Model pelaksanaan terarah (beta)

Keluaran beta

Semua komponen dalam model pelaksanaan terarah pada masa ini berada dalam beta dan mungkin tidak stabil. Anda dijemput untuk mengujinya dan memberikan maklum balas dengan membuka isu dalam repositori GitHub Samplomatic atau Qiskit Runtime.

Antara muka primitif Sampler dan Estimator menyediakan abstraksi tahap lebih tinggi untuk pembangun algoritma agar lebih fokus pada inovasi dan kurang pada penukaran data. Namun, ia kurang sesuai untuk saintis maklumat kuantum, yang memerlukan lebih banyak kawalan dan fleksibiliti untuk eksperimen skala utiliti mereka. Model pelaksanaan terarah, yang kini dalam keluaran beta, menangani keperluan ini. Model pelaksanaan ini menyediakan bahan untuk menangkap niat reka bentuk di sisi klien, dan mengalihkan penjanaan varian litar yang mahal ke sisi pelayan, supaya anda boleh menghaluskan mitigasi ralat dan teknik lain tanpa mengorbankan prestasi. Model yang eksplisit dan komposabel ini memudahkan eksperimen dengan teknik baru, menghasilkan semula keputusan, dan berkongsi kaedah.

Dalam keluaran beta-nya, model pelaksanaan terarah memberi tumpuan kepada memberi anda kawalan ke atas teknik yang dibina ke dalam Sampler dan Estimator sedia ada, termasuk Pauli twirling, pembelajaran dan suntikan model hingar, serta perubahan asas. Sokongan untuk keupayaan lain akan ditambah secara beransur-ansur dari masa ke masa.

Aliran kerja

Satu matlamat utama model pelaksanaan terarah adalah untuk menyediakan cara modular untuk menggunakan kaedah mitigasi ralat. Contohnya, anda boleh menentukan lapisan mana dalam litar untuk dikurangkan, atau melaraskan kadar hingar yang disuntik ke dalam litar.

Untuk menerapkan mitigasi ralat pada litar di bawah rangka kerja ini, aliran kerja anda biasanya melibatkan langkah-langkah berikut (alat yang disebutkan di sini diterangkan dengan lebih lengkap dalam bahagian seterusnya):

1. Kumpulkan arahan ke dalam kotak dan terapkan anotasi padanya. Anotasi menangkap transformasi yang dimaksudkan tanpa sebenarnya menjana varian litar.

2. Pelajari model hingar lapisan unik, jika perlu, menggunakan NoiseLearnerV3 baharu.

3. Bina litar templat dan samplex daripada litar yang dikotak.

4. Jalankan litar templat dan samplex dengan primitif Executor, yang akan menjana dan melaksanakan varian litar seperti yang diarahkan.

5. Proses selepas keputusan pelaksanaan. Contohnya, anda boleh menggunakan pemilihan selepas, atau mengekstrapolasi nilai jangkaan yang dikurangkan daripada keputusan pelaksanaan.

Alat untuk model pelaksanaan terarah

Alat berikut boleh digunakan bersama untuk melaksanakan teknik mitigasi ralat dalam model pelaksanaan terarah.

Samplomatic

Samplomatic adalah pustaka sumber terbuka baharu yang menyokong pengacakan pensampelan tersuai. Ia menggunakan konstruk box untuk mempertimbangkan koleksi operasi litar yang perlu dianggap sebagai mempunyai konteks hingar yang stabil, dan menggunakan anotasi pada kotak untuk membolehkan anda mengisytiharkan dan mengkonfigurasi niat. Contohnya, anda boleh mengstratifikasikan litar anda ke dalam kotak, menambah anotasi twirling ke setiap kotak, dan menentukan kumpulan twirling yang hendak digunakan, seperti yang ditunjukkan dalam rajah berikut:

Litar dengan kotak beranotasi kemudian boleh digunakan untuk menjana litar templat dan samplex. Litar templat output adalah litar berparameter yang akan dilaksanakan tanpa pengubahsuaian lanjut (selain mempunyai nilai parameter yang berbeza yang ditetapkan padanya). Samplex, yang merupakan jenis teras pustaka Samplomatic, mewakili taburan kebarangkalian parametrik ke atas parameter litar templat dan medan bernilai tatasusunan lain. Medan-medan ini boleh digunakan untuk memproses data yang dikumpulkan daripada melaksanakan litar templat yang terikat. Dengan kata lain, pasangan litar templat dan samplex memberitahu primitif Executor (diterangkan di bawah) dengan tepat parameter apa yang perlu dijana dan litar terikat mana yang perlu dijalankan. Oleh kerana kedua-dua konstruk ini dibuat di sisi klien, anda boleh melakukan pemeriksaan dan pensampelan setempat untuk mengesahkan output sebelum menghantar untuk pelaksanaan perkakasan.

Untuk memudahkan proses menjana kotak beranotasi, pustaka Samplomatic juga menyediakan pass transpiler yang secara automatik mengumpulkan arahan litar ke dalam kotak beranotasi, berdasarkan strategi yang anda berikan.

Untuk mengetahui lebih lanjut tentang Samplomatic, lawati dokumentasi panduan dan rujukan API. Sila hantar maklum balas dan laporkan pepijat dalam repositori GitHub-nya.

Primitif Executor

Executor adalah primitif Qiskit Runtime baharu yang mengambil pasangan litar templat dan samplex sebagai input, menjana dan mengikat nilai parameter mengikut samplex, melaksanakan litar terikat pada perkakasan, dan mengembalikan keputusan pelaksanaan dan metadata. Ia mengikuti arahan pasangan input dan tidak membuat keputusan tersirat untuk anda, supaya prosesnya telus namun berprestasi.

Untuk mengakses Executor, pasang cawangan executor_preview dari qiskit-ibm-runtime:

pip install -U git+https://github.com/Qiskit/qiskit-ibm-runtime.git@executor_preview

Input dan output primitif Executor sangat berbeza daripada Sampler dan Estimator. Rujuk rujukan API Executor untuk maklumat lanjut. Selain itu, panduan permulaan pantas Executor menyediakan gambaran keseluruhan dan contoh kod.

NoiseLearnerV3

Sama seperti NoiseLearner semasa, program pembantu Qiskit Runtime ini mengembalikan model hingar Pauli-Lindblad jarang yang digunakan dalam banyak kaedah mitigasi ralat, termasuk PEC, PEA, dan PNA. Dalam NoiseLearner asal, anda menghantar senarai litar, dan program mengstratifikasikan litar ke dalam lapisan dan mengembalikan model hingar untuk setiap lapisan unik. NoiseLearnerV3, sebaliknya, memberi anda kawalan ke atas cara mengstratifikasikan litar anda, dan program hanya mengambil senarai arahan litar yang dikotak (contohnya, lapisan unik) sebagai input.

NoiseLearnerV3 juga menyokong pembelajaran hingar pengukuran. Untuk setiap set arahan dalam senarai input, ia menjalankan protokol pembelajaran Pauli-Lindblad jika set itu mengandungi gate satu dan dua qubit, dan protokol TREX jika set itu mengandungi pengukuran. Untuk mengakses NoiseLearnerV3, pasang cawangan executor_preview dari qiskit-ibm-runtime:

pip install -U git+https://github.com/Qiskit/qiskit-ibm-runtime.git@executor_preview

Untuk mengetahui lebih lanjut tentang NoiseLearnerV3, rujuk dokumentasi rujukan API-nya.

Langkah seterusnya

Cadangan

• Lihat dua Qiskit addon, Shaded lightcones dan Propagated noise absorption, yang dibina di atas model pelaksanaan ini.