Řezání Gate pro snížení šířky Circuit

V tomto notebooku projdeme kroky Qiskit patternu a využijeme circuit cutting ke snížení počtu Qubitů v Circuit. Budeme řezat Gate, abychom mohli rekonstruovat očekávanou hodnotu čtyřqubitového Circuit pomocí pouze dvouqubitových experimentů.

Toto jsou kroky, které podnikneme:

• Krok 1: Namapování problému na kvantové Circuit a operátory:
  • Namapuj hamiltonian na kvantový Circuit.
• Krok 2: Optimalizace pro cílový hardware [Používá cutting addon]:
  • Řezání Circuit a observablu.
  • Transpilace subexperimentů pro hardware.
• Krok 3: Spuštění na cílovém hardware:
  • Spusť subexperimenty získané v Kroku 2 pomocí primitiva Sampler.
• Krok 4: Post-processing výsledků [Používá cutting addon]:
  • Zkombinuj výsledky Kroku 3 pro rekonstrukci očekávané hodnoty sledovaného observablu.

Krok 1: Mapování

Vytvoření Circuit k řezání

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

from qiskit.circuit.library import efficient_su2

qc = efficient_su2(4, entanglement="linear", reps=2)
qc.assign_parameters([0.4] * len(qc.parameters), inplace=True)

qc.draw("mpl", scale=0.8)

Definování observablu

from qiskit.quantum_info import SparsePauliOp

observable = SparsePauliOp(["ZZII", "IZZI", "-IIZZ", "XIXI", "ZIZZ", "IXIX"])

Krok 2: Optimalizace

Rozdělení Circuit a observablu podle zadaného rozdělení Qubitů

Každý štítek v partition_labels odpovídá Qubitu v circuit na stejném indexu. Qubity sdílející společný štítek oddílu budou seskupeny dohromady a nelokální Gate přesahující více než jeden oddíl budou přeříznuty.

Poznámka: Argument observables funkce partition_problem je typu PauliList. Koeficienty a fáze termů observablu jsou během dekompozice problému a provádění subexperimentů ignorovány. Lze je znovu použít při rekonstrukci očekávané hodnoty.

from qiskit_addon_cutting import partition_problem

partitioned_problem = partition_problem(
    circuit=qc, partition_labels="AABB", observables=observable.paulis
)
subcircuits = partitioned_problem.subcircuits
subobservables = partitioned_problem.subobservables
bases = partitioned_problem.bases

Vizualizace rozloženého problému

subobservables

{'A': PauliList(['II', 'ZI', 'ZZ', 'XI', 'ZZ', 'IX']),
 'B': PauliList(['ZZ', 'IZ', 'II', 'XI', 'ZI', 'IX'])}

subcircuits["A"].draw("mpl", scale=0.8)

subcircuits["B"].draw("mpl", scale=0.8)

Výpočet sampling overhead pro zvolené řezy

Zde řežeme dva CNOT Gate, což vede k sampling overhead $9^2$.

Více informací o sampling overhead vzniklém při circuit cutting najdeš v vysvětlujícím materiálu.

import numpy as np

print(f"Sampling overhead: {np.prod([basis.overhead for basis in bases])}")

Sampling overhead: 81.0

Generování subexperimentů ke spuštění na Backend

generate_cutting_experiments přijímá argumenty circuits/observables jako slovníky mapující štítky qubitových oddílů na příslušné subcircuit/subobservables.

Pro simulaci očekávané hodnoty plně velkého Circuit se z kvaziproporcionálního rozložení rozložených Gate generuje mnoho subexperimentů, které jsou pak spuštěny na jednom nebo více Backend. Počet vzorků odebraných z rozložení je řízen parametrem num_samples a pro každý jedinečný vzorek je přiřazen jeden kombinovaný koeficient. Více informací o výpočtu koeficientů najdeš v vysvětlujícím materiálu.

from qiskit_addon_cutting import generate_cutting_experiments

subexperiments, coefficients = generate_cutting_experiments(
    circuits=subcircuits, observables=subobservables, num_samples=np.inf
)

Výběr Backend

Zde používáme falešný Backend, který způsobí, že Qiskit Runtime poběží v lokálním režimu (tj. na lokálním simulátoru).

from qiskit_ibm_runtime.fake_provider import FakeManilaV2

backend = FakeManilaV2()

Příprava subexperimentů pro Backend

Před odesláním do Qiskit Runtime musíme transpilovat Circuit s naším Backend jako cílem.

from qiskit.transpiler import generate_preset_pass_manager

# Transpile the subexperiments to ISA circuits
pass_manager = generate_preset_pass_manager(optimization_level=1, backend=backend)
isa_subexperiments = {
    label: pass_manager.run(partition_subexpts)
    for label, partition_subexpts in subexperiments.items()
}

Krok 3: Spuštění

Spuštění subexperimentů pomocí primitiva Qiskit Runtime Sampler

from qiskit_ibm_runtime import SamplerV2, Batch

# Submit each partition's subexperiments to the Qiskit Runtime Sampler
# primitive, in a single batch so that the jobs will run back-to-back.
with Batch(backend=backend) as batch:
    sampler = SamplerV2(mode=batch)
    jobs = {
        label: sampler.run(subsystem_subexpts, shots=2**12)
        for label, subsystem_subexpts in isa_subexperiments.items()
    }

/home/garrison/Qiskit/qiskit-ibm-runtime/qiskit_ibm_runtime/session.py:157: UserWarning: Session is not supported in local testing mode or when using a simulator.
  warnings.warn(

# Retrieve results
results = {label: job.result() for label, job in jobs.items()}

Krok 4: Post-processing

Rekonstrukce očekávané hodnoty

Rekonstruuj očekávané hodnoty pro každý term observablu a zkombinuj je pro rekonstrukci očekávané hodnoty původního observablu.

from qiskit_addon_cutting import reconstruct_expectation_values

# Get expectation values for each observable term
reconstructed_expval_terms = reconstruct_expectation_values(
    results,
    coefficients,
    subobservables,
)

# Reconstruct final expectation value
reconstructed_expval = np.dot(reconstructed_expval_terms, observable.coeffs)

Porovnání rekonstruované očekávané hodnoty s přesnou očekávanou hodnotou z původního Circuit a observablu

from qiskit_aer.primitives import EstimatorV2

estimator = EstimatorV2()
exact_expval = estimator.run([(qc, observable)]).result()[0].data.evs
print(f"Reconstructed expectation value: {np.real(np.round(reconstructed_expval, 8))}")
print(f"Exact expectation value: {np.round(exact_expval, 8)}")
print(f"Error in estimation: {np.real(np.round(reconstructed_expval-exact_expval, 8))}")
print(
    f"Relative error in estimation: {np.real(np.round((reconstructed_expval-exact_expval) / exact_expval, 8))}"
)

Reconstructed expectation value: 0.6991539
Exact expectation value: 0.56254612
Error in estimation: 0.13660778
Relative error in estimation: 0.24283836