Aliran kerja moden

Kursus ini telah merangkumi pelbagai kaedah untuk mengendalikan hingar dan ralat kuantum. Kami sengaja mengelak beberapa penyelesaian kotak hitam supaya kita dapat melihat cara kaedah ini berfungsi. Kini kita bersedia menggunakan kaedah ini dalam bentuk paling moden. Khususnya, kita meneroka beberapa alat pengendalian ralat yang sangat dioptimumkan yang menyembunyikan sebahagian kerumitan daripada kita. Kita juga meneroka Samplomatic dan addon seperti shaded lightcones (SLC), yang memberi kita kawalan sangat halus ke atas proses pengurangan tertentu.

Dalam video ini, Dr. Chris Porter memberikan gambaran keseluruhan alat moden ini. Kami merancang untuk menambah contoh aliran kerja ke dalam pelajaran ini pada masa kemudian. Namun, pelajaran ini sudah mengandungi semua maklumat yang anda perlukan untuk menggunakan alat ini dan lulus peperiksaan lencana.

Gambaran keseluruhan

Primitif IBM Quantum awal, seperti Estimator dan Sampler, mendedahkan pengurangan ralat melalui sebilangan kecil tahap pratetap. Keluaran kemudian menyediakan kawalan yang lebih langsung ke atas teknik individu, termasuk pilihan strategi ekstrapolasi sifar-hingar, konfigurasi Pauli twirling, dan parameter rawak. Namun, tetapan ini kebanyakannya kekal global, dan dikenakan secara seragam ke atas seluruh litar.

Apabila beban kerja kuantum menjadi lebih canggih, pembangun semakin memerlukan keupayaan untuk menyesuaikan strategi pelaksanaan dan pengurangan kepada kawasan tertentu dalam litar. Rajah berikut menggariskan beberapa alat utama yang dibincangkan dalam pelajaran ini, dan menunjukkan di mana ia sesuai dalam aliran kerja tipikal.

Model pelaksanaan terarah menangani keperluan kawalan modular ke atas pelaksanaan, dan ia mengintegrasikan banyak alat ini.

Model pelaksanaan terarah

Daripada membuat keputusan pelaksanaan secara tersirat, model pelaksanaan terarah mengikut arahan yang disediakan pengguna. Pendekatan ini meningkatkan ketelusan dan menjadikan aliran kerja yang kompleks lebih mudah diperiksa dan dinyahpepijat. Beberapa ciri utama model ini termasuk:

• Konfigurasi setiap lapisan melalui kawasan litar berlabel

• Pengenalpastian lapisan unik dan berulang untuk pembelajaran hingar yang cekap

• Aliran kerja pelaksanaan berkelompok

• Pasca-pemprosesan berstruktur

• Integrasi rapat dengan addon seperti shaded lightcones

Model ini dibina berdasarkan dua komponen utama:

• Samplomatic, yang mentakrifkan resipi pelaksanaan

• Executor, yang melaksanakan resipi tersebut dan mengembalikan sampel

Kebanyakan aliran kerja yang menggunakan Executor juga boleh dilaksanakan dengan Sampler, kerana kedua-duanya akhirnya menghasilkan sampel. Kelebihan utama Executor ialah kecekapan. Tugas seperti menjana konfigurasi twirling selalunya jauh lebih pantas dalam persekitaran hampir-masa sebelah pelayan berbanding pada klien. Estimator dan Sampler kekal disokong, dan mungkin masih menjadi pilihan paling mudah untuk banyak beban kerja.

Sebelum pelaksanaan, bagaimanapun, anda mesti membina dan menyediakan litar. Qiskit menyediakan beberapa addon yang membantu penjanaan, simulasi, dan pengoptimuman litar. Untuk maklumat lanjut tentang mana-mana alat berikut, ikuti pautan.

Bina litar kuantum

Bagi sesetengah aplikasi atau pendekatan baharu, pengguna mesti menentukan cara memetakan masalah mereka kepada litar kuantum. Dalam banyak domain, bagaimanapun, addon Qiskit boleh mengautomasikan bahagian penting proses ini.

Optimization mapper

Optimization mapper membantu menyatakan masalah pengoptimuman klasik dalam bentuk yang sesuai untuk algoritma kuantum. Fungsi utama termasuk:

• Membina fungsi objektif dan kekangan

• Menukar masalah kepada formulasi QUBO

• Menjana perwakilan Hamiltonian atau pengendali

Fermionic mapper

Fermionic mapper menukar pengendali fermion kepada pengendali qubit yang sesuai untuk perkakasan kuantum. Ia menyokong pemetaan seperti Jordan-Wigner, yang menukar pengendali pada fermion tidak dapat dibezakan kepada pengendali Pauli pada qubit boleh dibezakan, sambil mengekalkan statistik fermion. Addon ini berguna untuk aplikasi kimia kuantum dan sains bahan.

Dua addon sebelumnya memberi tumpuan kepada pemetaan awal struktur masalah kepada litar kuantum. Namun, sama pentingnya untuk memetakan evolusi masa sesuatu proses ke atas litar kuantum dengan cekap, dan mengoptimumkan litar dengan mengurangkan kedalamannya. Beberapa addon seterusnya menangani tugas ini.

Multi-product formulas (MPF)

Multi-product formulas meningkatkan ketepatan simulasi evolusi masa kuantum dengan menggabungkan beberapa penghampiran. Khususnya, anda mencipta litar dengan bilangan langkah Trotter yang berbeza, supaya anda boleh menggunakan gabungan berpemberat bagi keputusan litar. Untuk ketepatan sasaran tertentu, MPF selalunya boleh menggunakan litar yang lebih cetek daripada kaedah Trotter piawai. Kosnya ialah anda mesti menjalankan beberapa litar dan menggabungkan keputusannya secara klasik.

AQC-Tensor

AQC-Tensor melaksanakan penyusunan kuantum hampiran menggunakan kaedah rangkaian tensor. Kes penggunaan lazim ialah menggantikan sebahagian litar yang dalam dengan penghampiran variasi yang lebih cetek. Litar yang terhasil boleh mencapai ketepatan yang serupa dengan kedalaman yang jauh lebih kecil.

Transpilation

Anda telah menggunakan transpilation berkali-kali dalam kursus ini. Anda tahu bahawa selepas litar abstrak dibina, ia mesti disediakan untuk pelaksanaan pada perkakasan. Namun, kita belum meneroka pelbagai peringkat transpilation secara terperinci.

Peringkat utama transpilation termasuk:

• Layout: memetakan qubit logik kepada qubit fizikal

• Translation: menulis semula operasi menggunakan set gate asli backend

• Routing: memasukkan dan mengoptimumkan operasi SWAP yang diperlukan oleh ketersambungan perkakasan

Proses ini saling berkaitan. Sebagai contoh, layout hendaklah meminimumkan kedalaman walaupun selepas routing diambil kira. Layout juga hendaklah mengelak qubit dan sambungan yang paling terdedah kepada ralat. Peringkat ini selalunya diautomasikan, tetapi pengguna lanjutan mungkin memilih untuk menentukan layout tersuai atau kekangan lain apabila perlu.

Untuk mengetahui lebih lanjut tentang transpilation, lihat panduan Introduction to transpilation.

Semak kefahaman anda

Lihat litar kuantum berikut, dan andaikan anda perlu menjalankannya pada komputer kuantum dengan layout heavy-hex, sebahagiannya ditunjukkan. (a) Cadangkan pemetaan daripada nombor qubit dalam litar abstrak kepada nombor qubit dalam komputer kuantum fizikal yang meminimumkan bilangan gate SWAP yang diperlukan. (b) Adakah pilihan anda unik, atau mungkinkah terdapat pilihan lain yang sama baik? (c) Walaupun pilihan anda ialah satu-satunya layout optimum untuk mengurangkan gate SWAP, apakah sebab-sebab Transpiler mungkin memilih pemetaan yang berbeza?

Jawapan

(a) Mungkin terdapat banyak jawapan yang betul, tetapi perhatikan bahawa hanya qubit abstrak 0 mempunyai gate berpaut (dua-qubit) dengan tiga jiran. Semua yang lain mengambil bahagian dalam operasi dua-qubit dengan hanya dua jiran. Litar ini boleh dipetakan kepada topologi heavy-hex tanpa sebarang gate SWAP. Mana-mana layout yang mencapai ini boleh diterima. Menggunakan $\text{aq[0]}$ untuk merujuk qubit abstrak sifar, dan $\text{tq[0]}$ untuk qubit transpiled sifar, satu layout sedemikian ialah:

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[15],}\\ \text{aq[1]} & \rightarrow \text{tq[16],}\\ \text{aq[2]} & \rightarrow \text{tq[19],}\\ \text{aq[3]} & \rightarrow \text{tq[14],}\\ \text{aq[4]} & \rightarrow \text{tq[17],}\\ \text{aq[5]} & \rightarrow \text{tq[25]} \end{aligned}$$

(b) Layout ini tidak unik. Banyak layout lain mengelak gate SWAP sepenuhnya. Contoh lain ialah:

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[3],}\\ \text{aq[1]} & \rightarrow \text{tq[4],}\\ \text{aq[2]} & \rightarrow \text{tq[8],}\\ \text{aq[3]} & \rightarrow \text{tq[2],}\\ \text{aq[4]} & \rightarrow \text{tq[5],}\\ \text{aq[5]} & \rightarrow \text{tq[13]} \end{aligned}$$

(c) Kadangkala qubit tertentu lebih terdedah kepada ralat berbanding kebanyakan yang lain pada cip. Selain itu, sesetengah sambungan antara qubit lebih terdedah kepada ralat berbanding yang lain. Transpiler cuba mencari layout yang mengelak gate SWAP yang tidak perlu, tetapi yang juga menggunakan qubit dan sambungan berkesetiaan tertinggi yang tersedia pada komputer kuantum yang dipilih.

Kurangkan kesan hingar dan ralat

Beberapa addon Qiskit memberi tumpuan khusus kepada mengurangkan kesan hingar dan ketidaksempurnaan perkakasan.

Operator backpropagation dan transformasi litar sedar-hingar

Kita telah membincangkan perambatan pengendali dalam konteks semakan Pauli koheren dalam pembetulan ralat. Namun, perambatan pengendali berguna secara lebih umum. Terdapat dua cara utama untuk menggunakan perambatan pengendali melalui litar kuantum: (1) menyerap beberapa lapisan terakhir litar kuantum ke dalam observable yang diukur, dan (2) mengambil kira kesan ralat yang mungkin dalam litar, dan mengimbanginya dengan mengukur observable yang berbeza. Dua alat seterusnya menggunakan pendekatan ini.

Operator backpropagation

Operator backpropagation mengurangkan kedalaman litar dengan menyerap gate dari hujung litar ke dalam observable yang diukur. Sebagai contoh, pertimbangkan litar berikut.

Litar ini mengandungi lapisan putaran dan lapisan berpaut yang kelihatan tidak remeh, diikuti tangga gate CNOT dan pengukuran Z pada qubit 5. Litar ini mempunyai kedalaman dua-qubit 7. Kedalaman ini adalah sebelum transpilation. Dalam praktik, anda biasanya menggunakan backpropagation selepas transpilation, tetapi contoh ini hanya untuk tujuan pengajaran. Ingat bahawa terdapat peraturan untuk merambatkan observable melepasi sesuatu gate. Khususnya, apabila gate CNOT mempunyai sasaran $q_t$ dan kawalan $q_c$, observable $Z_t$ pada $q_t$ menjadi $Z_c Z_t$ apabila dirambatkan ke belakang melepasi gate CNOT: $Z_t \rightarrow Z_c Z_t$. Dalam litar contoh ini, jika anda merambatkan observable $Z_5$ ke belakang melalui keseluruhan tangga gate CNOT, anda mendapat observable $Z_5 Z_4 Z_3 Z_2 Z_1 Z_0$, atau dalam tatatanda Qiskit piawai, ringkasnya $ZZZZZZ$. Jika kita mengukur observable ini dan bukannya hanya $Z_5$, kita boleh membuang keseluruhan tangga gate CNOT, yang mengurangkan kedalaman dua-qubit daripada 7 kepada 2. Observable ini masih memerlukan pengukuran dalam satu asas sahaja pada setiap qubit, jadi ia tidak meningkatkan bilangan shot yang kita perlukan. Ini tidak selalu berlaku. Secara amnya, observable yang lebih kompleks memerlukan lebih banyak shot, dan kadangkala lebih banyak pengukuran dalam asas yang berbeza.

Strategi keseluruhan operator backpropagation merangkumi langkah-langkah berikut:

• Memendekkan litar yang dilaksanakan

• Menggantikan observable asal dengan observable yang diperluas

• Menukar kedalaman litar dengan keperluan pensampelan yang meningkat

Litar sebelumnya ialah contoh jelas di mana backpropagation memberi kelebihan. Secara amnya, bagaimanapun, tidak mudah untuk mengenal pasti litar yang paling mendapat manfaat daripada backpropagation. Untuk memutuskan bila hendak menggunakan backpropagation, semak berapa banyak kedalaman yang boleh anda buang daripada litar anda, dan timbang pengurangan itu berbanding keperluan pensampelan yang meningkat.

Propagated noise absorption (PNA)

Propagated noise absorption secara struktur serupa dengan operator backpropagation. Namun, daripada merambatkan pengendali ke belakang melalui gate ideal dalam litar, PNA menggabungkan model hingar yang dipelajari dan merambatkan kesan hingar terus ke dalam observable. PNA melakukan perkara berikut:

• Mempelajari tingkah laku hingar daripada perkakasan

• Merambatkan model hingar melalui litar

• Menghasilkan observable terubah suai yang mengimbangi hingar gate

Apabila observable terubah suai diukur pada perkakasan berhingar, nilai jangkaan yang terhasil menghampiri keputusan ideal tanpa hingar dengan lebih baik. PNA mempunyai dua jenis overhed. Pertama, anda mesti mempelajari model hingar, yang memerlukan menjalankan litar tambahan. Kedua, PNA boleh menghasilkan observable yang lebih kompleks, yang boleh meningkatkan keperluan pensampelan.

Circuit cutting

Circuit cutting membahagikan litar besar kepada subLitar yang lebih kecil yang boleh dijalankan secara bebas. Anda kemudian membuat pengukuran yang mencukupi untuk menggabungkan semula keputusan. Circuit cutting melakukan perkara berikut:

• Mengurangkan keperluan perkakasan

• Membenarkan pengiraan yang lebih besar daripada bilangan qubit yang tersedia (litar lebih lebar)

• Membantu menangani had kedalaman dan ketersambungan (litar lebih dalam)

• Membina semula keputusan asal melalui pasca-pemprosesan klasik

Samplomatic

Banyak teknik dalam bahagian sebelumnya melengkapi kaedah penindasan dan pengurangan lain yang dibincangkan sepanjang kursus ini, termasuk:

• Dynamical decoupling

• Pauli twirling

• M3

• TREX

• Zero-noise extrapolation (ZNE)

• Probabilistic error cancellation (PEC)

Dalam banyak aliran kerja, anda boleh menggunakan teknik berbeza pada kawasan berbeza dalam litar yang sama. Seperti yang telah kita lihat, banyak teknik ini juga disertai overhed kuantum. Oleh itu, kadangkala kita memerlukan kawalan halus dan terperinci ke atas pembelajaran hingar, pensampelan, dan penggunaan jujukan twirling. Ini antara motivasi di sebalik Samplomatic.

Samplomatic ialah pustaka sumber terbuka yang membolehkan aliran kerja pensampelan, perawakan, dan pengurangan ralat yang disesuaikan.

Tugas pertamanya ialah menganalisis litar dan membahagikannya kepada kawasan berlabel, atau kotak. Kotak ini mempunyai dua tujuan:

• Ia membahagikan litar secara visual.

• Ia mencipta kawasan berindeks yang boleh dikonfigurasi secara bebas.

Pengguna boleh melampirkan anotasi yang menerangkan cara setiap kotak patut dilayan semasa pelaksanaan. Contohnya termasuk:

• Menggunakan Pauli twirling pada semua kotak

• Menggunakan twirling hanya pada kotak terpilih

• Menggunakan kumpulan twirling berbeza dalam kawasan berbeza

• Menyuntik hingar yang dipelajari ke dalam lapisan tertentu

• Menyesuaikan strategi pengurangan pada tahap yang terperinci

Samplomatic juga mengenal pasti kawasan berkotak yang berulang. Oleh kerana lapisan yang serupa biasanya menunjukkan ciri hingar yang sama, anda hanya perlu melakukan pembelajaran hingar sekali bagi setiap lapisan unik.

Output Samplomatic

Samplomatic menghasilkan dua objek utama:

• Litar templat

• Samplex

Litar templat ialah litar berkotak, transpiled, berparameter yang sedia untuk dilaksanakan. Samplex mengandungi semua maklumat yang diperlukan untuk menjana dan memproses varian litar. Kandungan samplex termasuk:

• Nilai parameter untuk litar berparameter

• Pilihan perawakan

• Taburan persampelan

• Maklumat pasca-pemprosesan

• Metadata pelaksanaan tambahan

Secara formal, samplex ialah taburan kebarangkalian ke atas parameter bagi sebuah circuit templat, bersama maklumat tambahan yang diperlukan untuk pelaksanaan dan pasca-pemprosesan. Kelebihan praktikal yang penting ialah circuit templat dan samplex kedua-duanya dicipta secara setempat di sisi klien. Hasilnya, anda boleh memeriksa, mengesahkan dan menyahpepijatnya sebelum menggunakan sebarang sumber perkakasan.

Samplomatic mempunyai banyak kelebihan, termasuk kawalan terperinci terhadap peruntukan shot adaptif dan perawakan. Ia juga mempunyai kelebihan logistik, seperti aliran kerja pasca-pemprosesan yang berstruktur. Salah satu kelebihan terpenting ialah penggunaan semula maklumat hingar yang dipelajari merentas lapisan yang serupa, yang boleh menjimatkan masa pengkomputeran kuantum dengan ketara semasa pembelajaran hingar.

Shaded lightcones

Sebelum anda memutuskan di mana hendak menggunakan teknik mitigasi yang mahal, adalah berguna untuk mengenal pasti kawasan litar yang paling penting kepada observable yang diukur. Keperluan ini mendorong addon shaded lightcones. Idea lightcone datang daripada relativiti, yang mana hubungan sebab-akibat dihadkan oleh kelajuan terhingga yang boleh dilalui maklumat.

Konsep yang serupa terpakai dalam circuit kuantum.

Pertimbangkan circuit besar yang hanya mempunyai observable berpemberat rendah yang diminati. Observable berpemberat rendah bertindak secara tidak remeh pada hanya beberapa qubit. Observable berpemberat rendah diminati atas banyak sebab. Sebagai contoh, ia boleh mewakili perkara berikut:

• Sebutan individu dalam Hamiltonian yang lebih besar

• Kawasan interaksi setempat

• Maklumat yang dikumpulkan ke atas set kecil qubit ancilla

• Observable lain yang melibatkan hanya beberapa qubit

Tidak setiap ralat dalam circuit boleh menjejaskan hasil pengukuran. Ini terutamanya benar bagi ralat Pauli, atau sebarang ralat yang boleh dimodelkan sebagai set operasi Pauli. Sebagai contoh, lihat circuit berikut:

Ralat Pauli pada qubit 0 dalam lapisan terakhir tidak boleh mempengaruhi pengukuran pada qubit 6, kerana tiada gate penyambung yang boleh merambatkan ralat daripada qubit 0 ke qubit 6. Perhatikan bahawa hujah ini tidak terpakai pada ralat bukan unitari tertentu. Sebagai contoh, peralihan jenis T1 ke keadaan asas pada qubit 0 meruntuhkan qubit 0 kepada keadaan asas komputasi. Jika qubit 0 dan 6 sebelum ini terkusut (seperti dalam circuit ini), ralat bukan unitari pada qubit 0 boleh menjejaskan qubit 6. Perbincangan berikut memfokuskan pada ralat yang boleh diwakili sebagai operasi Pauli, atau sebagai campuran probabilistik operasi Pauli.

Dalam lapisan terakhir, hanya ralat Pauli pada qubit 5 atau qubit 6 yang boleh menjejaskan pengukuran pada qubit 6 secara langsung.

Dalam lapisan berkusut sebelum itu, qubit 5 dan 6 masing-masing terkusut dengan qubit 4 dan 7. Oleh itu, dalam lapisan berkusut tersebut atau sebelum sahaja, ralat Pauli pada mana-mana daripada empat qubit itu boleh menjejaskan pengukuran kemudian. Anda boleh meneruskan penjejakan ke belakang melalui circuit untuk mencari subset gate dan qubit yang berhubung secara sebab-akibat dengan pengukuran. Set sebab-akibat ini membentuk kawasan berbentuk kon dalam ruang (qubit) dan masa (lapisan), yang melahirkan istilah lightcone. Bentuk tepat kawasan itu berbeza dari satu circuit ke circuit yang lain. Oleh sebab analisis ini bergantung pada kesambungan perkakasan dan penempatan gate, ia paling berguna selepas transpilasi, penghalaan dan pengoptimuman susun atur.

Melangkaui kesambungan sebab-akibat

Shaded lightcones memperluas idea ini dengan turut mempertimbangkan jenis ralat yang penting.

Sebagai contoh, perhatikan perkara berikut:

• Ralat Z sejurus sebelum pengukuran asas Z tidak memberi kesan pada hasil pengukuran.

• Ralat X sejurus sebelum pengukuran asas Z boleh mengubah keputusan secara dramatik.

Oleh itu, sesetengah jenis ralat wajar mendapat lebih usaha mitigasi berbanding yang lain. Perbezaan ini boleh mengurangkan overhed bagi teknik seperti PEC dengan ketara. Dalam praktik, addon ini menjana analisis kepekaan yang berasingan bagi setiap jenis ralat berikut:

• X errors

• Z errors

• Ralat Y (atau XZ sehingga satu fasa)

Kepekaan ralat ini secara amnya kelihatan berbeza bagi setiap jenis ralat, kerana ralat berhubung sebab-akibat yang berbeza mempunyai kesan yang berbeza pada pengukuran. Perhatikan juga bahawa kepekaan berubah di sepanjang circuit. Ralat X sejurus sebelum pengukuran mungkin sangat merosakkan, manakala ralat yang berlaku beberapa lapisan lebih awal mungkin mempunyai kesan yang lebih kecil selepas merambat melalui keadaan yang sangat terkusut.

Shaded lightcones mengukur perbezaan ini dengan memberikan nilai kepekaan kepada ralat yang berpotensi di seluruh circuit.

Peta yang terhasil menunjukkan perkara berikut:

• Di mana ralat penting

• Jenis ralat yang mana penting

• Sejauh mana kuat ia mempengaruhi observable akhir

Shaded lightcones tidak memitigasi ralat itu sendiri, tetapi ia boleh membantu memfokuskan usaha mitigasi di tempat yang memberikan manfaat terbesar.

Pelajari dan suntik hingar

Selepas circuit dibina, dioptimumkan dan dianotasi, dua tugas pelengkap masih tinggal: mempelajari hingar, dan menggunakan model hingar (contohnya, untuk menyuntik hingar atau merambatkan kesan hingar).

NoiseLearnerV3

NoiseLearnerV3 ialah alat semasa untuk pembelajaran hingar. Antara muka NoiseLearner sebelumnya menerima keseluruhan circuit dan menghasilkan model hingar Pauli-Lindblad. NoiseLearnerV3 sebaliknya beroperasi terus pada arahan circuit yang berkotak. Ringkasnya, NoiseLearnerV3 melakukan perkara berikut:

• Menerima koleksi lapisan circuit berlabel

• Menggunakan semula maklumat daripada lapisan yang berulang

• Menyokong pembelajaran hingar pengukuran

• Menyokong pasca-pemprosesan model yang dipelajari

• Membolehkan aliran kerja suntikan dan penskalaan hingar

Reka bentuk ini selari rapat dengan aliran kerja Samplomatic yang berorientasikan lapisan. Khususnya, NoiseLearnerV3 menggunakan kaedah berikut bagi setiap set arahan:

• Pembelajaran Pauli-Lindblad untuk operasi gate

• Pembelajaran berasaskan TREX untuk pengukuran

Anda kemudian boleh menggunakan model hingar yang dipelajari dalam banyak kaedah yang telah kita bincangkan. Sebagai contoh, ingat bahawa ekstrapolasi hingar sifar (ZNE) dengan lipatan gate boleh menghasilkan circuit yang terlalu dalam untuk diurus. Kaedah alternatif untuk menskalakan hingar dalam kes itu ialah mengambil sampel daripada model hingar yang diketahui, yang secara berkesan meningkatkan tahap hingar, malah dengan faktor bukan integer. Kaedah ini, penguatan ralat probabilistik (PEA), ialah contoh yang baik tentang cara anda boleh menggunakan model hingar untuk memitigasi ralat. Model hingar yang baik juga diperlukan untuk pembatalan ralat probabilistik (PEC) dan penyerapan hingar terambat (PNA).

Ringkasnya, dengan model hingar berkualiti tinggi, hingar menjadi sumber yang boleh diprogramkan dan bukan sekadar punca ralat.

Shaded lightcones berbanding NoiseLearnerV3

NoiseLearnerV3 dan SLC berkait rapat, tetapi kedua-duanya mengambil input yang berbeza dan menjawab soalan yang berbeza. SLC menentukan di mana hendak memfokuskan usaha mitigasi. NoiseLearnerV3 mencirikan hingar sebenar yang wujud di kawasan tersebut. Proses ini juga melibatkan jenis overhed yang berbeza. Jadual berikut meringkaskan perbezaan ini.

	Shaded lightcones	NoiseLearnerV3
Tujuan	Mengenal pasti di mana mitigasi penting	Mempelajari bagaimana ralat berkelakuan
Overhed	Terutamanya overhed klasik	Memerlukan pelaksanaan perkakasan
Output	Menghasilkan peta kepekaan	Menghasilkan perihalan saluran hingar
Input	Menggunakan struktur circuit dan perambatan operator	Menggunakan struktur circuit dan data perkakasan eksperimen

Pelaksanaan Executor dan runtime

Executor melakukan langkah pelaksanaan akhir. Ia boleh beroperasi pada salah satu input berikut:

• Circuit templat dan samplex yang dijana oleh Samplomatic

• Circuit kuantum lazim tanpa Samplomatic

Dengan fleksibiliti ini, anda boleh menggunakan seberapa banyak atau sedikit komponen aliran kerja pelaksanaan terarah mengikut keperluan anda.

Executor berfungsi rapat dengan Samplomatic, yang menguruskan pilihan perawakan, peruntukan shot, pilihan suntikan hingar dan metadata pelaksanaan berkaitan, seperti yang diterangkan sebelum ini.

Untuk contoh praktikal model pelaksanaan terarah, lihat panduan Directed execution model serta tutorial dan dokumentasi addon Qiskit di IBM Quantum® Platform.

Kesimpulan

Aliran kerja kuantum moden semakin bergantung pada koleksi alat pelengkap dan bukan satu primitif pelaksanaan tunggal.

Alat ini menyokong setiap peringkat aliran kerja:

• Pemetaan masalah

• Pembinaan circuit

• Transpilasi dan pengoptimuman

• Penindasan ralat

• Mitigasi ralat

• Pembelajaran hingar

• Pelaksanaan berstruktur

• Pasca-pemprosesan

Bersama-sama, alat seperti Samplomatic, Executor, NoiseLearnerV3, shaded lightcones, penyerapan hingar terambat, pemotongan circuit dan AQC-Tensor memberikan kawalan yang jauh lebih banyak berbanding model pelaksanaan terdahulu.

Bidang ini terus berkembang pesat. Apabila pemproses kuantum menjadi lebih besar dan lebih bersambung, teknik ini berkemungkinan memainkan peranan yang semakin penting dalam mencapai kelebihan kuantum yang berguna, dan akhirnya berintegrasi dengan lancar bersama aliran kerja pengkomputeran kuantum toleran-kesalahan.