Performance Management: Qiskit Function od Q-CTRL Fire Opal

Viz referenci API

Poznámka

Qiskit Functions jsou experimentální funkce dostupné pouze uživatelům plánů IBM Quantum® Premium Plan, Flex Plan a On-Prem (prostřednictvím IBM Quantum Platform API). Jsou ve stavu náhledové verze a mohou se změnit.

Package versions

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

qiskit[all]~=2.3.1
qiskit-ibm-runtime~=0.45.1

Přehled

Fire Opal Performance Management umožňuje komukoli dosáhnout smysluplných výsledků z kvantových počítačů ve velkém měřítku, aniž by bylo potřeba být expertem na kvantový hardware. Při spouštění Circuit pomocí Fire Opal Performance Management se automaticky uplatňují techniky potlačení chyb řízené umělou inteligencí, což umožňuje škálovat větší problémy s více Gate a qubit. Tento přístup snižuje počet snímků (shots) potřebných k dosažení správné odpovědi, bez jakékoli přidané režie – což přináší výrazné úspory jak ve výpočetním čase, tak v nákladech.

Performance Management potlačuje chyby a zvyšuje pravděpodobnost získání správné odpovědi na zašuměném hardwaru. Jinými slovy, zvyšuje poměr signálu k šumu. Následující obrázek ukazuje, jak zvýšená přesnost umožněná Performance Management může snížit potřebu dalších snímků v případě algoritmu kvantové Fourierovy transformace s 10 qubit. Pouze s 30 snímky Q-CTRL dosáhne prahové hodnoty spolehlivosti 99 %, zatímco výchozí nastavení (QiskitRuntime Sampler, optimization_level=3 a resilience_level=1, ibm_sherbrooke) vyžaduje 170 000 snímků. Tím, že získáš správnou odpověď rychleji, ušetříš výrazný výpočetní čas.

Funkci Performance Management lze použít s jakýmkoli algoritmem a snadno ji lze použít místo standardních IBM Quantum primitiv. V zákulisí spolupracuje více technik potlačení chyb, aby se předešlo chybám za běhu. Všechny metody pipeline Fire Opal jsou předem nakonfigurovány a jsou agnostické vůči algoritmu, což znamená, že vždy získáš nejlepší výkon ihned po spuštění.

Chceš-li získat přístup k Performance Management, kontaktuj Q-CTRL.

Popis

Fire Opal Performance Management nabízí dvě možnosti spuštění podobné primitivům IBM Quantum, takže snadno zaměníš standardní Sampler a Estimator za varianty Q-CTRL. Obecný postup použití funkce Performance Management je:

1. Definuj svůj Circuit (a operátory v případě Estimatoru).
2. Spusť Circuit.
3. Načti výsledky.

Pro snížení šumu hardwaru Fire Opal používá řadu technik potlačení chyb řízených umělou inteligencí zobrazených na následujícím obrázku. S Fire Opal je celý pipeline plně automatizovaný a nevyžaduje žádnou konfiguraci.

Pipeline Fire Opal eliminuje potřebu další režie, jako je zvýšený kvantový čas běhu nebo extra fyzické qubit. Všimni si, že klasický výpočetní čas zůstává faktorem (viz sekci Benchmarky pro odhady, kde „Celkový čas" zahrnuje jak klasické, tak kvantové zpracování). Na rozdíl od mitigace chyb, která vyžaduje režii ve formě vzorkování, potlačení chyb Fire Opal pracuje jak na úrovni Gate, tak na úrovni pulzů, aby řešilo různé zdroje šumu a zabránilo vzniku chyb. Zabráněním chybám se eliminuje potřeba drahého post-processingu.

Následující obrázek zobrazuje metody potlačení chyb automatizované pomocí Fire Opal Performance Management.

Funkce nabízí dvě primitiva, Sampler a Estimator, a vstupy i výstupy obou rozšiřují implementovanou specifikaci pro IBM Quantum V2 primitiva.

Benchmarky

Publikované výsledky algoritmického benchmarkování prokazují výrazné zlepšení výkonu u různých algoritmů, včetně Bernstein-Vazirani, kvantové Fourierovy transformace, Groverova vyhledávání, kvantového aproximačního optimalizačního algoritmu a variačního kvantového eigensolverú. Zbytek této sekce poskytuje více podrobností o typech algoritmů, které lze spouštět, a o očekávaném výkonu a dobách běhu.

Následující nezávislé studie ukazují, jak Performance Management Q-CTRL umožňuje algoritmický výzkum v rekordním měřítku:

• Parametrized Energy-Efficient Quantum Kernels for Network Service Fault Diagnosis – kvantové kernelové učení až na 50 qubit
• Tensor-based quantum phase difference estimation for large-scale demonstration – kvantový odhad fáze až na 33 qubit
• Hierarchical Learning for Quantum ML: Novel Training Technique for Large-Scale Variational Quantum Circuits – kvantové načítání dat až na 21 qubit

Následující tabulka poskytuje přibližný přehled přesnosti a dob běhu z předchozích benchmarkových spuštění na ibm_fez. Výkon na jiných zařízeních se může lišit. Čas využití vychází z předpokladu 10 000 snímků na obvod. Uvedený „Počet qubit" není pevným omezením, ale představuje přibližné prahy, kde lze očekávat velmi konzistentní přesnost řešení. Větší velikosti problémů byly úspěšně vyřešeny a testování za těmito limity je vítáno.

Příklad	Počet qubit	Přesnost	Míra přesnosti	Celkový čas (s)	Využití Runtime (s)	Primitivum (Režim)
Bernstein–Vazirani	50Q	100%	Míra úspěšnosti (procento běhů, kde správná odpověď má nejvyšší počet bitstring)	10	8	Sampler
Kvantová Fourierova transformace	30Q	100%	Míra úspěšnosti (procento běhů, kde správná odpověď má nejvyšší počet bitstring)	10	8	Sampler
Kvantový odhad fáze	30Q	99,9998%	Přesnost nalezeného úhlu: 1- abs(real_angle - angle_found)/pi	10	8	Sampler
Kvantová simulace: Isingův model (15 kroků)	20Q	99,775%	$A$ (definováno níže)	60 (na krok)	15 (na krok)	Estimator
Kvantová simulace 2: molekulární dynamika (20 časových bodů)	34Q	96,78%	$A_{mean}$ (definováno níže)	10 (na časový bod)	6 (na časový bod)	Estimator

Definice přesnosti měření střední hodnoty – metrika $A$ je definována takto:

$$A = 1 - \frac{|\epsilon^{ideal} - \epsilon^{meas}|}{\epsilon^{ideal}_{max} - \epsilon^{ideal}_{min}},$$

kde $\epsilon^{ideal}$ = ideální střední hodnota, $\epsilon^{meas}$ = naměřená střední hodnota, $\epsilon^{ideal}_{max}$ = ideální maximální hodnota a $\epsilon^{ideal}_{min}$ = ideální minimální hodnota. $A_{mean}$ je jednoduše průměr hodnoty $A$ přes více měření.

Tato metrika se používá, protože je invariantní vůči globálním posunům a škálování v rozsahu dosažitelných hodnot. Jinými slovy, bez ohledu na to, zda posunout rozsah možných středních hodnot nahoru nebo dolů nebo zvětšit rozptyl, hodnota $A$ by měla zůstat konzistentní.

Začínáme

Fire Opal Performance Management používá Qiskit v2.0.0, což je doporučená verze. Podporované verze jsou Qiskit >=v2.0.0. Ověř se pomocí svého klíče IBM Quantum Platform API a vyber Qiskit Function takto. (Tento úryvek předpokládá, že jsi již uložil/a svůj účet do svého lokálního prostředí.)

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

# This cell is hidden from users. It hides the "...You have imported samplomatic..." warning.
import warnings

warnings.filterwarnings("ignore", message=".*You have imported samplomatic*")

from qiskit_ibm_catalog import QiskitFunctionsCatalog

catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

# verify that you have access to the function
catalog.list()

[QiskitFunction(qunova/hivqe-chemistry),
 QiskitFunction(global-data-quantum/quantum-portfolio-optimizer),
 QiskitFunction(algorithmiq/tem),
 QiskitFunction(qedma/qesem),
 QiskitFunction(multiverse/singularity),
 QiskitFunction(ibm/circuit-function),
 QiskitFunction(q-ctrl/optimization-solver),
 QiskitFunction(colibritd/quick-pde),
 QiskitFunction(q-ctrl/performance-management),
 QiskitFunction(kipu-quantum/iskay-quantum-optimizer)]

# Access Function
perf_mgmt = catalog.load("q-ctrl/performance-management")

Podporuje tato funkce všechny IBM Backend?

Pokud chceš použít Backend, který tato funkce aktuálně nepodporuje, kontaktuj Q-CTRL pro přidání podpory.

Primitivum Estimator

Příklad Estimatoru

Použij primitivum Estimator Fire Opal Performance Management k určení střední hodnoty pro jeden pár Circuit-observables. Kromě balíčků qiskit-ibm-catalog a qiskit budeš k spuštění tohoto příkladu potřebovat také balíček numpy. Tento balíček můžeš nainstalovat odkomentováním následující buňky, pokud spouštíš tento příklad v notebooku s jádrem IPython.

# %pip install numpy

1. Vytvoř Circuit

Jako příklad vygeneruj náhodný Hermitovský operátor a observable pro vstup do funkce Performance Management.

import numpy as np
from qiskit.circuit.library import iqp
from qiskit.quantum_info import random_hermitian, SparsePauliOp

n_qubits = 50

# Generate a random circuit
mat = np.real(random_hermitian(n_qubits, seed=1234))
circuit = iqp(mat)
circuit.measure_all()

# Define observables as a string
observable = SparsePauliOp("Z" * n_qubits)

# Create PUB tuple
estimator_pubs = [(circuit, observable)]

2. Spusť Circuit

Spusť Circuit a volitelně definuj Backend a počet snímků.

# This cell is hidden from users
from qiskit_ibm_runtime import QiskitRuntimeService

service = QiskitRuntimeService()
backend_name = service.least_busy().name

# Run the circuit using Estimator
qctrl_estimator_job = perf_mgmt.run(
    primitive="estimator",
    pubs=estimator_pubs,
    backend_name=backend_name,
)

K ověření stavu své zátěže Qiskit Function můžeš použít dobře známá Qiskit Serverless API:

qctrl_estimator_job.status()

'QUEUED'

3. Načti výsledek

# Retrieve the counts from the result list
result = qctrl_estimator_job.result()

Výsledky mají stejný formát jako výstup Estimatoru:

import numpy

result_str = str(result)

with numpy.printoptions(threshold=200):
    print(
        f"The result of the submitted job had {len(result)} PUB "
        f"and has a value:\n {result[0]}\n"
    )

print("The associated PubResult of this job has the following DataBins:")
print(f"{result[0].data}\n")

print(f"And this DataBin has attributes: {result[0].data.keys()}")

print("The expectation values measured from this PUB are:")
print(f"{result[0].data.evs}")

The result of the submitted job had 1 PUB
The result of the submitted job had 1 PUB and has a value:
 PubResult(data=DataBin(evs=0.0195, stds=0.9998098569228051), metadata={'precision': None})

The associated PubResult of this job has the following DataBins:
DataBin(evs=0.0195, stds=0.9998098569228051)

And this DataBin has attributes: dict_keys(['evs', 'stds'])
The expectation values measured from this PUB are:
0.0195

Primitivum Sampler

Příklad Sampleru

Použij primitivum Sampler Fire Opal Performance Management ke spuštění Circuit Bernstein–Vazirani. Tento algoritmus, používaný k nalezení skrytého řetězce z výstupů funkce černé skříňky, je běžným benchmarkovacím algoritmem, protože existuje jediná správná odpověď. 1. Vytvoř Circuit

Definuj správnou odpověď na algoritmus, skrytý bitstring, a Circuit Bernstein–Vazirani. Šířku Circuit lze snadno upravit pouhou změnou circuit_width.

import qiskit

circuit_width = 35
hidden_bitstring = "1" * circuit_width

# Create circuit, reserving one qubit for BV oracle
bv_circuit = qiskit.QuantumCircuit(circuit_width + 1, circuit_width)
bv_circuit.x(circuit_width)
bv_circuit.h(range(circuit_width + 1))
for input_qubit, bit in enumerate(reversed(hidden_bitstring)):
    if bit == "1":
        bv_circuit.cx(input_qubit, circuit_width)
bv_circuit.barrier()
bv_circuit.h(range(circuit_width + 1))
bv_circuit.barrier()
for input_qubit in range(circuit_width):
    bv_circuit.measure(input_qubit, input_qubit)

# Create PUB tuple
sampler_pubs = [(bv_circuit,)]

2. Spusť Circuit

Spusť Circuit a volitelně definuj Backend a počet snímků.

# Run the circuit using Sampler
qctrl_sampler_job = perf_mgmt.run(
    primitive="sampler",
    pubs=sampler_pubs,
    backend_name=backend_name,
)

Zkontroluj stav své zátěže Qiskit Function nebo načti výsledky takto:

# Print the ID so you can use it later, if necessary
print(qctrl_sampler_job.job_id)

qctrl_sampler_job.status()

60fe2fa1-a860-43e4-8615-c6ac4180f93b

'QUEUED'

3. Načti výsledek

# Retrieve the job results
sampler_result = qctrl_sampler_job.result()

# Get results for the first (and only) PUB
pub_result = sampler_result[0]
counts = pub_result.data.c.get_counts()

print("Counts for the meas output register (limited to 30 results):")
for i, (bitstring, count) in enumerate(counts.items()):
    if i >= 50:
        print(f"  ... ({len(counts) - 30} more items)")
        break
    print(f"  {bitstring}: {count}")

Counts for the meas output register (limited to 30 results):
  11111111111111111111111111111111111: 1661
  11111111111111111111111111110111111: 60
  11111111111111111111111111111101111: 54
  11111111111111111111111111111110111: 54
  11111111111111011111111111111111111: 46
  11111111111111111110111111111111111: 44
  11111111111111111111111101111111111: 42
  11111111111111111111111110111111111: 42
  11111111111111110111111111111111111: 41
  11111111111111111111111111111111101: 39
  11111111111111111111101111111111111: 38
  11111111111111111111110111111111111: 38
  11111111111111111111111111101111111: 37
  11111111111111111111111111111111110: 36
  11111111111110111111111111111111111: 35
  11111111111111111111111111111011111: 32
  11111111111111101111111111111111111: 32
  01111111111111111111111111111111111: 27
  11111111111111111011111111111111111: 23
  11111111101111111111111111111111111: 22
  11111111111111111111111111111111011: 21
  11111111011111111111111111111111111: 20
  00000000000000011111111111111111111: 18
  11111111111111111111110101111111111: 18
  00000001111111111111111111111111111: 17
  11111111001111111111111111111111111: 16
  11101111111111111111111111111111111: 16
  11111111111101111111111111111111111: 16
  00000101111111111111111111111111111: 13
  11111111111111111111111011111111111: 13
  11111111111111111111111110101111111: 13
  11111111111111111101111111111111111: 12
  10111111111111111111111111111111111: 12
  11111111111111111111111110001111111: 12
  00000000000000000011111111111111111: 11
  11111111111111111111111111111110110: 10
  00000000000000000000000001111111111: 10
  11111111111011111111111111111111111: 9
  11111111111111101011111111111111111: 9
  00000000011111111111111111111111111: 8
  10101111111111111111111111111111111: 8
  00000000000000000000000001011111111: 8
  11111111111111111111111111111111001: 8
  00000111111111111111111111111111111: 7
  11111111111111111111111111111101110: 7
  11111111110111111111111111111111111: 7
  00000000000001011111111111111111111: 6
  00000000000000001111111111111111111: 6
  00000000000000000001011111111111111: 6
  11111111111111111111111111011111111: 6
  ... (1050 more items)

3. Vykresli nejčastější bitstringy

Vykresli bitstringy s nejvyšším počtem výskytů a zjisti, zda byl skrytý bitstring nejčastějším.

import matplotlib.pyplot as plt

def plot_top_bitstrings(counts_dict, hidden_bitstring=None):
    # Sort and take the top 100 bitstrings
    top_100 = sorted(counts_dict.items(), key=lambda x: x[1], reverse=True)[
        :100
    ]
    if not top_100:
        print("No bitstrings found in the input dictionary.")
        return

    # Unzip the bitstrings and their counts
    bitstrings, counts = zip(*top_100)

    # Assign colors: purple if the bitstring matches hidden_bitstring,
    # otherwise gray
    colors = [
        "#680CE9" if bit == hidden_bitstring else "gray" for bit in bitstrings
    ]

    # Create the bar plot
    plt.figure(figsize=(15, 8))
    plt.bar(
        range(len(bitstrings)), counts, tick_label=bitstrings, color=colors
    )

    # Rotate the bitstrings for better readability
    plt.xticks(rotation=90, fontsize=8)
    plt.xlabel("Bitstrings")
    plt.ylabel("Counts")
    plt.title("Top 100 Bitstrings by Counts")

    # Show the plot
    plt.tight_layout()
    plt.show()

Skrytý bitstring je zvýrazněn fialovou barvou a měl by být bitstringem s nejvyšším počtem výskytů.

plot_top_bitstrings(counts, hidden_bitstring)

Changelog

• 2026-02-20: Oznámení o zastarání – pole metadat provider_job_ids bude zastaráno za 30 dní ve verzi 0.13.0. Uživatelé mohou přistupovat k ID úlohy prostřednictvím metody job_id() služby runtime.

• 2026-02-11: Přidána podpora pro ibm_miami a k PubResult přidána metadata spuštění.

Získej podporu

S jakýmikoli dotazy nebo problémy kontaktuj Q-CTRL.

Další kroky

Doporučení

• Požádej o přístup k Q-CTRL Performance Management.

• Navštiv referenci API pro tuto Qiskit Function.

• Vyzkoušej tutoriál Příčné pole Isingova modelu s Performance Management Q-CTRL.

• Vyzkoušej tutoriál Kvantový odhad fáze s Qiskit Functions Q-CTRL

• Prostuduj Mundada P. S., et al. (2023). Experimental Benchmarking of an Automated Deterministic Error-Suppression Workflow for Quantum Algorithms. Physical Review Applied, 20, 2.

• Prostuduj Kanno, S., et al. (2025). Tensor-based quantum phase difference estimation for large-scale demonstration. arXiv preprint arXiv:2408.04946.

• Prostuduj SoftBank Corp, Demonstration Experiment of a Communication Service Fault Diagnosis System Using Quantum Machine Learning (blog), 30 August, 2024.

• Prostuduj Yamauchi, H., et al. (2024). Parametrized Energy-Efficient Quantum Kernels for Network Service Fault Diagnosis. arXiv preprint arXiv:2405.09724v1.

• Prostuduj Yamauchi, H., et al. (2025). Quantum spectroscopy of topological dynamics via a supersymmetric Hamiltonian. arXiv preprint arXiv:2511.23169v1.

• Prostuduj Wang, Y., et al. (2025). Δ-Motif: Subgraph Isomorphism at Scale via Data-Centric Parallelism. arXiv preprint arXiv:2508.21287.

• Prostuduj Paterakis, N. G., et al. (2025). Quantum Computing in the Computational Landscape of Power Electronics: Vision and Reality. arXiv preprint arXiv:2507.02577.

• Prostuduj Gharibyan, H., et al. (2023). Hierarchical Learning for Quantum ML: Novel Training Technique for Large-Scale Variational Quantum Circuits. arXiv preprint arXiv:2311.12929.

• Prostuduj případovou studii Mitsubishi Chemical Corp.

• Prostuduj případovou studii Redacted bank.

• Prostuduj případovou studii BlueQubit.