استخدام الاختيار اللاحق في أحمال العمل

إصدارات الحزم

تم تطوير الكود في هذه الصفحة باستخدام المتطلبات التالية. نوصي باستخدام هذه الإصدارات أو أحدث.

qiskit[all]~=2.4.0
qiskit-ibm-runtime~=0.46.1
qiskit-addon-utils~=0.3.1

عند تحسين استراتيجية تخفيف الأخطاء لحمل عمل ما، كثيرًا ما يكون من المفيد تصفية القياسات المعروف بتلوثها بعمليات ضوضاء غير ماركوفية (مترابطة). تتضمن إحدى هذه الطرق إلحاق Circuit بخطوة معالجة لاحقة تقيس الـ qubits النشطة والمتاخمة "الشاهدة"، وتُطبِّق دورانًا بطيئًا على كل qubit، ثم تقيسها مرة أخرى. في الحالات التي لا تؤكد فيها القياسان qubit مقلوبًا كما هو متوقع، يُتجاهَل التشغيل (shot) عبر تطبيق قناع على النتائج.

توفر حزمة أدوات إضافات Qiskit مجموعة من مسارات الـ Transpiler ودالة اختيار لاحق لتطبيق القناع. تقدم هذه الصفحة إرشادات حول كيفية دمج الاختيار اللاحق في أحمال عملك الكمية باستخدام حالة GHZ من أربع qubits كمثال.

إنشاء حمل العمل

ابدأ بتحضير الـ دائرة للتنفيذ وعمل الـ Transpile مقابل Backend يدعم البوابات الكسرية.

# Added by doQumentation — required packages for this notebook
!pip install -q qiskit qiskit-addon-utils qiskit-ibm-runtime

from qiskit_ibm_runtime import QiskitRuntimeService
from qiskit.circuit import QuantumCircuit
from qiskit.transpiler import generate_preset_pass_manager

circuit = QuantumCircuit(4)
circuit.h(0)
circuit.cx(0, 1)
circuit.cx(1, 2)
circuit.cx(2, 3)
circuit.measure_all()

service = QiskitRuntimeService()
backend = service.least_busy(use_fractional_gates=True)
pm = generate_preset_pass_manager(optimization_level=3, backend=backend)

transpiled_circuit = pm.run(circuit)
transpiled_circuit.draw("mpl")

إضافة مسارات Transpiler للاختيار اللاحق

بعد ذلك، أنشئ مدير مسار مُسبَق الإعداد يتضمن مسارات AddPostSelectionMeasures وAddSpectatorMeasures من حزمة qiskit-addon-utils. سيُلحِق هذا الـ دائرة بتسلسل من دورانات RX صغيرة الزاوية (تُنتِج فعليًا بوابة X طويلة) مع مجموعة ثانية من القياسات.

from qiskit.transpiler import PassManager
from qiskit_addon_utils.noise_management.post_selection import PostSelector
from qiskit_addon_utils.noise_management.post_selection.transpiler.passes import (
    AddPostSelectionMeasures,
    AddSpectatorMeasures,
)

post_selection_pm = PassManager(
    [
        AddSpectatorMeasures(backend.coupling_map, add_barrier=True),
        AddPostSelectionMeasures(x_pulse_type="rx"),
    ]
)

template_circuit_ps = post_selection_pm.run(transpiled_circuit)
template_circuit_ps.draw("mpl", fold=-1, idle_wires=False)

تنفيذ البرنامج الكمي

بعد ذلك، حضِّر كائن QuantumProgram يحتوي على الـ دائرة المُراد تنفيذها.

from qiskit_ibm_runtime import QuantumProgram, Executor

shots = 4000

program = QuantumProgram(shots=shots)
program.append_circuit_item(template_circuit_ps)

# Initialize the Executor job and run
executor = Executor(backend)
executor_job = executor.run(program)
print(f"Job ID: {executor_job.job_id()}")

Job ID: d82dumugbeec73alm5g0

الآن يمكنك تفسير النتائج. نتيجة Executor هي قاموس بعدة مفاتيح.

executor_result = executor_job.result()[0]
executor_result.keys()

dict_keys(['meas', 'spec', 'meas_ps', 'spec_ps'])

تتوافق هذه المفاتيح مع الـ qubits النشطة والشاهدة قبل تعليمات rx (meas وspec) وبعدها (meas_ps وspec_ps). كل منها مصفوفة من المصفوفات بناءً على عدد التشغيلات والـ qubits. في هذه الحالة، الشكل هو (1000، 4).

إنشاء قناع الاختيار اللاحق

من هذه القياسات، يمكنك إنشاء قناع باستخدام فئة PostSelector من qiskit-addon-utils. هذا القناع مصفوفة منطقية حيث يُعلَّم كل تشغيل (shot) إما بـ True أو False بناءً على إحدى استراتيجيتين للاختيار اللاحق. تستخدم الاستراتيجية الأولى node معلومات الـ qubit لتحديد ما إذا كان ينبغي تجاهل تشغيل قياس — والثانية edge تستخدم معلومات الاتصال بالجيران الأقرب لاتخاذ هذا القرار.

post_selector = PostSelector.from_circuit(
    circuit=template_circuit_ps, coupling_map=backend.coupling_map
)

mask_node = post_selector.compute_mask(executor_result, strategy="node")
mask_edge = post_selector.compute_mask(executor_result, strategy="edge")

كلتا استراتيجيتَي node وedge كثيرًا ما تتجاهلان تشغيلات مختلفة. يمكنك اختيار أي منهما. يأخذ هذا الدفتر AND البتي، وهو استراتيجية محافظة تحتفظ بالتشغيل فقط إذا اجتاز كلتا استراتيجيتَي node وedge.

mask = mask_node & mask_edge
print(f"The combined mask: {mask}")
count_retained = 0

for m in mask:
    count_retained += m

print(
    f"Percentage of the shots retained is after post selection "
    f"{100 * count_retained / shots}"
)

The combined mask: [ True  True  True ...  True  True  True]
Percentage of the shots retained is after post selection 75.225

قارِن توزيع الاحتمالية مع الاختيار اللاحق وبدونه. يحسب الكود التالي توزيع الاحتمالية قبل الاختيار اللاحق وبعده، فضلاً عن المسافة بين التوزيعات المقيسة والمثالية.

counts = {}
counts_ps = {}

for idx, measurement in enumerate(executor_result["meas"]):
    bitstring = ""
    for bit in measurement:
        bitstring += str(int(bit))

    if bitstring in counts:
        counts[bitstring] += 1
    else:
        counts[bitstring] = 1

    # Compute count data for postselected shots based on the mask
    if mask[idx]:
        bitstring = ""
        for bit in measurement:
            bitstring += str(int(bit))

        if bitstring in counts_ps:
            counts_ps[bitstring] += 1
        else:
            counts_ps[bitstring] = 1

for key, val in counts.items():
    counts[key] = val / shots

for key, val in counts_ps.items():
    counts_ps[key] = float(val / count_retained)

لإظهار كيف غيَّر الاختيار اللاحق نتائجك، احسب المسافة بين توزيع الاحتمالية المثالي والمقيسَين.

import itertools
from qiskit.visualization import plot_histogram

bitstrings = ["".join(i) for i in itertools.product("01", repeat=4)]
counts_ideal = {}
for bitstring in bitstrings:
    counts_ideal[bitstring] = 0.0
counts_ideal["1111"] = 0.5
counts_ideal["0000"] = 0.5

prob_distance = 0.0
prob_distance_ps = 0.0

for bitstring in counts_ideal.keys():
    dist = 0.0
    dist_ps = 0.0
    if bitstring in counts:
        dist = abs(counts[bitstring] - counts_ideal[bitstring])
    if bitstring in counts_ps:
        dist_ps = abs(counts_ps[bitstring] - counts_ideal[bitstring])
    prob_distance += dist
    prob_distance_ps += dist_ps

print(
    f"Distance from ideal distribution before postselection: "
    f"{1-prob_distance*0.5}"
)
print(
    f"Distance from ideal distribution before after-selection: "
    f"{1-prob_distance_ps*0.5}"
)

plot_histogram([counts, counts_ps], legend=["Normal", "Post selected"])

Distance from ideal distribution before postselection: 0.9015
Distance from ideal distribution before after-selection: 0.9416749750747756

على الرغم من أن الاختيار اللاحق يمكن أن يُحسِّن جودة النتائج بشكل ملحوظ عبر تصفية قياسات النتائج المتأثرة بالضوضاء غير الماركوفية، فإنه ليس حلاً كاملاً لتخفيف الأخطاء بمفرده. يُقلِّل الاختيار اللاحق من تأثير أخطاء معينة عبر تجاهل نتائج القياس غير الصالحة، لكن هذا يأتي على حساب زيادة الحمل الزائد في أخذ العينات ولا يُعالِج جميع آليات الأخطاء الموجودة في الأجهزة الكمية قريبة المدى. نتيجةً لذلك، من المرجح أنه غير كافٍ الاعتماد فقط على الاختيار اللاحق للـ Circuits الأكثر تعقيدًا أو أعمق. بدلاً من ذلك، الاختيار اللاحق أكثر فعالية عند استخدامه كجزء من استراتيجية أوسع لتخفيف الأخطاء — مُكمِّلًا لتقنيات مثل تخفيف أخطاء القياس وتصريف الـ دائرة المدرك للضوضاء أو إلغاء الأخطاء الاحتمالي — لتحسين موثوقية أحمال العمل الكمية مع تحقيق التوازن بين الدقة وتكلفة الموارد.

الخطوات التالية

توصيات

• افهم كيفية دمج تعلم الضوضاء في حمل عمل كمي.
• اقرأ تقنيات أخرى متاحة لـ تخفيف الأخطاء وتثبيطها.
• تعرَّف على كيفية استخدام أكواد الزمكان لنهج منخفض الحمل الزائد للكشف عن الأخطاء