Permulaan Pantas

Panduan ini menunjukkan contoh kerja minimum bagi pakej qiskit-addon-pna. Kami menggunakan penyerapan hingar terambat (PNA) untuk membina observable yang mengurangkan hingar. Diberi sebuah litar dan model hingar Pauli-Lindblad, PNA merambatkan observable secara klasik melalui saluran hingar songsang. Mengukur observable yang terhasil pada QPU yang bising mengurangkan hingar gate yang dipelajari.

Untuk melihat cara membina aliran kerja yang realistik dan menjalankannya pada perkakasan kuantum dengan model pelaksanaan terarah, termasuk mempelajari model hingar dengan NoiseLearnerV3, lihat tutorial PNA di IBM Quantum Platform.

1. Sediakan input untuk PNA

PNA menerima litar, model hingar, dan observable sebagai input. Di sini kami membina model Ising medan melintang terTrotter 10 qubit pada rantaian 1D. Kami menjana model hingar Pauli-Lindblad 2-setempat rawak bagi setiap gate belitan dan membenamkannya sebagai arahan PauliLindbladError Qiskit Aer sebelum gate tersebut. Kami memilih observable Pauli-Z berwajaran 4 untuk diukur.

# Added by doQumentation — installs the packages this notebook needs if they are missing
import importlib.util

_needed = {"matplotlib": "matplotlib", "numpy": "numpy", "qiskit": "qiskit", "qiskit_addon_pna": "qiskit-addon-pna", "qiskit_aer": "qiskit-aer"}
_missing = [pip for module, pip in _needed.items()
            if importlib.util.find_spec(module) is None]
# One at a time, so a package that fails to install does not block the others
for _pip in _missing:
    %pip install -q {_pip}
if not _missing:
    print("\u2713 All required packages are installed")

import numpy as np
from qiskit import QuantumCircuit
from qiskit.quantum_info import SparsePauliOp, pauli_basis
from qiskit_aer.noise import PauliLindbladError

def random_pauli_lindblad_noise(generators, seed, noise_scale=2e-3):
    rates = np.random.default_rng(seed).random(len(generators)) * noise_scale
    return PauliLindbladError(generators, rates)

def ising_circuit(
    num_qubits,
    layers,
    edge_noise=None,
    *,
    num_steps=3,
    rx_angle=np.pi / 8,
    rzz_angle=-np.pi / 2,
):
    """Trotterized transverse-field Ising model; edge_noise=None gives the noiseless circuit."""
    qc = QuantumCircuit(num_qubits)
    for _ in range(num_steps):
        qc.rx(rx_angle, range(num_qubits))
        for layer in layers:
            for edge in layer:
                if edge_noise is not None:
                    qc.append(
                        edge_noise[edge], edge
                    )  # inject synthetic gate noise
                qc.rzz(rzz_angle, *edge)
    return qc

num_qubits = 10

# Two entangling layers per Trotter step: even and odd bonds of a 1D chain
layers = [
    [(i, i + 1) for i in range(0, num_qubits - 1, 2)],
    [(i, i + 1) for i in range(1, num_qubits - 1, 2)],
]
edges = [edge for layer in layers for edge in layer]

# Random 2-local Pauli-Lindblad noise, one instance per entangling gate
two_qubit_paulis = SparsePauliOp(
    [p for p in pauli_basis(2) if np.sum(p.x + p.z)]
).paulis
edge_noise = {
    edge: random_pauli_lindblad_noise(two_qubit_paulis, seed=1234 + j)
    for j, edge in enumerate(edges)
}

noisy_circuit = ising_circuit(num_qubits, layers, edge_noise)

# A single weight-4 observable: <Z3 Z4 Z5 Z6>
observable = SparsePauliOp.from_sparse_list(
    [("ZZZZ", [3, 4, 5, 6], 1.0)], num_qubits=num_qubits
)

noisy_circuit.draw("mpl", fold=-1, scale=0.6)

2. Jana observable pengurang hingar

generate_noise_mitigating_observable merambatkan setiap penjana Pauli bagi saluran hingar songsang ke hadapan hingga akhir litar. Observable kemudian dirambat balik melalui saluran hingar songsang, lalu memulangkan observable baharu $\tilde{O}$. Tiga parameter utama mempengaruhi kos pengiraan:

• max_err_terms: bilangan sebutan yang dikekalkan dalam setiap penjana anti-hingar semasa ia dirambat ke hadapan.

• max_obs_terms: bilangan sebutan yang dikekalkan dalam $\tilde{O}$.

• atol: sebutan dengan magnitud pekali di bawah ambang ini akan digugurkan.

Untuk litar kecil yang hampir-Clifford ini, kami menetapkan had sebutan yang tinggi dan menggunakan atol yang sederhana, supaya $\tilde{O}$ kekal kecil dan kami boleh mengukur semua sebutannya.

Nota: Fungsi ini menggunakan multiprocessing Python. Apabila dijalankan sebagai skrip, panggil ia di dalam pengawal if __name__ == "__main__":.

from qiskit_addon_pna import generate_noise_mitigating_observable

mitigating_observable = generate_noise_mitigating_observable(
    noisy_circuit,
    observable,
    max_err_terms=100_000,
    max_obs_terms=100_000,
    atol=1e-5,
    num_processes=4,
)

print(f"Original observable:         {len(observable)} term")
print(f"Noise-mitigating observable: {len(mitigating_observable)} terms")

Original observable:         1 term
Noise-mitigating observable: 207 terms

3. Kurangkan ralat gate dengan mengukur observable pengurang hingar

Di sini kita melihat bahawa observable baharu secara berkesan mengurangkan hingar gate yang menjejaskan eksperimen.

import matplotlib.pyplot as plt
from qiskit_aer.primitives import EstimatorV2

noiseless_circuit = ising_circuit(num_qubits, layers)

# density_matrix method at zero precision -> exact expectation values (no shot noise)
estimator = EstimatorV2(
    options={
        "backend_options": {"method": "density_matrix"},
        "default_precision": 0.0,
    }
)

ideal, noisy, mitigated = (
    result.data.evs
    for result in estimator.run(
        [
            (noiseless_circuit, observable),
            (noisy_circuit, observable),
            (noisy_circuit, mitigating_observable),
        ]
    ).result()
)

print(f"Ideal (noiseless):   {ideal:.4f}")
print(f"Noisy (unmitigated): {noisy:.4f}")
print(f"Mitigated (PNA):     {mitigated:.4f}")

fig, ax = plt.subplots()
ax.bar(
    ["Noisy", "Mitigated"],
    [noisy, mitigated],
    width=0.6,
    color=["#b0b0b0", "#4c4c4c"],
)
ax.axhline(ideal, color="green", linestyle="--", label="Ideal (noiseless)")
ax.set_ylabel(r"$\langle Z_3 Z_4 Z_5 Z_6 \rangle$")
ax.legend()
plt.show()

Ideal (noiseless):   0.8073
Noisy (unmitigated): 0.6431
Mitigated (PNA):     0.8071