Kompilasi kuantum hampiran untuk litar evolusi masa

Anggaran penggunaan: 15 saat pada pemproses Heron (NOTA: Ini adalah anggaran sahaja. Masa jalan sebenar anda mungkin berbeza.)

Hasil pembelajaran

Selepas menamatkan tutorial ini, anda dijangka dapat memahami maklumat berikut:

Cara menggunakan addon Qiskit AQC-Tensor untuk memampatkan litar Trotter yang dalam kepada litar ansatz yang cetek
Cara menjana ansatz berparameter daripada litar Trotter dan mengoptimumkan parameternya menggunakan kaedah rangkaian tensor (MPS)
Cara menilai kesetiaan litar yang dimampatkan berbanding evolusi sasaran dan menjalankannya pada perkakasan kuantum

Prasyarat

Adalah disyorkan agar anda membiasakan diri dengan topik-topik ini:

Latar belakang

Tutorial ini menunjukkan cara melaksanakan Kompilasi Kuantum Hampiran menggunakan rangkaian tensor (AQC-Tensor) dengan Qiskit untuk meningkatkan prestasi litar kuantum. AQC-Tensor memampatkan litar Trotter yang dalam kepada litar yang lebih cetek dan mesra perkakasan sambil mengekalkan ketepatan simulasi.

Cara AQC-Tensor berfungsi

Pertimbangkan mensimulasikan Hamiltonian $H$ untuk jumlah masa $t$ menggunakan $k$ langkah Trotter. Litar Trotter penuh ialah:

U_{\text{full}} = \left[U_{\text{Trotter}}(t/k)\right]^k

Pendekatan naif menggunakan sedikit langkah Trotter untuk mengekalkan kedalaman litar yang terurus, tetapi ini memperkenalkan ralat Trotter yang ketara. AQC-Tensor menyelesaikan ketegangan ini dengan memisahkan ketepatan daripada kedalaman:

Litar sasaran (ketepatan tinggi, dalam): Bina litar Trotter dengan banyak langkah—katakan $10k$ —untuk masa evolusi yang sama. Litar ini mempunyai ralat Trotter yang jauh lebih sedikit, tetapi terlalu dalam untuk perkakasan. Kerana ia hanya disimulasikan secara klasik sebagai keadaan produk matriks (MPS), kedalaman bukan satu kebimbangan.
Litar ansatz (kedalaman rendah, berparameter): Takrifkan litar berparameter $V(\theta)$ dengan struktur yang sama seperti litar Trotter satu langkah. Mulakannya supaya $V(\theta_{\text{init}}) = U_{\text{Trotter}}(t/k)$ , kemudian optimumkan $\theta$ secara berulang supaya $V(\theta)$ menghasilkan semula keadaan sasaran berketepatan tinggi sedekat mungkin.

Hasilnya ialah litar yang mengekalkan kedalaman satu langkah Trotter tetapi mencapai ketepatan yang banyak, menjadikannya boleh dilaksanakan pada perkakasan kuantum jangka terdekat.

Bila menggunakan AQC-Tensor

AQC-Tensor paling berkesan apabila:

Kedalaman litar melebihi masa koherensi perkakasan. Jika simulasi Trotter memerlukan lebih banyak langkah Trotter daripada yang boleh disokong oleh peranti, AQC-Tensor boleh memampatkan evolusi kepada litar yang lebih cetek.
Keterjeratan kekal boleh diurus secara klasik. Jumlah keterjeratan dalam keadaan yang berevolusi masa bergantung terutamanya pada masa evolusi $t$ , bukan bilangan langkah Trotter $k$ . Ini bermakna litar sasaran dengan $10k$ langkah biasanya tidak lebih sukar untuk diwakili sebagai MPS daripada yang dengan $k$ langkah, selagi $t$ cukup pendek untuk dimensi ikatan kekal terurus.
Ansatz semula jadi wujud. Kerana ansatz mencerminkan struktur litar Trotter, ia menyediakan titik permulaan yang bermotivasi fizikal dengan parameter awal yang ditakrifkan dengan baik, mengelakkan isu penumpuan yang boleh mengganggu ansatz variasi sewenang-wenangnya.

Pendekatan ini berbeza dengan pemampatan litar generik: daripada cuba menghampiri uniti sewenang-wenang dengan lebih sedikit get, AQC-Tensor mengekalkan struktur get yang sama dan mengoptimumkan parameternya untuk mengurangkan ralat Trotter. Maklumat lanjut boleh didapati dalam dokumentasi AQC-Tensor.

Tutorial ini membimbing anda melalui aliran kerja AQC-Tensor penyediaan keadaan penuh: mentakrifkan Hamiltonian, menjana litar Trotter, memampatkannya melalui pengoptimuman rangkaian tensor, dan melaksanakan hasilnya pada perkakasan IBM Quantum®.

Keperluan

Sebelum memulakan tutorial ini, pastikan anda telah memasang yang berikut:

Qiskit SDK v2.0 atau lebih baru, dengan sokongan visualisasi
Qiskit Runtime v0.22 atau lebih baru (pip install qiskit-ibm-runtime)
Addon Qiskit AQC-Tensor (pip install 'qiskit-addon-aqc-tensor[aer,quimb-jax]')

Persediaan

# Added by doQumentation — required packages for this notebook
!pip install -q matplotlib numpy qiskit qiskit-addon-aqc-tensor qiskit-addon-utils qiskit-ibm-runtime quimb rustworkx scipy

import numpy as np
import quimb.tensor
import datetime
import matplotlib.pyplot as plt

from scipy.linalg import expm
from scipy.optimize import OptimizeResult, minimize

from qiskit.quantum_info import SparsePauliOp, Pauli
from qiskit.transpiler import CouplingMap
from qiskit.transpiler.preset_passmanagers import generate_preset_pass_manager
from qiskit import QuantumCircuit
from qiskit.synthesis import SuzukiTrotter

from qiskit_addon_utils.problem_generators import (
    generate_time_evolution_circuit,
)
from qiskit_addon_aqc_tensor.ansatz_generation import (
    generate_ansatz_from_circuit,
)
from qiskit_addon_aqc_tensor.objective import MaximizeStateFidelity
from qiskit_addon_aqc_tensor.simulation.quimb import QuimbSimulator
from qiskit_addon_aqc_tensor.simulation import tensornetwork_from_circuit
from qiskit_addon_aqc_tensor.simulation import compute_overlap

from qiskit_ibm_runtime import QiskitRuntimeService
from qiskit_ibm_runtime import EstimatorV2 as Estimator
from qiskit_ibm_runtime.fake_provider import FakeKyiv

from rustworkx.visualization import graphviz_draw

Contoh simulator skala kecil

Bahagian ini menggunakan sistem 10-tapak untuk menggambarkan aliran kerja AQC-Tensor langkah demi langkah. Kita mensimulasikan dinamik rantai spin XXZ 10-tapak, model yang dikaji secara meluas untuk mengkaji interaksi spin dan sifat magnetik.

Hamiltonian adalah seperti berikut:

\hat{\mathcal{H}}_{XXZ} = \sum_{i=1}^{L-1} J_{i,(i+1)}\left(X_i X_{(i+1)}+Y_i Y_{(i+1)}+ 2\cdot Z_i Z_{(i+1)} \right) \, ,

di mana $J_{i,(i+1)}$ adalah pekali rawak untuk tepi $(i, i+1)$ dan $L=10$ .

Langkah 1: Petakan input klasik kepada masalah kuantum

Dalam langkah ini, kita:

Takrifkan Hamiltonian, boleh cerap, dan keadaan awal.
Kira nilai jangkaan yang tepat secara klasik untuk perbandingan kemudian.
Jana litar Trotter berketepatan tinggi (sasaran AQC) dan mampatkannya kepada ansatz berkedalaman rendah menggunakan AQC-Tensor.

Sediakan Hamiltonian, boleh cerap, dan keadaan awal

# L is the number of sites in the 1D spin chain
L = 10

# Generate the coupling map
edge_list = [(i - 1, i) for i in range(1, L)]
even_edges = edge_list[::2]
odd_edges = edge_list[1::2]
coupling_map = CouplingMap(edge_list)

# Generate random coefficients for our XXZ Hamiltonian
np.random.seed(0)
Js = np.random.rand(L - 1) + 0.5 * np.ones(L - 1)
hamiltonian = SparsePauliOp(Pauli("I" * L))
for i, edge in enumerate(even_edges + odd_edges):
    hamiltonian += SparsePauliOp.from_sparse_list(
        [
            ("XX", (edge), Js[i] / 2),
            ("YY", (edge), Js[i] / 2),
            ("ZZ", (edge), Js[i]),
        ],
        num_qubits=L,
    )

# Generate a ZZ observable between the two middle qubits
observable = SparsePauliOp.from_sparse_list(
    [("ZZ", (L // 2 - 1, L // 2), 1.0)], num_qubits=L
)

# Generate an initial Néel state |1010101010⟩
initial_state_circuit = QuantumCircuit(L)
for i in range(L):
    if i % 2:
        initial_state_circuit.x(i)

print("Hamiltonian:", hamiltonian)
print("Observable:", observable)
graphviz_draw(coupling_map.graph, method="circo")

Hamiltonian: SparsePauliOp(['IIIIIIIIII', 'IIIIIIIIXX', 'IIIIIIIIYY', 'IIIIIIIIZZ', 'IIIIIIXXII', 'IIIIIIYYII', 'IIIIIIZZII', 'IIIIXXIIII', 'IIIIYYIIII', 'IIIIZZIIII', 'IIXXIIIIII', 'IIYYIIIIII', 'IIZZIIIIII', 'XXIIIIIIII', 'YYIIIIIIII', 'ZZIIIIIIII', 'IIIIIIIXXI', 'IIIIIIIYYI', 'IIIIIIIZZI', 'IIIIIXXIII', 'IIIIIYYIII', 'IIIIIZZIII', 'IIIXXIIIII', 'IIIYYIIIII', 'IIIZZIIIII', 'IXXIIIIIII', 'IYYIIIIIII', 'IZZIIIIIII'],
              coeffs=[1.        +0.j, 0.52440675+0.j, 0.52440675+0.j, 1.0488135 +0.j,
 0.60759468+0.j, 0.60759468+0.j, 1.21518937+0.j, 0.55138169+0.j,
 0.55138169+0.j, 1.10276338+0.j, 0.52244159+0.j, 0.52244159+0.j,
 1.04488318+0.j, 0.4618274 +0.j, 0.4618274 +0.j, 0.9236548 +0.j,
 0.57294706+0.j, 0.57294706+0.j, 1.14589411+0.j, 0.46879361+0.j,
 0.46879361+0.j, 0.93758721+0.j, 0.6958865 +0.j, 0.6958865 +0.j,
 1.391773  +0.j, 0.73183138+0.j, 0.73183138+0.j, 1.46366276+0.j])
Observable: SparsePauliOp(['IIIIZZIIII'],
              coeffs=[1.+0.j])

Output of the previous code cell

Kira nilai jangkaan yang tepat

Untuk sistem bersaiz ini, kita boleh mengira nilai jangkaan yang berevolusi masa dengan tepat secara langsung menggunakan pendaraban eksponen matriks. Ini menjadi rujukan kebenaran kita untuk menilai ketepatan litar AQC.

aqc_evolution_time = 0.2

# Each baseline Trotter step covers dt = aqc_evolution_time / 3
# The subsequent (uncompressed) step covers 1 additional dt
subsequent_evolution_time = aqc_evolution_time / 3
total_evolution_time = aqc_evolution_time + subsequent_evolution_time

# Compute exact expectation value via matrix exponentiation
H_matrix = hamiltonian.to_matrix()
U_exact = expm(-1j * H_matrix * total_evolution_time)

# Build the initial state vector (Néel state)
initial_state_vec = np.zeros(2**L)
state_idx = sum(2**i for i in range(L) if i % 2)
initial_state_vec[state_idx] = 1.0

# Evolve and compute expectation value
evolved_state = U_exact @ initial_state_vec
obs_matrix = observable.to_matrix()
exact_expval = (evolved_state.conj() @ obs_matrix @ evolved_state).real

print(f"AQC evolution time: {aqc_evolution_time}")
print(f"Subsequent evolution time: {subsequent_evolution_time:.6f}")
print(f"Total evolution time: {total_evolution_time:.6f}")
print(f"Exact expectation value: {exact_expval:.6f}")

AQC evolution time: 0.2
Subsequent evolution time: 0.066667
Total evolution time: 0.266667
Exact expectation value: -0.700899

Jana litar sasaran AQC

Kita kini membina litar Trotter yang akan menjadi sasaran AQC. Litar ini menggunakan banyak langkah Trotter (32) untuk ketepatan yang tinggi. Kerana ia hanya akan disimulasikan secara klasik sebagai MPS—bukan dilaksanakan pada perkakasan—kedalaman yang besar bukan satu kebimbangan.

aqc_target_num_trotter_steps = 32

aqc_target_circuit = initial_state_circuit.copy()
aqc_target_circuit.compose(
    generate_time_evolution_circuit(
        hamiltonian,
        synthesis=SuzukiTrotter(reps=aqc_target_num_trotter_steps),
        time=aqc_evolution_time,
    ),
    inplace=True,
)

Jana ansatz, parameter awal, litar seterusnya, dan litar garis dasar

Seterusnya, kita membina litar "baik" dengan masa evolusi yang sama seperti sasaran AQC tetapi dengan langkah Trotter yang jauh lebih sedikit (hanya satu). Kita menghantar litar ini ke generate_ansatz_from_circuit, yang mengembalikan:

Litar ansatz berparameter umum dengan ketersambungan dua-qubit yang sama.
Parameter awal yang menghasilkan semula litar input apabila dimasukkan ke dalam ansatz.

Kita juga membina:

Litar seterusnya dengan satu langkah Trotter yang akan dilampirkan (tidak dimampatkan) selepas bahagian yang dioptimumkan oleh AQC, mengikuti pendekatan dalam tutorial keadaan awal AQC-Tensor.
Litar Trotter garis dasar menggunakan empat langkah Trotter merentasi jumlah masa evolusi (aqc_evolution_time + subsequent_evolution_time). Ini berfungsi sebagai perbandingan: ia mewakili apa yang akan anda jalankan pada perkakasan tanpa AQC. Ansatz AQC (3 langkah termampat + 1 langkah tidak termampat) mencapai ketepatan yang lebih baik pada kedalaman yang lebih rendah.

aqc_ansatz_num_trotter_steps = 1

aqc_good_circuit = initial_state_circuit.copy()
aqc_good_circuit.compose(
    generate_time_evolution_circuit(
        hamiltonian,
        synthesis=SuzukiTrotter(reps=aqc_ansatz_num_trotter_steps),
        time=aqc_evolution_time,
    ),
    inplace=True,
)

aqc_ansatz, aqc_initial_parameters = generate_ansatz_from_circuit(
    aqc_good_circuit
)

# Subsequent circuit: 1 non-compressed Trotter step appended after AQC
subsequent_num_trotter_steps = 1
subsequent_circuit = generate_time_evolution_circuit(
    hamiltonian,
    synthesis=SuzukiTrotter(reps=subsequent_num_trotter_steps),
    time=subsequent_evolution_time,
)

# Baseline Trotter circuit: 4 Trotter steps over total evolution time, no AQC
baseline_num_trotter_steps = 4
baseline_circuit = initial_state_circuit.copy()
baseline_circuit.compose(
    generate_time_evolution_circuit(
        hamiltonian,
        synthesis=SuzukiTrotter(reps=baseline_num_trotter_steps),
        time=total_evolution_time,
    ),
    inplace=True,
)

print(
    f"Target circuit:      depth {aqc_target_circuit.depth(lambda x: x.operation.num_qubits == 2)}"
)
print(
    f"Baseline circuit:    depth {baseline_circuit.depth(lambda x: x.operation.num_qubits == 2)} ({baseline_num_trotter_steps} Trotter steps, time={total_evolution_time:.4f})"
)
print(
    f"Subsequent circuit:  depth {subsequent_circuit.depth(lambda x: x.operation.num_qubits == 2)} ({subsequent_num_trotter_steps} Trotter step, time={subsequent_evolution_time:.4f})"
)
print(
    f"Ansatz circuit:      depth {aqc_ansatz.depth(lambda x: x.operation.num_qubits == 2)}, with {len(aqc_initial_parameters)} parameters"
)
aqc_ansatz.draw("mpl", fold=-1)

Target circuit:      depth 384
Baseline circuit:    depth 48 (4 Trotter steps, time=0.2667)
Subsequent circuit:  depth 12 (1 Trotter step, time=0.0667)
Ansatz circuit:      depth 3, with 156 parameters

Output of the previous code cell

Sediakan simulasi rangkaian tensor dan bina MPS sasaran

Kita menggunakan simulator litar keadaan produk matriks (MPS) quimb, dengan JAX menyediakan pembezaan automatik untuk pengoptimuman berasaskan kecerunan. Kita kemudian membina perwakilan MPS bagi keadaan sasaran dan menilai kesetiaan awal antara ansatz awal dan sasaran. Memandangkan contoh masalah ini adalah contoh yang agak kecil, kesetiaan awal bermula agak tinggi.

simulator_settings = QuimbSimulator(
    quimb.tensor.CircuitMPS, autodiff_backend="jax"
)

aqc_target_mps = tensornetwork_from_circuit(
    aqc_target_circuit, simulator_settings
)
print("Target MPS maximum bond dimension:", aqc_target_mps.psi.max_bond())

good_mps = tensornetwork_from_circuit(aqc_good_circuit, simulator_settings)
starting_fidelity = abs(compute_overlap(good_mps, aqc_target_mps)) ** 2
print(f"Starting fidelity: {starting_fidelity:.6f}")

Target MPS maximum bond dimension: 5
Starting fidelity: 0.998246

Optimumkan parameter ansatz

Kita meminimumkan fungsi kos MaximizeStateFidelity menggunakan pengoptimum L-BFGS-B. Pengoptimum ini menyesuaikan parameter ansatz secara berulang untuk memaksimumkan kesetiaan antara litar ansatz dan MPS sasaran.

aqc_stopping_fidelity = 1
aqc_max_iterations = 500

stopping_point = 1.0 - aqc_stopping_fidelity
objective = MaximizeStateFidelity(
    aqc_target_mps, aqc_ansatz, simulator_settings
)

def callback(intermediate_result: OptimizeResult):
    fidelity = 1 - intermediate_result.fun
    print(
        f"{datetime.datetime.now()} Intermediate result: Fidelity {fidelity:.8f}"
    )
    if intermediate_result.fun < stopping_point:
        raise StopIteration

result = minimize(
    objective,
    aqc_initial_parameters,
    method="L-BFGS-B",
    jac=True,
    options={"maxiter": aqc_max_iterations},
    callback=callback,
)
if result.status not in (0, 1, 99):
    raise RuntimeError(
        f"Optimization failed: {result.message} (status={result.status})"
    )

print(f"Done after {result.nit} iterations.")
aqc_final_parameters = result.x

2026-05-18 13:14:49.731596 Intermediate result: Fidelity 0.99952882
2026-05-18 13:14:49.734425 Intermediate result: Fidelity 0.99958531
2026-05-18 13:14:49.737101 Intermediate result: Fidelity 0.99960093
2026-05-18 13:14:49.739813 Intermediate result: Fidelity 0.99961046
2026-05-18 13:14:49.742969 Intermediate result: Fidelity 0.99962560
2026-05-18 13:14:49.745916 Intermediate result: Fidelity 0.99964395
2026-05-18 13:14:49.748615 Intermediate result: Fidelity 0.99968150
2026-05-18 13:14:49.753684 Intermediate result: Fidelity 0.99970569
2026-05-18 13:14:49.756208 Intermediate result: Fidelity 0.99973788
2026-05-18 13:14:49.759067 Intermediate result: Fidelity 0.99975385
2026-05-18 13:14:49.762321 Intermediate result: Fidelity 0.99976458
2026-05-18 13:14:49.765526 Intermediate result: Fidelity 0.99977661
2026-05-18 13:14:49.768496 Intermediate result: Fidelity 0.99978663
2026-05-18 13:14:49.771278 Intermediate result: Fidelity 0.99980236
2026-05-18 13:14:49.773735 Intermediate result: Fidelity 0.99981607
2026-05-18 13:14:49.776339 Intermediate result: Fidelity 0.99982811
2026-05-18 13:14:49.779177 Intermediate result: Fidelity 0.99985827
2026-05-18 13:14:49.782243 Intermediate result: Fidelity 0.99988354
2026-05-18 13:14:49.784904 Intermediate result: Fidelity 0.99991608
2026-05-18 13:14:49.787737 Intermediate result: Fidelity 0.99993336
2026-05-18 13:14:49.790414 Intermediate result: Fidelity 0.99993956
2026-05-18 13:14:49.793029 Intermediate result: Fidelity 0.99994421
2026-05-18 13:14:49.795585 Intermediate result: Fidelity 0.99994743
2026-05-18 13:14:49.835045 Intermediate result: Fidelity 0.99994791
2026-05-18 13:14:49.839786 Intermediate result: Fidelity 0.99994803
2026-05-18 13:14:49.842403 Intermediate result: Fidelity 0.99994898
2026-05-18 13:14:49.873779 Intermediate result: Fidelity 0.99994898
Done after 27 iterations.

Kumpulkan litar AQC akhir

Dengan parameter yang dioptimumkan, kita ikatkan kepada ansatz dan kemudian lampirkan langkah Trotter seterusnya (tidak dimampatkan). Litar yang terhasil mempunyai kedalaman satu langkah Trotter termampat ditambah satu langkah tidak termampat, tetapi bahagian yang dimampatkan menghampiri ketepatan 32 langkah Trotter.

aqc_final_circuit = aqc_ansatz.assign_parameters(aqc_final_parameters)
aqc_final_circuit.compose(subsequent_circuit, inplace=True)
aqc_final_circuit.draw("mpl", fold=-1)

Output of the previous code cell

Langkah 2: Optimumkan masalah untuk pelaksanaan perkakasan kuantum

Untuk contoh skala kecil ini, kita menggunakan backend palsu (FakeKyiv) untuk mensimulasikan pelaksanaan perkakasan secara tempatan. Kita mentranspilkan kedua-dua litar yang dioptimumkan oleh AQC (aqc_final_circuit) dan litar Trotter garis dasar (baseline_circuit, empat langkah Trotter merentasi jumlah masa evolusi, tanpa AQC) kepada seni bina set arahan (ISA) backend, dengan optimization_level=3 untuk mengurangkan lagi kedalaman litar.

backend = FakeKyiv()

pass_manager = generate_preset_pass_manager(
    backend=backend, optimization_level=3
)

# Transpile the AQC-optimized circuit (compressed + subsequent step)
isa_circuit = pass_manager.run(aqc_final_circuit)
isa_observable = observable.apply_layout(isa_circuit.layout)
print(
    "AQC circuit depth:",
    isa_circuit.depth(lambda x: x.operation.num_qubits == 2),
)

# Transpile the baseline Trotter circuit (no AQC optimization)
isa_baseline_circuit = pass_manager.run(baseline_circuit)
isa_baseline_observable = observable.apply_layout(isa_baseline_circuit.layout)
print(
    "Baseline Trotter circuit depth:",
    isa_baseline_circuit.depth(lambda x: x.operation.num_qubits == 2),
)

AQC circuit depth: 15
Baseline Trotter circuit depth: 27

Langkah 3: Laksanakan menggunakan primitif Qiskit

Kita menggunakan primitif EstimatorV2 dengan backend palsu untuk menjalankan kedua-dua litar yang dioptimumkan oleh AQC dan litar Trotter garis dasar, mengukur observable ZZ bagi setiap satu.

estimator = Estimator(backend)

# Run both circuits
aqc_result = estimator.run([(isa_circuit, isa_observable)]).result()
baseline_result = estimator.run(
    [(isa_baseline_circuit, isa_baseline_observable)]
).result()

Langkah 4: Proses pasca dan kembalikan hasil dalam format klasik yang dikehendaki

Kita mengekstrak nilai jangkaan daripada kedua-dua pelaksanaan dan membandingkannya dengan hasil yang tepat. Litar Trotter garis dasar menunjukkan apa yang kita dapat tanpa AQC pada kedalaman litar yang sama, manakala litar AQC menunjukkan penambahbaikan daripada pengoptimuman rangkaian tensor.

aqc_expval = aqc_result[0].data.evs.tolist()
baseline_expval = baseline_result[0].data.evs.tolist()

print(f"Exact:              {exact_expval:.4f}")
print(
    f"Baseline Trotter:   {baseline_expval:.4f}, |\u0394| = {np.abs(exact_expval - baseline_expval):.4f}  (depth {isa_baseline_circuit.depth(lambda x: x.operation.num_qubits == 2)}, {baseline_num_trotter_steps} steps)"
)
print(
    f"AQC (3+1):          {aqc_expval:.4f}, |\u0394| = {np.abs(exact_expval - aqc_expval):.4f}  (depth {isa_circuit.depth(lambda x: x.operation.num_qubits == 2)}, compressed+subsequent)"
)

Exact:              -0.7009
Baseline Trotter:   -0.5400, |Δ| = 0.1609  (depth 27, 4 steps)
AQC (3+1):          -0.5728, |Δ| = 0.1281  (depth 15, compressed+subsequent)

plt.style.use("seaborn-v0_8")

labels = [
    f"Baseline Trotter\n({baseline_num_trotter_steps} steps, depth {isa_baseline_circuit.depth(lambda x: x.operation.num_qubits == 2)})",
    f"AQC (3+1)\n(depth {isa_circuit.depth(lambda x: x.operation.num_qubits == 2)})",
]
values = [baseline_expval, aqc_expval]
colors = ["tab:orange", "tab:blue"]

plt.figure(figsize=(8, 5))
bars = plt.bar(labels, values, color=colors, width=0.5)
plt.axhline(
    y=exact_expval,
    color="tab:green",
    linestyle="--",
    linewidth=2,
    label=f"Exact ({exact_expval:.4f})",
)
plt.ylabel("Expected Value")
plt.title(
    "AQC-Tensor (3 compressed + 1 uncompressed) vs Baseline Trotter (10-site XXZ)"
)
plt.legend()
for bar in bars:
    y_val = bar.get_height()
    plt.text(
        bar.get_x() + bar.get_width() / 2.0,
        y_val,
        f"{y_val:.4f}",
        ha="center",
        va="bottom" if y_val >= 0 else "top",
    )
plt.axhline(y=0, color="black", linewidth=0.3)
plt.tight_layout()
plt.show()

Output of the previous code cell

Contoh perkakasan skala besar

Kita kini meningkatkan skala kepada model XXZ 50-tapak untuk menunjukkan AQC-Tensor pada saiz masalah yang lebih realistik. Aliran kerja adalah sama seperti contoh skala kecil: kita mampatkan tiga langkah Trotter melalui AQC dan lampirkan satu langkah tidak termampat.

Untuk sistem bersaiz ini, pendaraban eksponen matriks tidak boleh dilaksanakan ( $2^{50}$ dimensi), jadi kita mengira nilai jangkaan rujukan secara langsung daripada MPS berketepatan tinggi yang berevolusi untuk jumlah masa.

Langkah 1–4 digabungkan

# -------------------------Step 1-------------------------

# Define the 50-site spin chain
L = 50
edge_list = [(i - 1, i) for i in range(1, L)]
even_edges = edge_list[::2]
odd_edges = edge_list[1::2]
coupling_map = CouplingMap(edge_list)

# Random XXZ Hamiltonian
np.random.seed(0)
Js = np.random.rand(L - 1) + 0.5 * np.ones(L - 1)
hamiltonian = SparsePauliOp(Pauli("I" * L))
for i, edge in enumerate(even_edges + odd_edges):
    hamiltonian += SparsePauliOp.from_sparse_list(
        [
            ("XX", (edge), Js[i] / 2),
            ("YY", (edge), Js[i] / 2),
            ("ZZ", (edge), Js[i]),
        ],
        num_qubits=L,
    )

observable = SparsePauliOp.from_sparse_list(
    [("ZZ", (L // 2 - 1, L // 2), 1.0)], num_qubits=L
)

# Initial Néel state
initial_state_circuit = QuantumCircuit(L)
for i in range(L):
    if i % 2:
        initial_state_circuit.x(i)

# Time parameters
aqc_evolution_time = 0.2
subsequent_evolution_time = aqc_evolution_time / 3
total_evolution_time = aqc_evolution_time + subsequent_evolution_time

# AQC target circuit (high-accuracy, 32 Trotter steps for AQC portion)
aqc_target_num_trotter_steps = 32

aqc_target_circuit = initial_state_circuit.copy()
aqc_target_circuit.compose(
    generate_time_evolution_circuit(
        hamiltonian,
        synthesis=SuzukiTrotter(reps=aqc_target_num_trotter_steps),
        time=aqc_evolution_time,
    ),
    inplace=True,
)

# Generate ansatz from 1-step Trotter circuit
aqc_good_circuit = initial_state_circuit.copy()
aqc_good_circuit.compose(
    generate_time_evolution_circuit(
        hamiltonian,
        synthesis=SuzukiTrotter(reps=1),
        time=aqc_evolution_time,
    ),
    inplace=True,
)

aqc_ansatz, aqc_initial_parameters = generate_ansatz_from_circuit(
    aqc_good_circuit
)

# Subsequent circuit: 1 non-compressed Trotter step
subsequent_circuit = generate_time_evolution_circuit(
    hamiltonian,
    synthesis=SuzukiTrotter(reps=1),
    time=subsequent_evolution_time,
)

# Baseline Trotter circuit: 4 Trotter steps over total evolution time, no AQC
baseline_num_trotter_steps = 4
baseline_circuit = initial_state_circuit.copy()
baseline_circuit.compose(
    generate_time_evolution_circuit(
        hamiltonian,
        synthesis=SuzukiTrotter(reps=baseline_num_trotter_steps),
        time=total_evolution_time,
    ),
    inplace=True,
)
print(
    f"Target circuit:  depth {aqc_target_circuit.depth(lambda x: x.operation.num_qubits == 2)}"
)
print(
    f"Ansatz circuit:  depth {aqc_ansatz.depth(lambda x: x.operation.num_qubits == 2)}, with {len(aqc_initial_parameters)} parameters"
)
print(
    f"Subsequent circuit: depth {subsequent_circuit.depth(lambda x: x.operation.num_qubits == 2)}"
)
print(
    f"Baseline circuit:   depth {baseline_circuit.depth(lambda x: x.operation.num_qubits == 2)} ({baseline_num_trotter_steps} steps, time={total_evolution_time:.4f})"
)

# Build target MPS and compute reference expectation value
simulator_settings = QuimbSimulator(
    quimb.tensor.CircuitMPS, autodiff_backend="jax"
)
aqc_target_mps = tensornetwork_from_circuit(
    aqc_target_circuit, simulator_settings
)
print("Target MPS maximum bond dimension:", aqc_target_mps.psi.max_bond())

# For the reference expectation value, we need the full evolution (AQC + subsequent)
# Build a high-accuracy full circuit for MPS reference
full_target_circuit = initial_state_circuit.copy()
full_target_circuit.compose(
    generate_time_evolution_circuit(
        hamiltonian,
        synthesis=SuzukiTrotter(reps=aqc_target_num_trotter_steps),
        time=total_evolution_time,
    ),
    inplace=True,
)
full_target_mps = tensornetwork_from_circuit(
    full_target_circuit, simulator_settings
)
exact_expval = full_target_mps.local_expectation(
    quimb.pauli("Z") & quimb.pauli("Z"), (L // 2 - 1, L // 2)
).real.item()
print(f"Reference expectation value (from MPS): {exact_expval:.6f}")

# Optimize ansatz parameters
objective = MaximizeStateFidelity(
    aqc_target_mps, aqc_ansatz, simulator_settings
)

def callback(intermediate_result: OptimizeResult):
    fidelity = 1 - intermediate_result.fun
    print(
        f"{datetime.datetime.now()} Intermediate result: Fidelity {fidelity:.8f}"
    )

result = minimize(
    objective,
    aqc_initial_parameters,
    method="L-BFGS-B",
    jac=True,
    options={"maxiter": 500},
    callback=callback,
)
if result.status not in (0, 1, 99):
    raise RuntimeError(
        f"Optimization failed: {result.message} (status={result.status})"
    )
print(f"Done after {result.nit} iterations.")

# Assemble the final AQC circuit: optimized ansatz + subsequent Trotter step
aqc_final_circuit = aqc_ansatz.assign_parameters(result.x)
aqc_final_circuit.compose(subsequent_circuit, inplace=True)

# -------------------------Step 2-------------------------

service = QiskitRuntimeService()
backend = service.least_busy(min_num_qubits=127)
print(backend)

pass_manager = generate_preset_pass_manager(
    backend=backend, optimization_level=3
)
isa_circuit = pass_manager.run(aqc_final_circuit)
isa_observable = observable.apply_layout(isa_circuit.layout)
print(
    "AQC circuit depth:",
    isa_circuit.depth(lambda x: x.operation.num_qubits == 2),
)

# Also transpile the baseline Trotter circuit (4 Trotter steps, no AQC)
isa_baseline_circuit = pass_manager.run(baseline_circuit)
isa_baseline_observable = observable.apply_layout(isa_baseline_circuit.layout)
print(
    "Baseline Trotter circuit depth:",
    isa_baseline_circuit.depth(lambda x: x.operation.num_qubits == 2),
)

# -------------------------Step 3-------------------------

# Submit both circuits in a single job
estimator = Estimator(backend)
estimator.options.environment.job_tags = ["TUT_AQCTE"]

job = estimator.run(
    [
        (isa_circuit, isa_observable),
        (isa_baseline_circuit, isa_baseline_observable),
    ]
)
print("Job ID:", job.job_id())

Target circuit:  depth 385
Ansatz circuit:  depth 7, with 816 parameters
Subsequent circuit: depth 12
Baseline circuit:   depth 49 (4 steps, time=0.2667)
Target MPS maximum bond dimension: 5
Reference expectation value (from MPS): -0.738669
2026-05-18 13:02:11.219150 Intermediate result: Fidelity 0.99795732
2026-05-18 13:02:11.232256 Intermediate result: Fidelity 0.99822481
2026-05-18 13:02:11.245160 Intermediate result: Fidelity 0.99829520
2026-05-18 13:02:11.257765 Intermediate result: Fidelity 0.99832379
2026-05-18 13:02:11.270280 Intermediate result: Fidelity 0.99836416
2026-05-18 13:02:11.284116 Intermediate result: Fidelity 0.99840073
2026-05-18 13:02:11.296856 Intermediate result: Fidelity 0.99846863
2026-05-18 13:02:11.309602 Intermediate result: Fidelity 0.99865244
2026-05-18 13:02:11.322012 Intermediate result: Fidelity 0.99872665
2026-05-18 13:02:11.334195 Intermediate result: Fidelity 0.99892335
2026-05-18 13:02:11.346570 Intermediate result: Fidelity 0.99901045
2026-05-18 13:02:11.359202 Intermediate result: Fidelity 0.99907181
2026-05-18 13:02:11.371511 Intermediate result: Fidelity 0.99911125
2026-05-18 13:02:11.383870 Intermediate result: Fidelity 0.99918585
2026-05-18 13:02:11.396184 Intermediate result: Fidelity 0.99921504
2026-05-18 13:02:11.408543 Intermediate result: Fidelity 0.99924936
2026-05-18 13:02:11.422557 Intermediate result: Fidelity 0.99929226
2026-05-18 13:02:11.436275 Intermediate result: Fidelity 0.99933099
2026-05-18 13:02:11.449511 Intermediate result: Fidelity 0.99935792
2026-05-18 13:02:11.462093 Intermediate result: Fidelity 0.99937925
2026-05-18 13:02:11.475783 Intermediate result: Fidelity 0.99940690
2026-05-18 13:02:11.490254 Intermediate result: Fidelity 0.99944409
2026-05-18 13:02:11.503292 Intermediate result: Fidelity 0.99946840
2026-05-18 13:02:11.516064 Intermediate result: Fidelity 0.99949378
2026-05-18 13:02:11.532861 Intermediate result: Fidelity 0.99951380
2026-05-18 13:02:11.546182 Intermediate result: Fidelity 0.99955313
2026-05-18 13:02:11.559168 Intermediate result: Fidelity 0.99955707
2026-05-18 13:02:11.571753 Intermediate result: Fidelity 0.99959306
2026-05-18 13:02:11.584257 Intermediate result: Fidelity 0.99960486
2026-05-18 13:02:11.597610 Intermediate result: Fidelity 0.99961714
2026-05-18 13:02:11.610106 Intermediate result: Fidelity 0.99962953
2026-05-18 13:02:11.622515 Intermediate result: Fidelity 0.99963525
2026-05-18 13:02:11.635543 Intermediate result: Fidelity 0.99964658
2026-05-18 13:02:11.649044 Intermediate result: Fidelity 0.99965027
2026-05-18 13:02:11.664148 Intermediate result: Fidelity 0.99965802
2026-05-18 13:02:11.678033 Intermediate result: Fidelity 0.99966731
2026-05-18 13:02:11.692714 Intermediate result: Fidelity 0.99967780
2026-05-18 13:02:11.706753 Intermediate result: Fidelity 0.99968567
2026-05-18 13:02:11.720780 Intermediate result: Fidelity 0.99969139
2026-05-18 13:02:11.733471 Intermediate result: Fidelity 0.99969628
2026-05-18 13:02:11.745998 Intermediate result: Fidelity 0.99970331
2026-05-18 13:02:11.758424 Intermediate result: Fidelity 0.99970796
2026-05-18 13:02:11.771986 Intermediate result: Fidelity 0.99971165
2026-05-18 13:02:11.785841 Intermediate result: Fidelity 0.99971892
2026-05-18 13:02:11.799105 Intermediate result: Fidelity 0.99972226
2026-05-18 13:02:11.811623 Intermediate result: Fidelity 0.99972441
2026-05-18 13:02:11.824114 Intermediate result: Fidelity 0.99972679
2026-05-18 13:02:11.837179 Intermediate result: Fidelity 0.99972965
2026-05-18 13:02:12.345479 Intermediate result: Fidelity 0.99972965
Done after 49 iterations.
<IBMBackend('ibm_pittsburgh')>
AQC circuit depth: 71
Baseline Trotter circuit depth: 111
Job ID: d85kc6o0bvlc73d5nhn0

# -------------------------Step 4-------------------------

hw_results = job.result()
aqc_expval = hw_results[0].data.evs.tolist()
baseline_expval = hw_results[1].data.evs.tolist()

print(f"Exact (MPS):        {exact_expval:.4f}")
print(
    f"Baseline Trotter:   {baseline_expval:.4f}, |\u0394| = {np.abs(exact_expval - baseline_expval):.4f}"
)
print(
    f"AQC (3+1):          {aqc_expval:.4f}, |\u0394| = {np.abs(exact_expval - aqc_expval):.4f}"
)

labels = [
    f"Baseline Trotter\n({baseline_num_trotter_steps} steps, depth {isa_baseline_circuit.depth(lambda x: x.operation.num_qubits == 2)})",
    f"AQC (3+1)\n(depth {isa_circuit.depth(lambda x: x.operation.num_qubits == 2)})",
]
values = [baseline_expval, aqc_expval]
colors = ["tab:orange", "tab:blue"]

plt.figure(figsize=(8, 5))
bars = plt.bar(labels, values, color=colors, width=0.5)
plt.axhline(
    y=exact_expval,
    color="tab:green",
    linestyle="--",
    linewidth=2,
    label=f"Exact ({exact_expval:.4f})",
)
plt.ylabel("Expected Value")
plt.title(
    "AQC-Tensor (3 compressed + 1 uncompressed) vs Baseline Trotter (50-site XXZ)"
)
plt.legend()
for bar in bars:
    y_val = bar.get_height()
    plt.text(
        bar.get_x() + bar.get_width() / 2.0,
        y_val,
        f"{y_val:.4f}",
        ha="center",
        va="bottom" if y_val >= 0 else "top",
    )
plt.axhline(y=0, color="black", linewidth=0.3)
plt.tight_layout()
plt.show()

Exact (MPS):        -0.7387
Baseline Trotter:   -0.5955, |Δ| = 0.1432
AQC (3+1):          -0.6734, |Δ| = 0.0653

Output of the previous code cell

Langkah seterusnya

Cadangan

Jika anda mendapati kerja ini menarik, anda mungkin berminat dengan bahan berikut:

Dokumentasi addon AQC-Tensor — merangkumi teknik AQC uniter yang berkaitan, yang mengoptimumkan litar berparameter untuk menghampiri pengendali uniter sasaran berbanding keadaan yang disediakan
Teknik pengurangan dan penindasan ralat
Gabungkan teknik pengurangan ralat

Hasil pembelajaran​

Prasyarat​

Latar belakang​

Cara AQC-Tensor berfungsi​

Bila menggunakan AQC-Tensor​

Keperluan​

Persediaan​

Contoh simulator skala kecil​

Langkah 1: Petakan input klasik kepada masalah kuantum​

Sediakan Hamiltonian, boleh cerap, dan keadaan awal​

Kira nilai jangkaan yang tepat​

Jana litar sasaran AQC​

Jana ansatz, parameter awal, litar seterusnya, dan litar garis dasar​

Sediakan simulasi rangkaian tensor dan bina MPS sasaran​

Optimumkan parameter ansatz​

Kumpulkan litar AQC akhir​

Langkah 2: Optimumkan masalah untuk pelaksanaan perkakasan kuantum​

Langkah 3: Laksanakan menggunakan primitif Qiskit​

Langkah 4: Proses pasca dan kembalikan hasil dalam format klasik yang dikehendaki​

Contoh perkakasan skala besar​

Langkah 1–4 digabungkan​

Langkah seterusnya​

Hasil pembelajaran

Prasyarat

Latar belakang

Cara AQC-Tensor berfungsi

Bila menggunakan AQC-Tensor

Keperluan

Persediaan

Contoh simulator skala kecil

Langkah 1: Petakan input klasik kepada masalah kuantum

Sediakan Hamiltonian, boleh cerap, dan keadaan awal

Kira nilai jangkaan yang tepat

Jana litar sasaran AQC

Jana ansatz, parameter awal, litar seterusnya, dan litar garis dasar

Sediakan simulasi rangkaian tensor dan bina MPS sasaran

Optimumkan parameter ansatz

Kumpulkan litar AQC akhir

Langkah 2: Optimumkan masalah untuk pelaksanaan perkakasan kuantum

Langkah 3: Laksanakan menggunakan primitif Qiskit

Langkah 4: Proses pasca dan kembalikan hasil dalam format klasik yang dikehendaki

Contoh perkakasan skala besar

Langkah 1–4 digabungkan

Langkah seterusnya