasik untuk mengurangi sumber daya kuantum yang dibutuhkan untuk mitigasi error:
- Propagated noise absorption (PNA) adalah teknik untuk memitigasi error pada nilai ekspektasi dengan menyerap invers dari kanal noise yang dipelajari ke dalam observable menggunakan propagasi Pauli.
- Addon Shaded lightcones (SLC) menggunakan simulasi klasik untuk membatasi sensitivitas terhadap error di seluruh Circuit secara lebih ketat. Ini memungkinkan penerapan Probabilistic Error Cancellation (PEC) yang lebih efisien dan tertarget dengan varians yang berkurang.