แนะนำ Qiskit Functions
Notes
- Qiskit Functions เป็นฟีเจอร์ทดลองที่มีให้ใช้เฉพาะผู้ใช้ IBM Quantum® Premium Plan, Flex Plan และ On-Prem (ผ่าน IBM Quantum Platform API) Plan เท่านั้น อยู่ในสถานะ preview release และอาจมีการเปลี่ยนแปลง
Qiskit Functions ลดความซับซ้อนและเร่งการค้นพบ algorithm และการพัฒนา application ในระดับ utility-scale โดย abstract ส่วนต่าง ๆ ของ quantum software development workflow ออกไป ด้วยวิธีนี้ Qiskit Functions ช่วยประหยัดเวลาที่ปกติใช้เขียนโค้ดด้วยมือและปรับแต่งการทดลอง
Function มีสองรูปแบบ:
| ประเภท | ทำอะไร? | ตัวอย่าง input และ output | สำหรับใคร? |
|---|---|---|---|
| Circuit function | Interface ที่เรียบง่ายสำหรับการรัน circuit โดย abstract ขั้นตอน transpilation, error suppression และ error mitigation ออกไป | Input: Abstract PUB objects Output: Mitigated expectation values | นักวิจัยที่ใช้ Qiskit เพื่อค้นพบ algorithm และ application ใหม่ โดยไม่จำเป็นต้องมุ่งเน้นการปรับแต่งสำหรับ hardware หรือจัดการ error Circuit function สามารถใช้สร้าง application function แบบกำหนดเองได้ |
| Application function | ครอบคลุม task ระดับสูงขึ้น เช่น การสำรวจ algorithm และ use case เฉพาะ domain โดย abstract quantum workflow เพื่อแก้ task ด้วย classical input และ output | Input: Molecules, graphs Output: Ground + excited state energy, optimal values for cost function | นักวิจัยใน domain ที่ไม่ใช่ควอนตัม ที่รวม quantum เข้ากับ workflow classical ขนาดใหญ่ที่มีอยู่แล้ว โดยไม่จำเป็นต้องแมป classical data ไปยัง quantum circuit |
Function ให้บริการโดย IBM® และ partner บุคคลที่สาม แต่ละ function มีประสิทธิภาพสำหรับลักษณะ workload เฉพาะและมีตัวเลือกการปรับแต่งประสิทธิภาพที่ไม่เหมือนกัน
ภาพรวมของ function ที่มีให้ใช้
Circuit function
| ชื่อ | ผู้ให้บริการ | แนะนำให้ใช้กับ | ประโยชน์เฉพาะ |
|---|---|---|---|
| Tensor-Network Error Mitigation Guide API reference License | Algorithmiq | Workload ที่มี observable น้ำหนักต่ำและ Circuit แบบ loop-free | ลด measurement overhead และ variance ทำผลได้ดีกว่า error mitigation baseline มาตรฐาน เช่น Zero Noise Extrapolation (ZNE) และ Probabilistic Error Cancellation (PEC) สำหรับคลาส Circuit ที่เกี่ยวข้อง |
| QESEM: Error Suppression and Error Mitigation Guide API reference | Qedma | Workload ที่มี Circuit ที่มี fractional หรือ parameterized gate, observable น้ำหนักสูง และ workflow ที่ต้องการ expectation value ที่ไม่ลำเอียงและประมาณ runtime ที่แม่นยำ | สร้าง expectation value ที่ไม่ลำเอียงด้วย variance และ resource overhead ที่ต่ำกว่า ทำผลได้ดีกว่า ZNE และ PEC สำหรับคลาส Circuit ที่เกี่ยวข้อง |
| Performance Management Guide API reference License | Q-CTRL | Workload ที่มี parametric circuit, deep circuit หรือต้องการการดำเนินการ Circuit จำนวนมาก | ใช้ AI-driven error suppression กับ quantum algorithm โดยอัตโนมัติ เพิ่มประสิทธิภาพ IBM device ให้สูงสุดเพื่อให้ผลลัพธ์ที่แม่นยำในขณะที่ลดจำนวน shot, compute time และค่าใช้จ่าย วิธีที่ไม่มี overhead ที่ปรับปรุงความแม่นยำการดำเนินการสำหรับ Sampler และ Estimator primitive เข้ากันได้กับ observable น้ำหนักใด ๆ |
Application function
| ชื่อ | ผู้ให้บริการ | แนะนำให้ใช้กับ | ประโยชน์เฉพาะ |
|---|---|---|---|
| QUICK-PDE Guide API reference License | ColibriTD | ใช้ quantum computation สำหรับ multi-physics PDE เตรียม simulation workflow สำหรับ quantum hardware พร้อมควบคุม parameter การสร้างแบบจำลองควอนตัมและฟิสิกส์ได้อย่างเต็มที่ | เสนอ hybrid VQA framework ที่แข็งแกร่งซึ่งให้โซลูชัน PDE ที่แม่นยำและปรับขนาดได้ผ่าน solution encoding และ spectral method ขั้นสูง ทำให้เป็นจุดเข้าถึงที่เหมาะสำหรับทีมที่พยายามสร้างความสามารถ simulation ที่พร้อมสำหรับควอนตัม |
| Quantum Portfolio Optimizer Guide API reference License | Global Data Quantum | Workload สำหรับการ optimization ทางการเงิน หากลยุทธ์ portfolio ที่ดีที่สุดในช่วงเวลาหนึ่งพร้อมลด risk และเพิ่ม return สูงสุด รองรับการ back-testing กลยุทธ์การซื้อขาย | แก้ปัญหา combinatorial optimization ผ่านการดัดแปลง quantum algorithm VQE ให้เฉพาะทางอย่างยิ่งสำหรับ use case ทางการเงินนี้ โดยใช้ execution strategy และ optimizer ที่ปรับแต่งพร้อม noise-aware error mitigation techniques ที่ปรับแต่งสำหรับ portfolio optimization |
| HI-VQE Chemistry Guide API reference License | Qunova Computing | Workload ใน computational chemistry, molecular simulation, materials science หรือ Hamiltonian simulation ใด ๆ ที่ต้องการแก้ปัญหา many-body electronic structure | แก้โครงสร้างอิเล็กทรอนิกส์โมเลกุลโดยใช้ enhanced SQD ที่ได้ chemical accuracy (1 kcal/mol, 1.6 mHa) สำหรับปัญหาที่สร้างแบบจำลองด้วย 40 ถึง 60 qubit ทำผลได้ดีกว่าโซลูชัน classical บางอย่างบน supercomputer หรือ standard SQD ในด้าน convergence speed หรือ accuracy ตามลำดับ โดยดีกว่าหลายลำดับขั้น |
| Iskay Quantum Optimizer Guide API reference License | Kipu Quantum | Workload optimization เช่น scheduling, logistics, routing และปัญหา QUBO/HUBO | มี classical pre- และ post-processing methods แบบ tunable ที่รวมไว้สำหรับ quantum optimization routine ให้ runtime advantage เหนือ classical solver (CPLEX, simulated annealing และ tabu search) บน HUBO benchmark ที่เลือก Market Split ms_5_100 ซึ่งเป็นความท้าทายที่ยาก แก้ได้ภายในชั่วโมง (ดูแบบฝึกหัดนี้) |
| Singularity Machine Learning Guide API reference License | Multiverse Computing | Classical machine learning classification workflow ที่อาจได้ประโยชน์จากความแม่นยำที่ดีขึ้นหรือประสิทธิภาพการคำนวณที่ดีขึ้นโดยใช้ quantum optimization ที่ดำเนินการบน IBM hardware | ให้ความแม่นยำเทียบเคียงหรือเกินกว่า classical model เช่น Random Forest หรือ XGBoost ขณะที่ใช้ learner น้อยลงอย่างมีนัยสำคัญ และมี ensemble ที่กะทัดรัดกว่า ขับเคลื่อนด้วย quantum-optimized voting เลือก learner ที่มีข้อมูลมากที่สุดและปรับแต่ง decision boundary ส่งผลให้มีประสิทธิภาพมากขึ้น ความซับซ้อนของ model ลดลง และประสิทธิภาพที่แข็งแกร่งขึ้น |
| Optimization Solver Guide API reference License | Q-CTRL | ปัญหา Binary optimization หรือปัญหา combinatorial ใด ๆ ที่สามารถแมปไปยัง binary cost function ได้ รองรับ cost function ทุกลำดับและขนาดปัญหาสูงสุดถึง device scale สูงสุด | โซลูชัน quantum optimization แบบ end-to-end ที่รับรู้ noise ซึ่งรองรับการกำหนด problem definition ระดับสูงและค้นหาโซลูชันที่แม่นยำสำหรับปัญหา combinatorial ที่ท้าทาย classical บน utility-scale quantum hardware โดยอัตโนมัติ ลดความซับซ้อนโดยจัดการ error suppression, efficient mapping และ hybrid quantum-classical optimization เพื่อแก้ optimization task ใน full device scale โดยไม่ต้องมีความเชี่ยวชาญด้านควอนตัมลึกซึ้ง |