เรียนรู้โมเดลสัญญาณรบกวนของ gate

บทแนะนำนี้สาธิตการเรียนรู้โมเดลสัญญาณรบกวนสำหรับ gate แบบ unitary ด้วยโปรโตคอลการเรียนรู้มาตรฐานที่เข้าถึงได้ผ่านฟังก์ชันโปรโตคอลระดับสูง prepare_vanilla_program() และ process_vanilla_result()

1. กำหนด gate

2. ตั้งค่าการจำลองในเครื่อง

3. เตรียมโปรแกรมควอนตัม

4. รันโปรแกรมควอนตัม

5. อ่านผลลัพธ์

การรันบนฮาร์ดแวร์จริง

circuit ด้านล่างจำลองในเครื่อง ดังนั้นการทดลองตามนี้ไม่ต้องใช้ข้อมูลรับรอง IBM Quantum® หากต้องการรันบนอุปกรณ์จริงแทน:

• ขั้นที่ 1: แทนที่ FakeMarrakesh ด้วย backend จริง

• ขั้นที่ 2: ส่ง backend นั้นเป็นโหมดของ executor และเอาตัวเลือกของ simulator ออก

1. กำหนด gate

Gate นี้คือ BoxOp ที่บรรจุชั้นที่ผ่านการ twirl ของ CZ gate หกตัวที่ไม่ซ้อนทับกัน

from qiskit.circuit import QuantumCircuit
from qiskit_ibm_runtime.fake_provider import FakeMarrakesh
from samplomatic import InjectNoise, Tag, Twirl

backend = FakeMarrakesh()

cz_pairs = [(91, 92), (93, 94), (95, 99), (98, 111), (112, 113), (114, 115)]

circuit = QuantumCircuit(backend.num_qubits)
with circuit.box([Twirl(), Tag("cz_gate"), InjectNoise("cz_gate")]):
    for pair in cz_pairs:
        circuit.cz(*pair)

การรันบนฮาร์ดแวร์จริง

from qiskit_ibm_runtime import QiskitRuntimeService

backend = QiskitRuntimeService().backend("ibm_marrakesh")

2. ตั้งค่าการจำลองในเครื่อง

ดัชนี Pauli ภายในแต่ละ map เป็นดัชนีเฉพาะของ gate เรียงตามลำดับ physical qubit จากน้อยไปมาก:

cz_qubits = sorted({qubit for pair in cz_pairs for qubit in pair})
local = {qubit: index for index, qubit in enumerate(cz_qubits)}
local

{91: 0,
 92: 1,
 93: 2,
 94: 3,
 95: 4,
 98: 5,
 99: 6,
 111: 7,
 112: 8,
 113: 9,
 114: 10,
 115: 11}

กำหนดสัญญาณรบกวนด้วยพจน์ ZZ ที่มีสหสัมพันธ์กับพจน์ XX ที่อ่อนกว่าบนแต่ละคู่ CZ บวกพจน์ Z แบบ single-qubit ทุกที่ ส่วนการวัดจะได้พจน์ bit-flip ต่อ qubit

from qiskit.quantum_info import PauliLindbladMap

num_qubits = len(cz_qubits)

cz_noise = PauliLindbladMap.from_sparse_list(
    [("ZZ", [local[a], local[b]], 8e-4) for a, b in cz_pairs]
    + [("XX", [local[a], local[b]], 4e-4) for a, b in cz_pairs]
    + [("Z", [index], 3e-4) for index in range(num_qubits)],
    num_qubits=num_qubits,
)

readout_noise = PauliLindbladMap.from_sparse_list(
    [("X", [index], 5e-3) for index in range(num_qubits)], num_qubits=num_qubits
)

สร้าง box สำหรับให้การวัดเรียนรู้

measurement = QuantumCircuit(backend.num_qubits, num_qubits)
with measurement.box([Twirl(), Tag("readout"), InjectNoise("readout")]):
    for clbit, qubit in enumerate(cz_qubits):
        measurement.measure(qubit, clbit)

แต่ละรายการของ layer_noise_model จับคู่ box หนึ่งใบกับ map ที่จะใช้กับ box นั้น ใช้วิธีจำลองแบบ stabilizer และตั้งค่า seed_simulator เพื่อให้ข้อมูลจำลองทำซ้ำได้

from qiskit_aer import AerSimulator
from qiskit_ibm_runtime import Executor

executor = Executor(
    mode=AerSimulator(method="stabilizer"),
    options={
        "simulator": {
            "layer_noise_model": [
                (circuit[0], cz_noise),
                (measurement[0], readout_noise),
            ],
            "seed_simulator": 1234,
        }
    },
)

การรันบนฮาร์ดแวร์จริง

executor = Executor(mode=backend)

3. เตรียมโปรแกรมควอนตัม

ใช้ prepare_vanilla_program() เพื่อสร้างโปรแกรมควอนตัมที่มีการทดลองเรียนรู้

from qiskit_noise_learning.protocols import prepare_vanilla_program

program = prepare_vanilla_program(
    backend,
    [circuit[0], measurement[0]],
    fragment_depths=[2, 16, 64, 128],
    num_randomizations=50,
    shots_per_randomization=20,
)

print(f"Number of template circuits: {len(program.items)}")

Number of template circuits: 5

4. รันโปรแกรมควอนตัม

ส่งโปรแกรมควอนตัม ขั้นตอนนี้เหมือนกันไม่ว่า executor จะชี้ไปที่ simulator หรืออุปกรณ์จริง

result = executor.run(program).result()

5. อ่านผลลัพธ์

ประมวลผลลัพธ์ด้วย process_vanilla_result()

from qiskit_noise_learning.protocols import process_vanilla_result

noise_maps, gate_names, fit = process_vanilla_result(result)

พล็อตการสลายของ fidelity ต่อคู่ qubit ทั้งข้อมูลและการ fit แบบเอกซ์โพเนนเชียล

fit.plot_qubit_pair_decays(
    pairs=cz_pairs,
    observable_type="means",
    exponential_fit=True,
)