Mulai pakai primitives

Model eksekusi baru, sekarang dalam rilis beta

Rilis beta dari model eksekusi baru kini tersedia. Model directed execution memberikan fleksibilitas lebih saat menyesuaikan alur kerja mitigasi error kamu. Lihat panduan Directed execution model untuk informasi lebih lanjut.

catatan

Meskipun dokumentasi ini menggunakan primitives dari Qiskit Runtime yang memungkinkan kamu memakai backend IBM®, primitives juga bisa dijalankan di provider mana pun dengan menggunakan backend primitives sebagai gantinya. Selain itu, kamu bisa menggunakan primitives reference untuk dijalankan di simulator statevector lokal. Lihat Exact simulation with Qiskit primitives untuk detailnya.

# Added by doQumentation — required packages for this notebook
!pip install -q numpy qiskit qiskit-ibm-runtime

Langkah-langkah di topik ini menjelaskan cara mengatur primitives, mengeksplorasi opsi yang bisa kamu gunakan untuk mengonfigurasinya, dan memanggilnya dalam sebuah program.

Menggunakan Fractional Gates

Untuk menggunakan fractional gates yang baru didukung, atur use_fractional_gates=True saat meminta backend dari instance QiskitRuntimeService. Contohnya:

service = QiskitRuntimeService()
fractional_gate_backend = service.least_busy(use_fractional_gates=True)

Perlu dicatat bahwa ini adalah fitur eksperimental dan mungkin berubah di masa depan.

Versi paket

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

qiskit[all]~=2.3.0
qiskit-ibm-runtime~=0.43.1

Mulai pakai Estimator

1. Inisialisasi akun

Karena Qiskit Runtime Estimator adalah layanan terkelola, kamu perlu menginisialisasi akun terlebih dahulu. Setelah itu, kamu bisa memilih QPU yang ingin digunakan untuk menghitung nilai ekspektasi.

Ikuti langkah-langkah di topik Install and set up jika kamu belum punya akun.

from qiskit_ibm_runtime import QiskitRuntimeService

service = QiskitRuntimeService()
backend = service.least_busy(
    operational=True, simulator=False, min_num_qubits=127
)

print(backend.name)

ibm_torino

2. Buat Circuit dan observable

Kamu butuh setidaknya satu Circuit dan satu observable sebagai input ke primitive Estimator.

from qiskit.circuit.library import qaoa_ansatz
from qiskit.quantum_info import SparsePauliOp

entanglement = [tuple(edge) for edge in backend.coupling_map.get_edges()]
observable = SparsePauliOp.from_sparse_list(
    [("ZZ", [i, j], 0.5) for i, j in entanglement],
    num_qubits=backend.num_qubits,
)
circuit = qaoa_ansatz(observable, reps=2)
# the circuit is parametrized, so we will define the parameter values for execution
param_values = [0.1, 0.2, 0.3, 0.4]

print(f">>> Observable: {observable.paulis}")

>>> Observable: ['IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...',
 'IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII...', ...]

Circuit dan observable perlu diubah agar hanya menggunakan instruksi yang didukung oleh QPU (disebut sebagai sirkuit instruction set architecture (ISA)). Kita akan menggunakan Transpiler untuk melakukannya.

from qiskit.transpiler import generate_preset_pass_manager

pm = generate_preset_pass_manager(optimization_level=1, backend=backend)
isa_circuit = pm.run(circuit)
isa_observable = observable.apply_layout(isa_circuit.layout)
print(f">>> Circuit ops (ISA): {isa_circuit.count_ops()}")

>>> Circuit ops (ISA): OrderedDict([('rz', 3826), ('sx', 1601), ('cz', 968)])

3. Inisialisasi Qiskit Runtime Estimator

Saat menginisialisasi Estimator, gunakan parameter mode untuk menentukan mode yang ingin digunakan. Nilai yang bisa dipakai adalah objek batch, session, atau backend untuk mode eksekusi batch, session, dan job masing-masing. Untuk informasi lebih lanjut, lihat Pengantar mode eksekusi Qiskit Runtime.

from qiskit_ibm_runtime import EstimatorV2 as Estimator

estimator = Estimator(mode=backend)

4. Panggil Estimator dan ambil hasilnya

Selanjutnya, panggil metode run() untuk menghitung nilai ekspektasi dari Circuit dan observable yang diberikan. Circuit, observable, dan kumpulan nilai parameter opsional dimasukkan sebagai tuple primitive unified bloc (PUB).

job = estimator.run([(isa_circuit, isa_observable, param_values)])
print(f">>> Job ID: {job.job_id()}")
print(f">>> Job Status: {job.status()}")

>>> Job ID: d5k96c4jt3vs73ds5smg

>>> Job Status: QUEUED

result = job.result()
print(f">>> {result}")
print(f"  > Expectation value: {result[0].data.evs}")
print(f"  > Metadata: {result[0].metadata}")

>>> PrimitiveResult([PubResult(data=DataBin(evs=np.ndarray(<shape=(), dtype=float64>), stds=np.ndarray(<shape=(), dtype=float64>), ensemble_standard_error=np.ndarray(<shape=(), dtype=float64>)), metadata={'shots': 4096, 'target_precision': 0.015625, 'circuit_metadata': {}, 'resilience': {}, 'num_randomizations': 32})], metadata={'dynamical_decoupling': {'enable': False, 'sequence_type': 'XX', 'extra_slack_distribution': 'middle', 'scheduling_method': 'alap'}, 'twirling': {'enable_gates': False, 'enable_measure': True, 'num_randomizations': 'auto', 'shots_per_randomization': 'auto', 'interleave_randomizations': True, 'strategy': 'active-accum'}, 'resilience': {'measure_mitigation': True, 'zne_mitigation': False, 'pec_mitigation': False}, 'version': 2})
  > Expectation value: 25.8930784649363
  > Metadata: {'shots': 4096, 'target_precision': 0.015625, 'circuit_metadata': {}, 'resilience': {}, 'num_randomizations': 32}

Mulai pakai Sampler

1. Inisialisasi akun

Karena Qiskit Runtime Sampler adalah layanan terkelola, kamu perlu menginisialisasi akun terlebih dahulu. Setelah itu, kamu bisa memilih QPU yang ingin digunakan untuk menghitung nilai ekspektasi.

Ikuti langkah-langkah di topik Install and set up jika kamu belum punya akun yang terdaftar.

from qiskit_ibm_runtime import QiskitRuntimeService

service = QiskitRuntimeService()
backend = service.least_busy(
    operational=True, simulator=False, min_num_qubits=127
)

2. Buat Circuit

Kamu butuh setidaknya satu Circuit sebagai input ke primitive Sampler.

import numpy as np
from qiskit.circuit.library import efficient_su2

circuit = efficient_su2(127, entanglement="linear")
circuit.measure_all()
# The circuit is parametrized, so we will define the parameter values for execution
param_values = np.random.rand(circuit.num_parameters)

Gunakan Transpiler untuk mendapatkan Circuit ISA.

from qiskit.transpiler import generate_preset_pass_manager

pm = generate_preset_pass_manager(optimization_level=1, backend=backend)
isa_circuit = pm.run(circuit)
print(f">>> Circuit ops (ISA): {isa_circuit.count_ops()}")

>>> Circuit ops (ISA): OrderedDict([('sx', 3089), ('rz', 3036), ('cz', 1092), ('measure', 127), ('barrier', 1)])

3. Inisialisasi Qiskit Runtime Sampler

Saat menginisialisasi Sampler, gunakan parameter mode untuk menentukan mode yang ingin digunakan. Nilai yang bisa dipakai adalah objek batch, session, atau backend untuk mode eksekusi batch, session, dan job masing-masing. Untuk informasi lebih lanjut, lihat Pengantar mode eksekusi Qiskit Runtime. Perlu dicatat bahwa pengguna Open Plan tidak bisa mengirim job session.

from qiskit_ibm_runtime import SamplerV2 as Sampler

sampler = Sampler(mode=backend)

4. Panggil Sampler dan ambil hasilnya

Selanjutnya, panggil metode run() untuk menghasilkan output. Circuit dan kumpulan nilai parameter opsional dimasukkan sebagai tuple primitive unified bloc (PUB).

job = sampler.run([(isa_circuit, param_values)])
print(f">>> Job ID: {job.job_id()}")
print(f">>> Job Status: {job.status()}")

>>> Job ID: d5k96rsjt3vs73ds5tig
>>> Job Status: QUEUED

result = job.result()

# Get results for the first (and only) PUB
pub_result = result[0]
print(
    f"First ten results for the 'meas' output register: {pub_result.data.meas.get_bitstrings()[:10]}"
)

First ten results for the 'meas' output register: ['0101001101010000011001110001011000010010001100001000100110011111011110000010110001101000110011101010000100011011000110101111000', '0100111000000100110001100100000101111000111001101000110111101110110010010100001101001111001010011101010000010011000110000010001', '0101111101111111010011010101000000110100000010000010011101100011100011001100000100100001000101000000100001010101010011001101100', '1100110101111111001110010000010100101010101010001000001100100110011111010000000010001000110111010000010101100000100000110111001', '0010000001111001111010100100010111101000101000100000101100001000011100000100011010110110100011100110001001110110111101010011000', '0101110000001000100100010010100100111000010100000000010010000000010110010010000110000001110110010100000111001110100100111101100', '0100011111101001000111110011011101101101110101110001010111011101111110011101001000000001110000011110000101010000001010000100000', '0001010101011000110100000100111111100001011000111110000011000111001101010000010001001100000110000000100000110101010010101110010', '0100011010001110011110000110100101100100101001001111010100100101010100010000000010100000101010110010000000001000010101011111110', '0000011000000111000001000101111111110110101100110000001100010010011101011100001010000100011010001010001101000000000000010001001']

Mulai pakai backend primitives

Berbeda dari primitives yang spesifik ke provider tertentu, backend primitives adalah implementasi generik yang bisa digunakan dengan objek backend apa pun, selama mengimplementasikan antarmuka Backend.

• Primitive Sampler bisa dijalankan dengan provider mana pun menggunakan qiskit.primitives.BackendSamplerV2.
• Primitive Estimator bisa dijalankan dengan provider mana pun menggunakan qiskit.primitives.BackendEstimatorV2.

Beberapa provider mengimplementasikan primitives secara native. Lihat halaman Qiskit Ecosystem untuk detailnya.

Contoh: BackendEstimator

from qiskit.primitives import BackendEstimatorV2
from <some_qiskit_provider> import QiskitProvider

provider = QiskitProvider()
backend = provider.get_backend('backend_name')
estimator = BackendEstimatorV2(backend)

Contoh: BackendSampler

from qiskit.primitives import BackendSamplerV2
from <some_qiskit_provider> import QiskitProvider

provider = QiskitProvider()
backend = provider.get_backend('backend_name')
sampler = BackendSamplerV2(backend)

Kesamaan dan perbedaan antara backend dan Runtime primitives

• Input dan output dari qiskit.primitives.BackendSamplerV2 dan qiskit.primitives.BackendEstimatorV2 mengikuti format PUB yang sama seperti primitives di Qiskit Runtime. Lihat Primitive inputs and outputs untuk detailnya. Namun, bisa ada perbedaan pada field metadata yang dikembalikan.

• Kelas qiskit.primitives.BackendEstimatorV2 tidak menyediakan implementasi mitigasi error pengukuran atau gate secara bawaan, karena backend primitives dirancang untuk dijalankan secara lokal di mesin pengguna.

• Kelas qiskit.primitives.BackendSamplerV2 membutuhkan backend yang mendukung opsi memory.

• Antarmuka backend primitive mengekspos Options kustom untuk SamplerV2 dan EstimatorV2 yang berbeda dari implementasi Runtime.

Langkah selanjutnya

Rekomendasi

• Pelajari cara menguji secara lokal sebelum dijalankan di komputer kuantum.
• Tinjau contoh-contoh primitives secara mendetail.
• Berlatih dengan primitives melalui pelajaran Cost function di IBM Quantum Learning.
• Pelajari cara melakukan transpilasi secara lokal di bagian Transpile.
• Coba panduan Compare transpiler settings.
• Pelajari cara menggunakan opsi primitive.
• Lihat API untuk opsi Sampler dan Estimator.
• Baca Migrate to V2 primitives.