อินพุตและเอาต์พุตของ Executor

เวอร์ชันแพ็กเกจ

โค้ดในหน้านี้พัฒนาโดยใช้ requirements ต่อไปนี้ แนะนำให้ใช้เวอร์ชันเหล่านี้หรือใหม่กว่า

qiskit[all]~=2.4.0
qiskit-ibm-runtime~=0.46.1
samplomatic~=0.18.0

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

Executor primitive เป็นส่วนหนึ่งของ directed execution model ซึ่งให้ความยืดหยุ่นมากขึ้นในการกำหนดค่า error mitigation workflow

Inputs และ outputs ของ Executor primitive แตกต่างอย่างมากจาก Sampler และ Estimator primitives ตัวอย่างเช่น แทนที่จะรับ list ของ PUBs เป็น input Executor รับ QuantumProgram ซึ่งมี list ของ QuantumProgramItem objects container classes เหล่านี้ให้ความยืดหยุ่นมากกว่า PUB ซึ่งเป็นโครงสร้างข้อมูล tuple อย่างง่าย

Output ของ Executor คือ QuantumProgramResult ซึ่งเป็น iterable และมีหนึ่ง element สำหรับแต่ละ QuantumProgramItem input

Inputs: Quantum programs

ดังที่กล่าวไว้ก่อนหน้านี้ input ของ Executor primitive คือ QuantumProgram ซึ่งเป็น iterable ของ objects QuantumProgramItem objects เหล่านี้สามารถเป็นสองประเภท:

• CircuitItem ซึ่งโดยทั่วไปเก็บ circuit และค่า parameter (ถ้ามี)
• SamplexItem ซึ่งโดยทั่วไปเก็บสิ่งต่อไปนี้:
  • Template circuit
  • Samplex object ที่ใช้สร้าง parameter sets แบบสุ่มในขณะ runtime (เช่น เพื่อทำ twirling หรือ inject noise)
  • Arguments สำหรับ samplex ซึ่งอาจรวมถึงค่า parameter สำหรับ circuit ดั้งเดิม

แต่ละ item เหล่านี้แสดงงานที่แตกต่างกันสำหรับ Executor ที่จะดำเนินการ

ก่อนเริ่มต้น

ตัวอย่างโค้ดบางส่วนในหน้านี้ใช้ samplex ซึ่งเป็นส่วนหนึ่งของ Samplomatic package ดังนั้น ก่อนรัน code blocks เหล่านั้น คุณต้องติดตั้ง Samplomatic ตามที่แสดงใน code block ต่อไปนี้ สำหรับข้อมูลเพิ่มเติม ดู เอกสาร Samplomatic

pip install samplomatic

# For visualization support, include the visualization dependencies.
# pip install samplomatic[vis]

ตัวอย่าง: สร้าง QuantumProgram ด้วยสองงานที่แตกต่างกัน

ก่อนอื่นเริ่มต้น quantum program จากนั้น append program items โดยใช้ append_circuit_item หรือ append_samplex_item (ถ้ามี samplex) ตามที่แสดงในตัวอย่างต่อไปนี้

cell ต่อไปนี้เริ่มต้น QuantumProgram และระบุว่าควรรัน 1024 shots สำหรับทุก configuration ของแต่ละ item ในโปรแกรม

หมายเหตุ

ต่างจาก Sampler QuantumProgram รับค่า shot เพียงค่าเดียว ถ้าต้องการค่า shot ที่แตกต่างกัน คุณต้องมี QuantumProgram แยก ซึ่งจะเป็น job แยก

from qiskit.transpiler import generate_preset_pass_manager
from qiskit_ibm_runtime.quantum_program import QuantumProgram
from qiskit_ibm_runtime import Executor, QiskitRuntimeService
from qiskit.circuit import Parameter, QuantumCircuit
import numpy as np
from samplomatic import build
from samplomatic.transpiler import generate_boxing_pass_manager

# Initialize an empty program
program = QuantumProgram(shots=1024)

# Initialize and transpile a 3-qubit quantum circuit with 2 parameters.
circuit = QuantumCircuit(3)
circuit.h(0)
circuit.cx(0, 1)
circuit.cx(1, 2)
circuit.rz(Parameter("theta"), 0)
circuit.rz(Parameter("phi"), 1)

# `measure_all` adds a 3-bit classical register named "meas"
circuit.measure_all()

# Choose the least busy backend
service = QiskitRuntimeService()
backend = service.least_busy(operational=True, simulator=False)

# Generate a preset pass manager
# This will be used to convert the abstract circuit to an
# equivalent Instruction Set Architecture (ISA) circuit.
preset_pass_manager = generate_preset_pass_manager(
    backend=backend, optimization_level=0
)

# Transpile the circuit
isa_circuit = preset_pass_manager.run(circuit)

Append CircuitItem

จากนั้น append target circuit ที่ถูก transpile ตาม instruction set architecture (ISA) ของ backend เข้าไปใน QuantumProgram เนื่องจาก circuit นี้มีสอง parameters เราต้องให้ค่า parameter ด้วย (10 ชุดในตัวอย่างนี้) การรัน CircuitItem นี้คืองานแรกที่โปรแกรมจะดำเนินการ

# Append the transpiled circuit and an array
# containing 10 sets of parameter values to the program
program.append_circuit_item(
    isa_circuit,
    circuit_arguments=np.random.rand(
        10, 2
    ),  # 10 sets of parameter values and 2 parameters
)

Append SamplexItem

Circuit items รันโดยไม่มีการ randomize ใดๆ ในทางกลับกัน samplex items ให้คุณระบุวิธีการ randomize เนื้อหา cell ถัดไปใช้ฟังก์ชัน generate_boxing_pass_manager() เพื่อจัดกลุ่ม gates และ measurements ของ circuit เป็น boxes และเพิ่ม twirling annotation ให้แต่ละ box จากนั้นสร้างคู่ template circuit และ samplex โดยใช้ฟังก์ชัน build()

การรัน SamplexItem นี้คืองานที่สองที่โปรแกรมจะดำเนินการ

ดูเอกสาร Samplomatic API สำหรับรายละเอียดทั้งหมดเกี่ยวกับ samplex และ arguments ของมัน ดู Samplomatic Transpiler guide สำหรับข้อมูลเกี่ยวกับการใช้ฟังก์ชัน generate_boxing_pass_manager()

# Transpile the circuit, additionally grouping gates and measurements into annotated boxes
preset_pass_manager = generate_preset_pass_manager(
    backend=backend, optimization_level=0
)

# Use the boxing pass manager to group gates
# and measurements into boxes and add
# a`Twirl` annotation.
preset_pass_manager.post_scheduling = generate_boxing_pass_manager(
    # Add gate twirling
    enable_gates=True,
    # Add measurement twirling
    enable_measures=True,
)
boxed_circuit = preset_pass_manager.run(circuit)

# Build the template circuit and the samplex.  The template circuit has parametric gates
# without fixed values and the samplex randomly generates the parameter
# values on the server side at runtime to perform twirling.
template_circuit, samplex = build(boxed_circuit)

# Determine what arguments are required by the samplex.
# Input the arguments in samplex_arguments.
print(samplex.inputs())

TensorInterface(<
  - 'parameter_values' <float64[2]>: Input parameter values to use during sampling.
>)

# Append the template circuit and samplex as a samplex item
program.append_samplex_item(
    template_circuit,
    samplex=samplex,
    samplex_arguments={
        # the arguments required by the samplex.sample method
        "parameter_values": np.random.rand(10, 2),
    },
    shape=(28, 10),  # 28 randomizations and 10 sets of parameter values
)

# Initialize an Executor with the default options
executor = Executor(mode=backend)

# Submit the job
job = executor.run(program)

# Retrieve the result
result = job.result()

Outputs

Output ของ Executor คือ QuantumProgramResult ซึ่งเป็น iterable มีหนึ่ง entry ต่อ QuantumProgramItem input ในลำดับเดียวกับ input items แต่ละ output item เหล่านี้เป็น dictionary ที่ keys เป็น strings สอดคล้องกับชื่อ classical registers ใน input circuits (รวมถึงอื่นๆ) ดังนั้นคุณไม่ต้องจำชื่อเหล่านี้อีกต่อไปเหมือนกับ Sampler output ค่า dictionary มีประเภทเป็น np.ndarray

ผลลัพธ์สำหรับตัวอย่างก่อนหน้ามี items เหล่านี้:

ผลลัพธ์ CircuitItem

Item แรกมีผลลัพธ์ของการรันงานแรก (CircuitItem) ในโปรแกรม มี key เดียวคือ meas ซึ่งเป็นชื่อ classical register ใน input circuit ค่าของ key นี้ map ไปยัง np.ndarray ที่มี shape (parameter sets, shots, register bits) ซึ่งคือ (10, 1024, 3) สำหรับตัวอย่างด้านบน

โค้ดต่อไปนี้แสดงวิธีเข้าถึงข้อมูลนี้:

# Access the results of the classical register of task #0, a CircuitItem
result_0 = result[0]["meas"]
print(f"Result shape: {result_0.shape}")

Result shape: (10, 1024, 3)

ผลลัพธ์ SamplexItem

Item ที่สองมีผลลัพธ์ของการรันงานที่สอง (SamplexItem) ในโปรแกรม item นี้มีหลาย keys Key meas ซึ่งเป็นชื่อ classical register ของ input circuit map ไปยัง array ผลลัพธ์ของ register นั้น array นี้มี shape (randomizations, parameter sets, shots, classical bits) หรือ (28, 10, 1024, 3) ในตัวอย่างนี้ นอกจากนี้ output มี key measurement_flips.meas ซึ่งเป็น bit-flip corrections เพื่อยกเลิก measurement twirling สำหรับ register meas shape ของ output นี้จะเป็น (28, 10, 1, 3) สำหรับตัวอย่างนี้เนื่องจากต้องใช้เพียง shot เดียวเพื่อทำ bit-flip

# Access the results of the classical register of task #1
result_1 = result[1]["meas"]
print(f"Result shape: {result_1.shape}")

# Access the bit-flip corrections
flips_1 = result[1]["measurement_flips.meas"]
print(f"Bit-flip corrections shape: {flips_1.shape}")

# Undo the bit flips via classical XOR
unflipped_result_1 = result_1 ^ flips_1

Result shape: (28, 10, 1024, 3)
Bit-flip corrections shape: (28, 10, 1, 3)

ขั้นตอนถัดไป

คำแนะนำ

• สำรวจ ตัวอย่าง ที่ใช้ Executor
• เรียนรู้เกี่ยวกับ directed execution model
• ทำความเข้าใจ Executor broadcasting