Gambaran keseluruhan Pepenjuru Kuantum Berasaskan Sampel (SQD)

Pepenjuru Kuantum Berasaskan Sampel (SQD) ialah teknik pasca-pemprosesan klasik yang bertindak ke atas sampel yang diperoleh daripada Circuit kuantum selepas pelaksanaan pada QPU. Ia berguna untuk mencari nilai eigen dan vektor eigen bagi pengendali kuantum, seperti Hamiltonian sistem kuantum, dan menggunakan pengkomputeran kuantum serta komputeran klasik teragih secara bersama. Teknik pasca-pemprosesan ini mungkin amat berguna bagi pengguna yang mensimulasikan sistem kimia atau sistem kuantum lain.

Pengkomputeran klasik digunakan untuk memproses sampel yang diperoleh daripada pemproses kuantum, serta untuk mengunjurkan dan menepenjurukan Hamiltonian sasaran dalam subruang yang direntangi oleh sampel-sampel tersebut. Ini membolehkan SQD tahan terhadap sampel yang rosak akibat hingar kuantum dan menguruskan Hamiltonian besar, seperti sistem kimia dengan jutaan sebutan interaksi, yang melampaui kemampuan kaedah pepenjuruan tepat.

Alat SQD boleh menyasarkan Hamiltonian yang dinyatakan sebagai gabungan linear pengendali Pauli atau pengendali Fermion kuantum-kedua. Sampel input diperoleh melalui Circuit kuantum yang ditakrifkan oleh pengguna, yang dianggap sebagai perwakilan baik bagi eigennegeri (contohnya, keadaan dasar) bagi pengendali sasaran. Kadar penumpuan SQD sebagai fungsi bilangan sampel bertambah baik dengan kejarangannya eigennegeri sasaran.

Pasang pakej SQD

Terdapat dua cara untuk memasang pakej SQD: PyPI dan membina daripada sumber. Adalah disyorkan untuk memasang pakej-pakej ini dalam persekitaran maya bagi memastikan pengasingan antara kebergantungan pakej.

Pasang daripada PyPI

Cara paling mudah untuk memasang pakej qiskit-addon-sqd ialah melalui PyPI.

pip install qiskit-addon-sqd

Bina daripada sumber

Klik di sini untuk membaca cara memasang pakej ini secara manual

Jika anda ingin menyumbang kepada pakej ini atau mahu memasangnya secara manual, mula-mula klon repositori:

git clone git@github.com:Qiskit/qiskit-addon-sqd.git

dan pasang pakej melalui pip. Repositori juga mengandungi contoh notebook yang boleh anda jalankan. Jika anda merancang untuk membuat pembangunan dalam repositori, anda boleh memasang kebergantungan dev.

Laraskan pilihan mengikut keperluan anda.

pip install tox notebook -e '.[notebook-dependencies, dev]'

Latar belakang teori

Aliran kerja SQD menggunakan pemulihan konfigurasi kendiri-konsisten dijelaskan secara terperinci dalam [1]. Bahagian ini memberikan gambaran keseluruhan teknik yang digambarkan dalam rajah berikut.

Di sini $\bar{\mathcal{X}}$ ialah satu set sampel beringar yang mengandungi, dalam konteks Hamiltonian yang disimulasikan, konfigurasi fizikal dan bukan fizikal (diwakili sebagai rentetan bit) yang diperoleh daripada pelaksanaan pada QPU. Konfigurasi bukan fizikal adalah disebabkan oleh hingar dan boleh diproses oleh kaedah sqd.configuration_recovery.recover_configurations() untuk memperhalusi sampel kepada set baharu $\mathcal{X}_R$.

Daripada set ini, kumpulan konfigurasi $\mathcal{S}^{(1)}...\ \mathcal{S}^{(K)}$ dikumpulkan mengikut taburan yang berkadar dengan frekuensi empirikal setiap $\mathbf{x}$ dalam $\mathcal{X}_R$. Setiap kumpulan konfigurasi tersampel merentangi subruang, $\mathcal{S}^{(k)}: k = 1, ..., K$, di mana Hamiltonian diunjurkan dan ditepenjurukan:

$\hat{H}_{S^{(k)}} = \hat{P}_{\mathcal{S}^{(k)}}\hat{H}\hat{P}_{\mathcal{S}^{(k)}}\text{, dengan } \hat{P}_{\mathcal{S}^{(k)}} = \sum_{\mathbf{x} \in \mathcal{S}^{(k)}} |\mathbf{x}\rangle\langle\mathbf{x}|,$

di mana $\hat{H}_{\mathcal{S}^{(k)}}$ ialah Hamiltonian bagi subruang tertentu.

Bahagian terbesar aliran kerja SQD terletak di sini, di mana setiap Hamiltonian subruang ini ditepenjurukan. Keadaan dasar yang diperoleh daripada setiap subruang ini, $|\psi^{(k)}\rangle$, digunakan untuk menghasilkan anggaran vektor rujukan hunian $\mathbf{n}^{(K)}$ yang diratakan merentasi setiap $K$ subruang. Set konfigurasi baharu $\mathcal{X}_R$ kemudian dijana dengan membalikkan bit individu secara kebarangkalian berdasarkan purata hunian ini dan jumlah bilangan zarah yang diketahui (berat Hamming) dalam sistem. Proses pemulihan konfigurasi ini kemudiannya diulang dengan menyediakan set subruang baharu untuk ditepenjurukan, mendapatkan eigennegeri baharu dan hunian orbital purata, serta menjana set konfigurasi baharu. Gelung ini diulang sehingga kriteria yang ditentukan pengguna dipenuhi, dan keseluruhan proses ini adalah analog dengan menapis isyarat beringar untuk meningkatkan kesetiaan isyarat tersebut.

Langkah seterusnya

Cadangan

• Baca halaman memulakan SQD.
• Baca tutorial tentang meningkatkan anggaran tenaga dengan SQD.

Rujukan

[1] Robledo-Moreno, Javier, et al. "Chemistry beyond exact solutions on a quantum-centric supercomputer" arXiv preprint arXiv:2405.05068 (2024).