การลดความผิดพลาดด้วย Tensor Network (TEM): Qiskit Function โดย Algorithmiq

หมายเหตุ

Qiskit Functions เป็นฟีเจอร์ทดลองที่ใช้ได้เฉพาะผู้ใช้แผน IBM Quantum® Premium Plan, Flex Plan และ On-Prem (ผ่าน IBM Quantum Platform API) Plan เท่านั้น อยู่ในสถานะ preview release และอาจมีการเปลี่ยนแปลงได้

เวอร์ชันของแพ็กเกจ

โค้ดในหน้านี้พัฒนาโดยใช้ requirements ต่อไปนี้ แนะนำให้ใช้เวอร์ชันเหล่านี้หรือใหม่กว่า

qiskit[all]~=2.3.0
qiskit-ibm-catalog~=0.11.0

ภาพรวม

วิธี Tensor-network Error Mitigation (TEM) ของ Algorithmiq เป็นอัลกอริทึมแบบ hybrid quantum-classical ที่ออกแบบมาเพื่อทำการลดความผิดพลาดของ noise ทั้งหมดในขั้นตอน post-processing แบบ classical ด้วย TEM ผู้ใช้สามารถคำนวณค่าความคาดหวัง (expectation values) ของ observable ได้โดยลดข้อผิดพลาดที่เกิดจาก noise อันหลีกเลี่ยงไม่ได้บนฮาร์ดแวร์ควอนตัม ด้วยความแม่นยำและประสิทธิภาพด้านต้นทุนที่เพิ่มขึ้น ทำให้เป็นตัวเลือกที่น่าสนใจอย่างมากสำหรับนักวิจัยด้านควอนตัมและผู้ปฏิบัติงานในอุตสาหกรรม

วิธีการนี้ประกอบด้วยการสร้าง tensor network ที่แทนค่าผกผันของช่องทาง noise ส่วนกลาง ที่กระทบต่อสถานะของโปรเซสเซอร์ควอนตัม แล้วนำ map นั้นไปใช้กับผลการวัดที่ครอบคลุมข้อมูล อย่างสมบูรณ์ (informationally complete) ที่เก็บจากสถานะที่มี noise เพื่อให้ได้ตัวประมาณค่า แบบไม่เอนเอียง (unbiased estimators) สำหรับ observable

ในฐานะข้อได้เปรียบ TEM ใช้ประโยชน์จากการวัดที่ครอบคลุมข้อมูลอย่างสมบูรณ์เพื่อเข้าถึง observable ที่ผ่านการลด noise จำนวนมาก และมี sampling overhead บนฮาร์ดแวร์ควอนตัม ที่เหมาะสมที่สุด ตามที่อธิบายใน Filippov et al. (2023), arXiv:2307.11740 และ Filippov et al. (2024), arXiv:2403.13542 overhead ของการวัดหมายถึงจำนวน การวัดเพิ่มเติมที่ต้องการเพื่อทำการลด noise อย่างมีประสิทธิภาพ ซึ่งเป็นปัจจัยสำคัญ ในความเป็นไปได้ของการคำนวณควอนตัม ดังนั้น TEM จึงมีศักยภาพในการเปิดใช้งาน quantum advantage ในสถานการณ์ที่ซับซ้อน เช่น การประยุกต์ใช้ในสาขา quantum chaos, many-body physics, Hubbard dynamics และการจำลองเคมีของโมเลกุลขนาดเล็ก

คุณสมบัติหลักและประโยชน์ของ TEM สรุปได้ดังนี้:

1. Measurement overhead ที่เหมาะสมที่สุด: TEM เหมาะสมที่สุดเมื่อเทียบกับ ขอบเขตทางทฤษฎี หมายความว่าไม่มีวิธีใดที่จะมี measurement overhead น้อยกว่านี้ได้ กล่าวอีกนัยหนึ่ง TEM ต้องการจำนวนการวัดเพิ่มเติมน้อยที่สุดในการลด noise ซึ่งหมายความว่า TEM ใช้ quantum runtime น้อยที่สุด
2. ความคุ้มค่าด้านต้นทุน: เนื่องจาก TEM จัดการการลด noise ทั้งหมดในขั้นตอน post-processing จึงไม่จำเป็นต้องเพิ่ม circuit เพิ่มเติมบนคอมพิวเตอร์ควอนตัม ซึ่งไม่เพียงทำให้การคำนวณถูกลงเท่านั้น แต่ยังลดความเสี่ยงในการเพิ่มข้อผิดพลาด จากความไม่สมบูรณ์ของอุปกรณ์ควอนตัมด้วย
3. การประมาณค่า observable หลายตัว: ด้วยการวัดที่ครอบคลุมข้อมูลอย่างสมบูรณ์ TEM ประมาณค่า observable หลายตัวได้อย่างมีประสิทธิภาพจากข้อมูลการวัดชุดเดียวกัน จากคอมพิวเตอร์ควอนตัม
4. การลด readout error: TEM Qiskit Function ยังมี วิธีการลด readout error แบบเฉพาะ ที่สามารถลด readout error ได้อย่างมีนัยสำคัญหลังการ calibrate ในเวลาสั้น
5. ความแม่นยำ: TEM ปรับปรุงความแม่นยำและความน่าเชื่อถือของการจำลองควอนตัม ดิจิทัลอย่างมีนัยสำคัญ ทำให้อัลกอริทึมควอนตัมมีความแม่นยำและน่าเชื่อถือมากขึ้น

คำอธิบาย

ฟังก์ชัน TEM ช่วยให้ได้ค่าความคาดหวังที่ผ่านการลด noise สำหรับ observable หลายตัว บน quantum Circuit ด้วย sampling overhead น้อยที่สุด Circuit จะถูกวัดด้วย informationally complete positive operator-valued measure (IC-POVM) และผลการวัด ที่เก็บได้จะถูกประมวลผลบนคอมพิวเตอร์ classical การวัดนี้ใช้ในการดำเนินการวิธี tensor network และสร้าง noise-inversion map ฟังก์ชันนำ map ที่กลับค่า noise ของ Circuit ทั้งหมดโดยใช้ tensor network เพื่อแทนชั้นที่มี noise

เมื่อ Circuit ถูกส่งไปยังฟังก์ชัน จะถูก transpile และ optimize เพื่อลดจำนวนชั้นที่มี two-qubit gate (gate ที่มี noise มากที่สุดบนอุปกรณ์ควอนตัม) Noise ที่กระทบต่อชั้นต่างๆ จะถูกเรียนรู้ผ่าน Qiskit Runtime โดยใช้โมเดล noise แบบ sparse Pauli-Lindblad ตามที่อธิบายใน E. van den Berg, Z. Minev, A. Kandala, K. Temme, Nat. Phys. (2023). arXiv:2201.09866

โมเดล noise เป็นคำอธิบายที่แม่นยำของ noise บนอุปกรณ์ที่สามารถจับคุณสมบัติ ที่ละเอียดอ่อนได้ รวมถึง qubit cross-talk อย่างไรก็ตาม noise บนอุปกรณ์อาจผันผวน และเปลี่ยนแปลง และ noise ที่เรียนรู้ไว้อาจไม่แม่นยำ ณ เวลาที่ทำการประมาณค่า ซึ่งอาจส่งผลให้ได้ผลลัพธ์ที่ไม่แม่นยำ

เริ่มต้นใช้งาน

ยืนยันตัวตนด้วย IBM Quantum Platform API key และเลือกฟังก์ชัน TEM ดังนี้ (ตัวอย่างนี้สมมติว่าบันทึกบัญชีของคุณไว้ในสภาพแวดล้อม local แล้ว)

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

from qiskit_ibm_catalog import QiskitFunctionsCatalog

tem_function_name = "algorithmiq/tem"

catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

# Load your function
tem = catalog.load(tem_function_name)

ตัวอย่าง

ตัวอย่างต่อไปนี้แสดงการใช้ TEM เพื่อคำนวณค่าความคาดหวังของ observable จาก quantum Circuit อย่างง่าย

from qiskit import QuantumCircuit
from qiskit.quantum_info import SparsePauliOp

# Create a quantum circuit
qc = QuantumCircuit(3)
qc.u(0.4, 0.9, -0.3, 0)
qc.u(-0.4, 0.2, 1.3, 1)
qc.u(-1.2, -1.2, 0.3, 2)
for _ in range(2):
    qc.barrier()
    qc.cx(0, 1)
    qc.cx(2, 1)
    qc.barrier()
    qc.u(0.4, 0.9, -0.3, 0)
    qc.u(-0.4, 0.2, 1.3, 1)
    qc.u(-1.2, -1.2, 0.3, 2)

# Define the observables
observable = SparsePauliOp("IYX", 1.0)

# Define the execution options
pub = (qc, [observable])
options = {"default_precision": 0.02}

# Define backend to use. TEM will choose the least-busy device reported by IBM if not specified
backend_name = "ibm_torino"

job = tem.run(pubs=[pub], backend_name=backend_name, options=options)

ใช้ Qiskit Serverless APIs เพื่อตรวจสอบสถานะของ Qiskit Function workload:

print(job.status())

QUEUED

ดึงผลลัพธ์ได้ดังนี้:

result = job.result()
evs = result[0].data.evs

ข้อมูล

ค่าความคาดหวังสำหรับ Circuit ที่ไม่มี noise สำหรับตัวดำเนินการที่กำหนดควรอยู่ที่ประมาณ 0.18409094298943401

อินพุต

พารามิเตอร์

Name	Type	Description	Required	Default	Example
pubs	Iterable[EstimatorPubLike]	iterable ของอ็อบเจกต์แบบ PUB (primitive unified bloc) เช่น tuple (circuit, observables) หรือ (circuit, observables, parameters, precision) ดูข้อมูลเพิ่มเติมที่ ภาพรวมของ PUB หาก circuit ที่ส่งเข้ามาไม่ใช่ ISA จะถูก transpile ด้วยการตั้งค่าที่เหมาะสมที่สุด หากเป็น ISA circuit จะไม่ถูก transpile; ในกรณีนี้ observable ต้องนิยามบน QPU ทั้งหมด	ใช่	N/A	(circuit, observables)
backend_name	str	ชื่อของ Backend ที่จะใช้ทำการ query	ไม่	หากไม่ระบุ จะใช้ Backend ที่ว่างที่สุด	"ibm_fez"
options	dict	อ็อปชันอินพุต ดูรายละเอียดเพิ่มเติมในส่วน Options	ไม่	ดูส่วน Options สำหรับค่าดีฟอลต์	{"max_bond_dimension": 100\}

ข้อควรระวัง

TEM มีข้อจำกัดดังต่อไปนี้ในปัจจุบัน:

• ไม่รองรับ circuit แบบ parametrized อาร์กิวเมนต์ parameters ควรตั้งเป็น None หากมีการระบุ precision ข้อจำกัดนี้จะถูกลบออกในเวอร์ชันอนาคต
• รองรับเฉพาะ circuit ที่ไม่มี loop เท่านั้น ข้อจำกัดนี้จะถูกลบออกในเวอร์ชันอนาคต
• ไม่รองรับ gate ที่ไม่ใช่ unitary เช่น reset, measure และ control flow ทุกรูปแบบ การรองรับ reset จะเพิ่มในรุ่นต่อไป

อ็อปชัน

dictionary ที่มีอ็อปชันขั้นสูงสำหรับ TEM โดย dictionary อาจมีคีย์ตามตารางด้านล่าง หากไม่ได้ระบุอ็อปชันใด จะใช้ค่าดีฟอลต์ที่แสดงในตาราง ค่าดีฟอลต์เหล่านี้เหมาะสมสำหรับการใช้งาน TEM ทั่วไป

Name	Choices	Description	Default
tem_max_bond_dimension	int	bond dimension สูงสุดที่จะใช้สำหรับ tensor network	500
tem_compression_cutoff	float	ค่า cutoff ที่จะใช้สำหรับ tensor network	1e-16
compute_shadows_bias_from_observable	bool	flag บูลีนที่ระบุว่าจะปรับ bias สำหรับโปรโตคอล classical shadows measurement ให้เหมาะกับ PUB observable หรือไม่ หาก False จะใช้โปรโตคอล classical shadows (ความน่าจะเป็นเท่ากันในการวัด Z, X, Y)	False
shadows_bias	np.ndarray	bias ที่จะใช้สำหรับโปรโตคอล randomized classical shadows measurement เป็น array 1d หรือ 2d ขนาด 3 หรือรูปร่าง (num_qubits, 3) ตามลำดับ โดยลำดับคือ ZXY	np.array([1 / 3, 1 / 3, 1 / 3])
max_execution_time	int หรือ None	เวลา execution สูงสุดบน QPU เป็นวินาที หากระยะเวลา runtime เกินค่านี้ job จะถูกยกเลิก หาก None จะใช้ขีดจำกัดดีฟอลต์ที่กำหนดโดย Qiskit Runtime	None
num_randomizations	int	จำนวนการ randomize ที่จะใช้สำหรับการเรียนรู้ noise และ gate twirling	32
max_layers_to_learn	int	จำนวนชั้นที่ไม่ซ้ำสูงสุดที่จะเรียนรู้	4
mitigate_readout_error	bool	flag บูลีนที่ระบุว่าจะทำการลด readout error หรือไม่	True
num_readout_calibration_shots	int	จำนวน shot ที่จะใช้สำหรับการลด readout error	10000
default_precision	float	ค่า precision ดีฟอลต์ที่จะใช้สำหรับ PUB ที่ไม่ได้ระบุ precision	0.02
seed	int หรือ None	กำหนด seed ของตัวสร้างตัวเลขสุ่มเพื่อความสามารถในการทำซ้ำ หาก None จะไม่กำหนด seed	None

เอาต์พุต

PrimitiveResults ของ Qiskit ที่มีผลลัพธ์ที่ผ่านการลด noise ด้วย TEM ผลลัพธ์สำหรับแต่ละ PUB จะถูกส่งคืนเป็น PubResult ที่มีฟิลด์ดังต่อไปนี้:

Name	Type	Description
data	DataBin	DataBin ของ Qiskit ที่มีค่า observable และ standard error ที่ผ่านการลด noise ด้วย TEM โดย DataBin มีฟิลด์ดังนี้: evs: ค่า observable ที่ผ่านการลด noise ด้วย TEM stds: standard error ของ observable ที่ผ่านการลด noise ด้วย TEM
metadata	dict	dictionary ที่มีผลลัพธ์เพิ่มเติม โดย dictionary มีคีย์ดังต่อไปนี้: "evs_non_mitigated": ค่า observable โดยไม่มีการลด noise "stds_non_mitigated": standard error ของผลลัพธ์โดยไม่มีการลด noise "evs_mitigated_no_readout_mitigation": ค่า observable ที่มีการลด noise แต่ไม่มีการลด readout error "stds_mitigated_no_readout_mitigation": standard error ของผลลัพธ์ที่มีการลด noise แต่ไม่มีการลด readout error "evs_non_mitigated_with_readout_mitigation": ค่า observable โดยไม่มีการลด noise แต่มีการลด readout error "stds_non_mitigated_with_readout_mitigation": standard error ของผลลัพธ์โดยไม่มีการลด noise แต่มีการลด readout error

การดึงข้อความแจ้งข้อผิดพลาด

หากสถานะ workload เป็น ERROR ให้ใช้ job.result() เพื่อดึงข้อความแจ้งข้อผิดพลาดดังนี้:

print(job.result())

PrimitiveResult([PubResult(data=DataBin(evs=np.ndarray(<shape=(1,), dtype=float64>), stds=np.ndarray(<shape=(1,), dtype=float64>)), metadata={'evs_non_mitigated': array([-0.06314623]), 'stds_non_mitigated': array([0.05917147]), 'evs_mitigated_no_readout_mitigation': array([-0.06411205]), 'stds_mitigated_no_readout_mitigation': array([0.05992467]), 'evs_non_mitigated_with_readout_mitigation': array([-0.07028881]), 'stds_non_mitigated_with_readout_mitigation': array([0.06353934])})], metadata={'resource_usage': {'RUNNING: OPTIMIZING_FOR_HARDWARE': {'CPU_TIME': 0.915754}, 'RUNNING: WAITING_FOR_QPU': {'CPU_TIME': 18.804865}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 10.433445}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 159.0}}})

รับการสนับสนุน

ติดต่อที่ qiskit_ibm@algorithmiq.fi

โปรดรวมข้อมูลต่อไปนี้:

• Qiskit Function Job ID (qiskit-ibm-catalog), job.job_id
• คำอธิบายโดยละเอียดของปัญหา
• ข้อความแจ้งข้อผิดพลาดหรือรหัสที่เกี่ยวข้อง
• ขั้นตอนในการทำให้เกิดปัญหาซ้ำ

ขั้นตอนถัดไป

คำแนะนำ

• ขอสิทธิ์เข้าถึง Algorithmiq Tensor-network error mitigation
• ทบทวน Filippov, S., et al. (2023). Scalable tensor-network error mitigation for near-term quantum computing. arXiv preprint arXiv:2307.11740.
• ทบทวน Filippov, S., et al. (2024). Scalability of quantum error mitigation techniques: from utility to advantage. arXiv preprint arXiv:2403.13542.
• ทบทวน Fischer, E. F., et al. (2024). Dynamical simulations of many-body quantum chaos on a quantum computer. arXiv preprint arXiv:2411.00765.