Workflow modern

Kursus ini sudah membahas beragam metode untuk menangani noise dan error kuantum. Kita sengaja menghindari beberapa solusi black-box supaya bisa melihat cara kerja metode-metode ini. Sekarang kita siap memakai metode-metode ini dalam bentuknya yang paling modern. Secara khusus, kita akan menjelajahi beberapa alat penanganan error yang sangat teroptimasi yang menyembunyikan sebagian kerumitan dari kita. Kita juga menjelajahi Samplomatic dan addon seperti shaded lightcones (SLC), yang memberi kita kendali sangat halus atas proses mitigasi tertentu.

Dalam video ini, Dr. Chris Porter memberi gambaran umum tentang alat-alat modern ini. Kami berencana menambahkan contoh workflow ke pelajaran ini di kemudian hari. Meski begitu, pelajaran ini sudah berisi semua informasi yang kamu butuhkan untuk memakai alat-alat ini dan lulus ujian badge.

Gambaran umum

Primitif IBM Quantum awal, seperti Estimator dan Sampler, menyediakan error mitigation lewat sejumlah kecil level preset. Rilis-rilis berikutnya memberi kendali yang lebih langsung atas masing-masing teknik, termasuk pilihan strategi zero-noise extrapolation, konfigurasi Pauli twirling, dan parameter randomisasi. Namun, pengaturan ini sebagian besar tetap bersifat global, dan diterapkan seragam ke seluruh circuit.

Seiring beban kerja kuantum makin canggih, developer makin membutuhkan kemampuan untuk menyesuaikan strategi eksekusi dan mitigasi dengan wilayah tertentu dalam circuit. Diagram berikut menguraikan beberapa alat utama yang dibahas di pelajaran ini, dan menunjukkan di mana posisinya dalam workflow yang umum.

Model eksekusi terarah menjawab kebutuhan akan kendali modular atas eksekusi, dan mengintegrasikan banyak alat ini.

Model eksekusi terarah

Alih-alih membuat keputusan eksekusi secara implisit, model eksekusi terarah mengikuti direktif yang diberikan pengguna. Pendekatan ini meningkatkan transparansi dan membuat workflow yang kompleks lebih mudah diperiksa dan di-debug. Beberapa fitur utama model ini meliputi:

• Konfigurasi per layer lewat wilayah circuit berlabel

• Identifikasi layer unik dan layer berulang untuk noise learning yang efisien

• Workflow eksekusi batch

• Post-processing terstruktur

• Integrasi erat dengan addon seperti shaded lightcones

Model ini dibangun di sekitar dua komponen utama:

• Samplomatic, yang mendefinisikan resep eksekusi

• Executor, yang menjalankan resep tersebut dan mengembalikan sampel

Sebagian besar workflow yang memakai Executor juga bisa diimplementasikan dengan Sampler, karena keduanya pada akhirnya menghasilkan sampel. Keunggulan utama Executor adalah efisiensi. Tugas seperti membuat konfigurasi twirling sering jauh lebih cepat di lingkungan near-time sisi server daripada di klien. Estimator dan Sampler tetap didukung, dan mungkin masih menjadi pilihan paling praktis untuk banyak beban kerja.

Namun, sebelum eksekusi, kamu harus menyusun dan menyiapkan circuit. Qiskit menyediakan beberapa addon yang membantu pembuatan, simulasi, dan optimasi circuit. Untuk informasi lebih lanjut tentang alat-alat berikut, ikuti tautannya.

Membangun circuit kuantum

Untuk beberapa aplikasi atau pendekatan baru, pengguna harus menentukan sendiri cara memetakan masalah mereka ke circuit kuantum. Namun di banyak domain, addon Qiskit bisa mengotomatiskan bagian-bagian penting dari proses ini.

Optimization mapper

Optimization mapper membantu menyatakan masalah optimasi klasik dalam bentuk yang cocok untuk algoritma kuantum. Fungsi utamanya meliputi:

• Menyusun fungsi objektif dan batasan

• Mengubah masalah menjadi formulasi QUBO

• Menghasilkan representasi Hamiltonian atau operator

Fermionic mapper

Fermionic mapper mengubah operator fermionik menjadi operator qubit yang cocok untuk hardware kuantum. Addon ini mendukung pemetaan seperti Jordan-Wigner, yang mengubah operator pada fermion yang tidak dapat dibedakan menjadi operator Pauli pada qubit yang dapat dibedakan, sambil mempertahankan statistik fermionik. Addon ini berguna untuk aplikasi kimia kuantum dan ilmu material.

Dua addon sebelumnya berfokus pada pemetaan awal struktur masalah ke circuit kuantum. Namun, sama pentingnya untuk memetakan evolusi waktu suatu proses ke circuit kuantum secara efisien, dan mengoptimalkan circuit dengan mengurangi depth-nya. Beberapa addon berikutnya menangani tugas-tugas ini.

Multi-product formulas (MPF)

Multi-product formulas meningkatkan akurasi simulasi evolusi waktu kuantum dengan menggabungkan beberapa aproksimasi. Secara khusus, kamu membuat circuit dengan jumlah langkah Trotter yang bervariasi, sehingga kamu bisa memakai kombinasi berbobot dari hasil circuit-circuit tersebut. Untuk target akurasi tertentu, MPF sering bisa memakai circuit yang lebih dangkal daripada metode Trotter standar. Harganya, kamu harus menjalankan beberapa circuit dan menggabungkan hasilnya secara klasik.

AQC-Tensor

AQC-Tensor melakukan approximate quantum compilation memakai metode tensor-network. Kasus penggunaan yang umum adalah mengganti sebagian circuit yang dalam dengan aproksimasi variasional yang lebih dangkal. Circuit yang dihasilkan bisa mencapai akurasi serupa dengan depth yang jauh lebih kecil.

Transpilation

Kamu sudah memakai transpilation berkali-kali di kursus ini. Kamu tahu bahwa setelah circuit abstrak disusun, circuit itu harus disiapkan untuk eksekusi di hardware. Namun, kita belum menjelajahi tahap-tahap transpilation secara rinci.

Tahap-tahap transpilation utama meliputi:

• Layout: memetakan qubit logis ke qubit fisik

• Translation: menulis ulang operasi memakai gate set native milik backend

• Routing: menyisipkan dan mengoptimalkan operasi SWAP yang diperlukan oleh konektivitas hardware

Proses-proses ini saling terkait. Misalnya, layout harus meminimalkan depth bahkan setelah routing diperhitungkan. Layout juga harus menghindari qubit dan koneksi yang paling rawan error. Tahap-tahap ini sering diotomatiskan, tetapi pengguna tingkat lanjut bisa memilih untuk menentukan layout kustom atau batasan lain bila perlu.

Untuk mempelajari transpilation lebih lanjut, lihat panduan Pengantar transpilation.

Cek pemahamanmu

Perhatikan circuit kuantum berikut, dan anggap kamu perlu menjalankannya di komputer kuantum dengan layout heavy-hex, yang sebagian ditunjukkan. (a) Usulkan pemetaan dari nomor qubit di circuit abstrak ke nomor qubit di komputer kuantum fisik yang meminimalkan jumlah gate SWAP yang diperlukan. (b) Apakah pilihanmu unik, atau mungkin ada pilihan lain yang sama baiknya? (c) Bahkan jika pilihanmu adalah satu-satunya layout optimal untuk mengurangi gate SWAP, apa saja alasan transpiler mungkin memilih pemetaan yang berbeda?

Jawaban

(a) Bisa ada banyak jawaban benar, tetapi perhatikan bahwa hanya qubit abstrak 0 yang memiliki gate entangling (dua qubit) dengan tiga tetangga. Semua yang lain hanya ikut dalam operasi dua qubit dengan dua tetangga. Circuit ini bisa dipetakan ke topologi heavy-hex tanpa gate SWAP sama sekali. Layout apa pun yang mencapai ini bisa diterima. Dengan memakai $\text{aq[0]}$ untuk merujuk ke qubit abstrak nol, dan $\text{tq[0]}$ untuk qubit hasil transpilation nol, salah satu layout tersebut adalah:

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

(b) Layout ini tidak unik. Banyak layout lain yang sama sekali menghindari gate SWAP. Contoh lainnya adalah:

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

(c) Terkadang qubit tertentu lebih rawan error daripada kebanyakan qubit lain di chip. Selain itu, beberapa koneksi antar qubit lebih rawan error daripada yang lain. Transpiler berusaha menemukan layout yang menghindari gate SWAP yang tidak perlu, tetapi juga memakai qubit dan koneksi dengan fidelitas tertinggi yang tersedia di komputer kuantum yang dipilih.

Mengurangi efek noise dan error

Beberapa addon Qiskit berfokus khusus pada pengurangan dampak noise dan ketidaksempurnaan hardware.

Operator backpropagation dan transformasi circuit sadar-noise

Kita sudah membahas propagasi operator dalam konteks coherent Pauli check pada koreksi error. Namun, propagasi operator berguna secara lebih umum. Ada dua cara utama memakai propagasi operator melalui circuit kuantum: (1) menyerap beberapa layer terakhir circuit kuantum ke dalam observable yang diukur, dan (2) memperhitungkan kemungkinan efek error dalam circuit, lalu mengompensasinya dengan mengukur observable yang berbeda. Dua alat berikutnya memakai pendekatan ini.

Operator backpropagation

Operator backpropagation mengurangi depth Circuit dengan menyerap gate dari ujung Circuit ke dalam observable yang diukur. Sebagai contoh, perhatikan Circuit berikut.

Circuit ini berisi layer rotasi dan entangling yang tampak tidak trivial, diikuti tangga gate CNOT dan pengukuran Z pada qubit 5. Circuit ini memiliki depth dua-qubit sebesar 7. Depth ini adalah sebelum transpilation. Dalam praktik, kamu biasanya menerapkan backpropagation setelah transpilation, tetapi contoh ini hanya untuk tujuan pengajaran. Ingat bahwa ada aturan untuk mempropagasikan observable melewati sebuah gate. Khususnya, ketika gate CNOT memiliki target $q_t$ dan kontrol $q_c$, observable $Z_t$ pada $q_t$ menjadi $Z_c Z_t$ ketika dipropagasikan mundur melewati gate CNOT: $Z_t \rightarrow Z_c Z_t$. Pada circuit contoh ini, jika kamu mempropagasikan observable $Z_5$ mundur melewati seluruh tangga gate CNOT, kamu mendapat observable $Z_5 Z_4 Z_3 Z_2 Z_1 Z_0$, atau dalam notasi Qiskit standar, cukup $ZZZZZZ$. Jika kita mengukur observable ini alih-alih hanya $Z_5$, kita bisa menghapus seluruh tangga gate CNOT, yang mengurangi depth dua-qubit dari 7 menjadi 2. Observable ini tetap hanya membutuhkan pengukuran dalam satu basis pada tiap qubit, sehingga tidak menambah jumlah shot yang kita butuhkan. Ini tidak selalu terjadi. Umumnya, observable yang lebih rumit membutuhkan lebih banyak shot, dan terkadang lebih banyak pengukuran dalam basis yang berbeda.

Strategi keseluruhan operator backpropagation mencakup langkah-langkah berikut:

• Memperpendek circuit yang dieksekusi

• Mengganti observable asli dengan observable yang diperluas

• Menukar depth circuit dengan kebutuhan sampling yang lebih besar

Circuit sebelumnya adalah contoh jelas di mana backpropagation menguntungkan. Namun secara umum, tidak mudah mengidentifikasi circuit yang paling diuntungkan oleh backpropagation. Untuk memutuskan kapan memakai backpropagation, periksa seberapa besar depth yang bisa kamu hapus dari circuit-mu, dan timbang pengurangan itu terhadap kebutuhan sampling yang meningkat.

Propagated noise absorption (PNA)

Propagated noise absorption secara struktur mirip dengan operator backpropagation. Namun, alih-alih mempropagasikan operator mundur melewati gate ideal dalam Circuit, PNA memasukkan model noise hasil pembelajaran dan mempropagasikan efek noise langsung ke dalam observable. PNA melakukan hal berikut:

• Mempelajari perilaku noise dari hardware

• Mempropagasikan model noise melalui circuit

• Menghasilkan observable yang dimodifikasi untuk mengompensasi noise gate

Ketika observable yang dimodifikasi diukur pada hardware yang noisy, nilai ekspektasi yang dihasilkan lebih mendekati hasil ideal tanpa noise. PNA memiliki dua jenis overhead. Pertama, kamu harus mempelajari model noise, yang membutuhkan penjalanan circuit tambahan. Kedua, PNA bisa menghasilkan observable yang lebih rumit, yang dapat meningkatkan kebutuhan sampling.

Circuit cutting

Circuit cutting membagi circuit besar menjadi subcircuit lebih kecil yang bisa berjalan secara independen. Kemudian kamu melakukan cukup banyak pengukuran untuk menggabungkan kembali hasilnya. Circuit cutting melakukan hal berikut:

• Mengurangi kebutuhan hardware

• Memungkinkan komputasi yang lebih besar daripada jumlah qubit yang tersedia (circuit yang lebih lebar)

• Membantu mengatasi keterbatasan depth dan konektivitas (circuit yang lebih dalam)

• Merekonstruksi hasil asli lewat post-processing klasik

Samplomatic

Banyak teknik di bagian sebelumnya melengkapi metode suppression dan mitigation lain yang dibahas di sepanjang kursus ini, termasuk:

• Dynamical decoupling

• Pauli twirling

• M3

• TREX

• Zero-noise extrapolation (ZNE)

• Probabilistic error cancellation (PEC)

Dalam banyak workflow, kamu bisa menerapkan teknik berbeda pada wilayah berbeda dari circuit yang sama. Seperti yang sudah kita lihat, banyak teknik ini juga datang dengan overhead kuantum. Karena itu, kita kadang membutuhkan kendali yang halus dan rinci atas noise learning, sampling, dan penerapan urutan twirling. Inilah sebagian motivasi di balik Samplomatic.

Samplomatic adalah library open-source yang memungkinkan workflow sampling, randomisasi, dan error mitigation yang dikustomisasi.

Tugas pertamanya adalah menganalisis circuit dan membaginya menjadi wilayah berlabel, atau box. Box-box ini punya dua tujuan:

• Mempartisi circuit secara visual.

• Membuat wilayah terindeks yang bisa dikonfigurasi secara independen.

Pengguna bisa menambahkan anotasi yang menjelaskan bagaimana tiap box harus diperlakukan selama eksekusi. Contohnya meliputi:

• Menerapkan Pauli twirling ke semua box

• Menerapkan twirling hanya ke box yang dipilih

• Memakai twirling group yang berbeda di wilayah yang berbeda

• Menyuntikkan noise hasil pembelajaran ke layer tertentu

• Menyesuaikan strategi mitigasi pada tingkat yang sangat halus

Samplomatic juga mengidentifikasi wilayah box yang berulang. Karena layer yang identik biasanya menunjukkan karakteristik noise yang serupa, kamu hanya perlu melakukan noise learning sekali untuk setiap layer unik.

Output Samplomatic

Samplomatic menghasilkan dua objek utama:

• Template circuit

• Samplex

Template circuit adalah circuit berparameter yang sudah di-box dan ditranspilasi, siap untuk dieksekusi. Samplex berisi semua informasi yang diperlukan untuk menghasilkan dan memproses varian circuit. Isi samplex meliputi:

• Nilai parameter untuk circuit berparameter

• Pilihan randomisasi

• Distribusi sampling

• Informasi post-processing

• Metadata eksekusi tambahan

Secara formal, samplex adalah distribusi probabilitas atas parameter-parameter template circuit, beserta informasi tambahan yang dibutuhkan untuk eksekusi dan post-processing. Keuntungan praktis yang penting adalah template circuit dan samplex sama-sama dibuat secara lokal di sisi klien. Jadi, kamu bisa memeriksa, memvalidasi, dan men-debug keduanya sebelum memakai sumber daya hardware apa pun.

Samplomatic punya banyak manfaat, termasuk kontrol yang sangat rinci atas alokasi shot adaptif dan randomisasi. Ia juga punya manfaat logistik, seperti alur kerja post-processing yang terstruktur. Salah satu manfaat terpentingnya adalah penggunaan ulang informasi noise yang sudah dipelajari di berbagai layer yang identik, yang bisa menghemat waktu komputasi kuantum dalam jumlah besar selama noise learning.

Shaded lightcones

Sebelum memutuskan di mana teknik mitigasi yang mahal akan diterapkan, ada baiknya mengidentifikasi bagian-bagian Circuit yang paling berpengaruh terhadap observable yang diukur. Kebutuhan inilah yang melatarbelakangi addon shaded lightcones. Konsep lightcone berasal dari relativitas, di mana hubungan sebab-akibat dibatasi oleh kecepatan terbatas yang bisa ditempuh informasi.

Konsep serupa berlaku pada circuit kuantum.

Bayangkan sebuah circuit besar yang hanya punya satu observable berbobot rendah yang menarik. Observable berbobot rendah hanya bekerja secara nontrivial pada beberapa qubit saja. Observable berbobot rendah menarik karena banyak alasan. Misalnya, mereka bisa merepresentasikan hal-hal berikut:

• Suku-suku individual dalam Hamiltonian yang lebih besar

• Wilayah interaksi yang terlokalisasi

• Informasi yang dikumpulkan pada sekumpulan kecil qubit ancilla

• Observable lain yang hanya melibatkan beberapa qubit

Tidak semua error dalam circuit bisa memengaruhi hasil pengukuran. Ini terutama berlaku untuk error Pauli, atau error apa pun yang bisa dimodelkan sebagai sekumpulan operasi Pauli. Sebagai contoh, lihat circuit berikut:

Error Pauli pada qubit 0 di layer terakhir tidak bisa memengaruhi pengukuran pada qubit 6, karena tidak ada gate penghubung yang bisa merambatkan error dari qubit 0 ke qubit 6. Perlu diingat bahwa argumen ini tidak berlaku untuk error non-unitary tertentu. Misalnya, transisi mirip T1 ke ground state pada qubit 0 meruntuhkan qubit 0 ke sebuah computational basis state. Jika qubit 0 dan 6 sebelumnya entangled (seperti pada circuit ini), error non-unitary pada qubit 0 bisa memengaruhi qubit 6. Pembahasan berikut berfokus pada error yang bisa direpresentasikan sebagai operasi Pauli, atau sebagai campuran probabilistik dari operasi Pauli.

Pada layer terakhir, hanya error Pauli pada qubit 5 atau qubit 6 yang bisa langsung memengaruhi pengukuran pada qubit 6.

Pada layer entangling sebelumnya, qubit 5 dan 6 masing-masing entangled dengan qubit 4 dan 7. Karena itu, pada layer entangling tersebut atau sesaat sebelumnya, error Pauli pada salah satu dari keempat qubit itu bisa memengaruhi pengukuran berikutnya. Kamu bisa terus menelusuri circuit ke belakang untuk menemukan himpunan bagian gate dan qubit yang terhubung secara kausal dengan pengukuran. Himpunan kausal ini membentuk wilayah berbentuk kerucut dalam ruang (qubit) dan waktu (layer), dan dari sinilah istilah lightcone berasal. Bentuk pasti wilayah ini berbeda-beda untuk setiap circuit. Karena analisis ini bergantung pada konektivitas hardware dan penempatan gate, analisis ini paling berguna setelah transpilasi, routing, dan optimisasi layout.

Di luar konektivitas kausal

Shaded lightcones memperluas ide ini dengan juga mempertimbangkan jenis error mana yang berpengaruh.

Sebagai contoh, perhatikan hal berikut:

• Error Z tepat sebelum pengukuran basis-Z tidak berpengaruh pada hasil pengukuran.

• Error X tepat sebelum pengukuran basis-Z bisa mengubah hasilnya secara drastis.

Jadi, beberapa jenis error layak mendapat upaya mitigasi lebih besar daripada yang lain. Perbedaan ini bisa mengurangi overhead teknik seperti PEC secara substansial. Dalam praktiknya, addon ini menghasilkan analisis sensitivitas yang terpisah untuk setiap jenis error berikut:

• X errors

• Z errors

• Error Y (atau XZ sampai faktor fase)

Sensitivitas error ini umumnya terlihat berbeda untuk setiap jenis error, karena error yang terhubung secara kausal punya dampak yang berbeda terhadap pengukuran. Perhatikan juga bahwa sensitivitas berubah di sepanjang circuit. Error X tepat sebelum pengukuran bisa sangat merusak, sedangkan error yang terjadi beberapa layer sebelumnya mungkin berdampak lebih kecil setelah merambat melalui state yang sangat entangled.

Shaded lightcones mengukur perbedaan ini dengan memberikan nilai sensitivitas pada error-error potensial di seluruh circuit.

Peta yang dihasilkan menunjukkan hal-hal berikut:

• Di mana error berpengaruh

• Jenis error mana yang berpengaruh

• Seberapa kuat pengaruhnya terhadap observable akhir

Shaded lightcones sendiri tidak memitigasi error, tetapi bisa membantu memfokuskan upaya mitigasi pada bagian yang memberikan manfaat terbesar.

Pelajari dan injeksikan noise

Setelah circuit dibuat, dioptimalkan, dan diberi anotasi, ada dua tugas yang saling melengkapi: mempelajari noise, dan menggunakan model noise (misalnya, untuk menginjeksikan noise atau merambatkan efek noise).

NoiseLearnerV3

NoiseLearnerV3 adalah tool terbaru untuk noise learning. Antarmuka NoiseLearner sebelumnya menerima circuit utuh dan menghasilkan model noise Pauli-Lindblad. NoiseLearnerV3 justru bekerja langsung pada instruksi circuit yang di-box. Singkatnya, NoiseLearnerV3 melakukan hal berikut:

• Menerima kumpulan layer circuit berlabel

• Memakai ulang informasi dari layer yang berulang

• Mendukung pembelajaran noise pengukuran

• Mendukung post-processing model yang sudah dipelajari

• Memungkinkan alur kerja injeksi dan penskalaan noise

Desain ini selaras dengan alur kerja Samplomatic yang berorientasi layer. Secara khusus, NoiseLearnerV3 memakai metode berikut untuk setiap kumpulan instruksi:

• Pembelajaran Pauli-Lindblad untuk operasi gate

• Pembelajaran berbasis TREX untuk pengukuran

Kamu kemudian bisa memakai model noise yang sudah dipelajari dalam banyak metode yang sudah kita bahas. Misalnya, ingat bahwa zero-noise extrapolation (ZNE) dengan gate folding bisa menghasilkan circuit yang terlalu dalam untuk ditangani. Metode alternatif untuk menskalakan noise dalam kasus itu adalah melakukan sampling dari model noise yang diketahui, yang secara efektif menaikkan tingkat noise, bahkan dengan faktor non-bilangan bulat. Metode ini, probabilistic error amplification (PEA), adalah contoh bagus bagaimana model noise bisa dipakai untuk memitigasi error. Model noise yang baik juga dibutuhkan untuk probabilistic error cancellation (PEC) dan propagated noise absorption (PNA).

Singkatnya, dengan model noise berkualitas tinggi, noise menjadi sumber daya yang bisa diprogram, bukan sekadar sumber error.

Shaded lightcones versus NoiseLearnerV3

NoiseLearnerV3 dan SLC berkaitan erat, tetapi keduanya punya input yang berbeda dan menjawab pertanyaan yang berbeda. SLC menentukan di mana upaya mitigasi harus difokuskan. NoiseLearnerV3 mengkarakterisasi noise sebenarnya yang ada di wilayah-wilayah tersebut. Kedua proses ini juga melibatkan jenis overhead yang berbeda. Tabel berikut merangkum perbedaannya.

	Shaded lightcones	NoiseLearnerV3
Tujuan	Mengidentifikasi di mana mitigasi berpengaruh	Mempelajari perilaku error
Overhead	Terutama overhead klasik	Membutuhkan eksekusi di hardware
Output	Menghasilkan peta sensitivitas	Menghasilkan deskripsi noise-channel
Input	Memakai struktur circuit dan propagasi operator	Memakai struktur circuit dan data eksperimen dari hardware

Eksekusi Executor dan runtime

Executor melakukan langkah eksekusi terakhir. Ia bisa bekerja dengan salah satu input berikut:

• Template circuit dan samplex yang dihasilkan oleh Samplomatic

• Circuit kuantum konvensional tanpa Samplomatic

Dengan fleksibilitas ini, kamu bisa memakai sebanyak atau sesedikit apa pun komponen alur kerja directed execution sesuai kebutuhan.

Executor bekerja erat dengan Samplomatic, yang mengelola pilihan randomisasi, alokasi shot, pilihan injeksi noise, dan metadata eksekusi terkait, seperti yang dijelaskan sebelumnya.

Untuk contoh praktis model directed execution, lihat panduan Directed execution model serta tutorial dan dokumentasi addon Qiskit di IBM Quantum® Platform.

Kesimpulan

Alur kerja kuantum modern semakin bergantung pada sekumpulan tool yang saling melengkapi, bukan satu primitif eksekusi tunggal.

Tool-tool ini mendukung setiap tahap alur kerja:

• Pemetaan masalah

• Konstruksi circuit

• Transpilasi dan optimisasi

• Error suppression

• Error mitigation

• Noise learning

• Eksekusi terstruktur

• Post-processing

Bersama-sama, tool seperti Samplomatic, Executor, NoiseLearnerV3, shaded lightcones, propagated noise absorption, circuit cutting, dan AQC-Tensor memberikan kontrol yang jauh lebih besar dibandingkan model eksekusi sebelumnya.

Bidang ini terus berkembang dengan cepat. Seiring prosesor kuantum menjadi lebih besar dan lebih terhubung, teknik-teknik ini kemungkinan akan berperan makin penting dalam mencapai quantum advantage yang berguna, dan pada akhirnya terintegrasi mulus dengan alur kerja komputasi kuantum yang fault-tolerant.