Použití postselekce ve workloadech

Verze balíčků

Kód na této stránce byl vyvinut s použitím následujících požadavků. Doporučujeme používat tyto nebo novější verze.

qiskit[all]~=2.4.0
qiskit-ibm-runtime~=0.46.1
qiskit-addon-utils~=0.3.1

Při optimalizaci strategie zmírňování chyb workloadu je často užitečné filtrovat měření, o nichž je známo, že byla znečištěna neMarkovskými (korelovanými) šumovými procesy. Jedna taková metoda spočívá v připojení obvodu s krokem post-processingu, který měří aktivní a sousední „spektátorové" Qubit, aplikuje na každý qubit pomalou rotaci a poté je znovu měří. V případech, kdy obě měření nepotvrdí překlopení Qubitu, jak se očekávalo, je snímek zahozen aplikací masky na výsledky.

Balíček Qiskit addon utilities poskytuje sadu průchodů Transpileru a funkci postselekce pro aplikaci masky. Tato stránka poskytuje pokyny, jak zahrnout postselekci do tvých kvantových workloadů, s použitím čtyřQubitového stavu GHZ jako příkladu.

Vytvoření workloadu

Začni přípravou Circuit k spuštění a transpilací vůči backendu, který podporuje frakcionální Gate.

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

from qiskit_ibm_runtime import QiskitRuntimeService
from qiskit.circuit import QuantumCircuit
from qiskit.transpiler import generate_preset_pass_manager

circuit = QuantumCircuit(4)
circuit.h(0)
circuit.cx(0, 1)
circuit.cx(1, 2)
circuit.cx(2, 3)
circuit.measure_all()

service = QiskitRuntimeService()
backend = service.least_busy(use_fractional_gates=True)
pm = generate_preset_pass_manager(optimization_level=3, backend=backend)

transpiled_circuit = pm.run(circuit)
transpiled_circuit.draw("mpl")

Přidání průchodů Transpileru pro postselekci

Dále vytvoř správce průchodů, který zahrnuje průchody AddPostSelectionMeasures a AddSpectatorMeasures z balíčku qiskit-addon-utils. Tím se k Circuit připojí sekvence malých úhlových rotací RX (efektivně vytváří dlouhou Gate X) spolu s druhou sadou měření.

from qiskit.transpiler import PassManager
from qiskit_addon_utils.noise_management.post_selection import PostSelector
from qiskit_addon_utils.noise_management.post_selection.transpiler.passes import (
    AddPostSelectionMeasures,
    AddSpectatorMeasures,
)

post_selection_pm = PassManager(
    [
        AddSpectatorMeasures(backend.coupling_map, add_barrier=True),
        AddPostSelectionMeasures(x_pulse_type="rx"),
    ]
)

template_circuit_ps = post_selection_pm.run(transpiled_circuit)
template_circuit_ps.draw("mpl", fold=-1, idle_wires=False)

Spuštění kvantového programu

Dále připrav objekt QuantumProgram obsahující Circuit k spuštění.

from qiskit_ibm_runtime import QuantumProgram, Executor

shots = 4000

program = QuantumProgram(shots=shots)
program.append_circuit_item(template_circuit_ps)

# Initialize the Executor job and run
executor = Executor(backend)
executor_job = executor.run(program)
print(f"Job ID: {executor_job.job_id()}")

Job ID: d82dumugbeec73alm5g0

Nyní můžeš interpretovat výsledky. Výsledek executor je slovník s několika klíči.

executor_result = executor_job.result()[0]
executor_result.keys()

dict_keys(['meas', 'spec', 'meas_ps', 'spec_ps'])

Tyto klíče odpovídají aktivním a spektátorovým Qubitům před instrukcemi rx (meas a spec) a po instrukcích rx (meas_ps a spec_ps). Každý z nich je pole polí na základě počtu snímků a Qubitů. V tomto případě je tvar (1000, 4).

Vytvoření masky postselekce

Z těchto měření můžeš vytvořit masku pomocí třídy PostSelector z qiskit-addon-utils. Tato maska je booleovské pole, kde každý snímek je označen jako True nebo False na základě jedné ze dvou strategií postselekce. První strategie, node, využívá informace o Qubitech k rozhodnutí, zda má být snímek měření zahozen — a druhá, edge, využívá informace o konektivitě nejbližších sousedů k tomuto rozhodnutí.

post_selector = PostSelector.from_circuit(
    circuit=template_circuit_ps, coupling_map=backend.coupling_map
)

mask_node = post_selector.compute_mask(executor_result, strategy="node")
mask_edge = post_selector.compute_mask(executor_result, strategy="edge")

Strategie node i edge často zahazují různé snímky. Můžeš si vybrat kteroukoli z nich. Tento notebook provede bitový AND, což je konzervativní strategie, která zachová snímek pouze tehdy, pokud projde oběma strategiemi node i edge.

mask = mask_node & mask_edge
print(f"The combined mask: {mask}")
count_retained = 0

for m in mask:
    count_retained += m

print(
    f"Percentage of the shots retained is after post selection "
    f"{100 * count_retained / shots}"
)

The combined mask: [ True  True  True ...  True  True  True]
Percentage of the shots retained is after post selection 75.225

Porovnej rozdělení pravděpodobnosti s postselekci a bez ní. Následující úryvek vypočítá rozdělení pravděpodobnosti před a po postselekci, jakož i vzdálenost mezi naměřenými a ideálními rozděleními.

counts = {}
counts_ps = {}

for idx, measurement in enumerate(executor_result["meas"]):
    bitstring = ""
    for bit in measurement:
        bitstring += str(int(bit))

    if bitstring in counts:
        counts[bitstring] += 1
    else:
        counts[bitstring] = 1

    # Compute count data for postselected shots based on the mask
    if mask[idx]:
        bitstring = ""
        for bit in measurement:
            bitstring += str(int(bit))

        if bitstring in counts_ps:
            counts_ps[bitstring] += 1
        else:
            counts_ps[bitstring] = 1

for key, val in counts.items():
    counts[key] = val / shots

for key, val in counts_ps.items():
    counts_ps[key] = float(val / count_retained)

Aby ses přesvědčil, jak postselekce změnila tvé výsledky, vypočítej vzdálenost mezi ideálním rozdělením pravděpodobnosti a naměřenými.

import itertools
from qiskit.visualization import plot_histogram

bitstrings = ["".join(i) for i in itertools.product("01", repeat=4)]
counts_ideal = {}
for bitstring in bitstrings:
    counts_ideal[bitstring] = 0.0
counts_ideal["1111"] = 0.5
counts_ideal["0000"] = 0.5

prob_distance = 0.0
prob_distance_ps = 0.0

for bitstring in counts_ideal.keys():
    dist = 0.0
    dist_ps = 0.0
    if bitstring in counts:
        dist = abs(counts[bitstring] - counts_ideal[bitstring])
    if bitstring in counts_ps:
        dist_ps = abs(counts_ps[bitstring] - counts_ideal[bitstring])
    prob_distance += dist
    prob_distance_ps += dist_ps

print(
    f"Distance from ideal distribution before postselection: "
    f"{1-prob_distance*0.5}"
)
print(
    f"Distance from ideal distribution before after-selection: "
    f"{1-prob_distance_ps*0.5}"
)

plot_histogram([counts, counts_ps], legend=["Normal", "Post selected"])

Distance from ideal distribution before postselection: 0.9015
Distance from ideal distribution before after-selection: 0.9416749750747756

Zatímco postselekce může výrazně zlepšit kvalitu výsledků filtrováním výsledků měření, které byly ovlivněny neMarkovskými šumy, sama o sobě není úplným řešením zmírňování chyb. Postselekce snižuje dopad určitých chyb zahazováním neplatných výsledků měření, ale za cenu zvýšené vzorkovací režie a neřeší všechny chybové mechanismy přítomné v krátkodobém kvantovém hardwaru. V důsledku toho je pravděpodobně nedostatečné spoléhat se výhradně na postselekci pro složitější nebo hlubší obvody. Postselekce je nejúčinnější jako součást širší strategie zmírňování chyb — doplňující techniky jako zmírňování chyb měření, kompilaci obvodů zohledňující šum nebo pravděpodobnostní rušení chyb — pro zlepšení spolehlivosti kvantových workloadů při vyvažování přesnosti a nákladů na zdroje.

Další kroky

Doporučení

• Pochop, jak zahrnout učení šumu do kvantového workloadu.
• Přečti si o dalších dostupných technikách zmírňování a potlačování chyb.
• Nauč se, jak používat prostorově-časové kódy pro přístup k detekci chyb s nízkou režií