IBM Circuit function

หมายเหตุ

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

ภาพรวม

IBM® Circuit function รับ abstract PUBs เป็น input และส่งคืนค่า expectation values ที่ผ่านการลดความผิดพลาดแล้วเป็น output Circuit function นี้มี pipeline อัตโนมัติและปรับแต่งได้ เพื่อให้นักวิจัยสามารถมุ่งเน้นการค้นพบอัลกอริทึมและแอปพลิเคชันได้

คำอธิบาย

หลังจากส่ง PUB แล้ว abstract circuits และ observables จะถูก transpile, รันบนฮาร์ดแวร์ และประมวลผลหลังการรันโดยอัตโนมัติ เพื่อส่งคืนค่า expectation values ที่ผ่านการลดความผิดพลาด ทำได้โดยผสมผสานเครื่องมือต่อไปนี้:

• Qiskit Transpiler Service รวมถึงการเลือก AI-driven และ heuristic transpilation passes อัตโนมัติ เพื่อแปลง abstract circuits ให้เป็น ISA circuits ที่ปรับให้เหมาะสมกับฮาร์ดแวร์
• เทคนิคการระงับและลดความผิดพลาดสำหรับการคำนวณระดับ utility-scale รวมถึง measurement และ gate twirling, dynamical decoupling, Twirled Readout Error eXtinction (TREX), Zero-Noise Extrapolation (ZNE) และ Probabilistic Error Amplification (PEA)
• Qiskit Runtime Estimator สำหรับรัน ISA PUBs บนฮาร์ดแวร์และส่งคืนค่า expectation values ที่ผ่านการลดความผิดพลาด

เริ่มต้นใช้งาน

ยืนยันตัวตนโดยใช้ API key และเลือก Qiskit Function ดังนี้ (ตัวอย่างนี้สมมติว่าได้ บันทึกบัญชีแล้ว ในสภาพแวดล้อมภายในเครื่อง)

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

from qiskit_ibm_catalog import QiskitFunctionsCatalog

catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

function = catalog.load("ibm/circuit-function")

ตัวอย่าง

ลองใช้ตัวอย่างพื้นฐานนี้เพื่อเริ่มต้น:

from qiskit.circuit.random import random_circuit
from qiskit_ibm_runtime import QiskitRuntimeService

# You can skip this step if you have a target backend, e.g.
# backend_name = "ibm_brisbane"
# You'll need to specify the credentials when initializing QiskitRuntimeService, if they were not previously saved.
service = QiskitRuntimeService()
backend = service.least_busy(operational=True, simulator=False)

circuit = random_circuit(num_qubits=2, depth=2, seed=42)
observable = "Z" * circuit.num_qubits
pubs = [(circuit, observable)]

job = function.run(
    # Use `backend_name=backend_name` if you didn't initialize a backend object
    backend_name=backend.name,
    pubs=pubs,
)

ตรวจสอบ สถานะ หรือดู ผลลัพธ์ ของ Qiskit Function workload ดังนี้:

print(job.status())
result = job.result()

QUEUED

ผลลัพธ์มีรูปแบบเดียวกับ Estimator result:

print(f"The result of the submitted job had {len(result)} PUB\n")
print(
    f"The associated PubResult of this job has the following DataBins:\n {result[0].data}\n"
)
print(f"And this DataBin has attributes: {result[0].data.keys()}")
print(
    f"The expectation values measured from this PUB are: \n{result[0].data.evs}"
)

The result of the submitted job had 1 PUB

The associated PubResult of this job has the following DataBins:
 DataBin(evs=np.ndarray(<shape=(), dtype=float64>), stds=np.ndarray(<shape=(), dtype=float64>), ensemble_standard_error=np.ndarray(<shape=(), dtype=float64>))

And this DataBin has attributes: dict_keys(['evs', 'stds', 'ensemble_standard_error'])
The expectation values measured from this PUB are:
1.02116704805492

Input

ดูตารางต่อไปนี้สำหรับ input parameters ทั้งหมดที่ IBM Circuit function รองรับ ส่วน Options ถัดไปจะอธิบายรายละเอียดเพิ่มเติมเกี่ยวกับ options ที่มี

ชื่อ	ประเภท	คำอธิบาย	จำเป็น	ค่าเริ่มต้น	ตัวอย่าง
backend_name	str	ชื่อ Backend ที่ต้องการส่งคำขอ	ใช่	N/A	ibm_fez
pubs	Iterable[EstimatorPubLike]	iterable ของ abstract PUB-like (primitive unified bloc) objects เช่น tuples (circuit, observables) หรือ (circuit, observables, parameter_values) ดู Overview of PUBs สำหรับข้อมูลเพิ่มเติม Circuits สามารถเป็น abstract (non-ISA) ได้	ใช่	N/A	(circuit, observables, parameter_values)
options	dict	Input options ดูส่วน Options สำหรับรายละเอียด	ไม่	ดูส่วน Options สำหรับรายละเอียด	{"optimization_level": 3}
instance	str	ชื่อ cloud resource ของ instance ที่ต้องการใช้ในรูปแบบนั้น	ไม่	หากบัญชีของคุณมีสิทธิ์เข้าถึงหลาย instances จะมีการเลือกแบบสุ่ม	CRN

Options

โครงสร้าง

คล้ายกับ Qiskit Runtime primitives options สำหรับ IBM Circuit function สามารถระบุเป็น nested dictionary ได้ Options ที่ใช้บ่อย เช่น optimization_level และ mitigation_level อยู่ที่ระดับแรก ส่วน options ขั้นสูงอื่น ๆ ถูกจัดกลุ่มตามหมวดหมู่ เช่น resilience

ค่าเริ่มต้น

หากไม่ระบุค่าสำหรับ option ใด จะใช้ค่าเริ่มต้นที่กำหนดโดยบริการ

Mitigation level

IBM Circuit function รองรับ mitigation_level ด้วย ระดับ mitigation ระบุว่าจะใช้การระงับและลดความผิดพลาดมากแค่ไหนกับ job ระดับที่สูงกว่าจะให้ผลลัพธ์ที่แม่นยำกว่า แต่ใช้เวลาประมวลผลนานกว่า ระดับการลดความผิดพลาดขึ้นอยู่กับวิธีที่ใช้ ระดับ mitigation จะแยกการเลือกวิธี error mitigation และ suppression โดยละเอียดออกไป เพื่อให้ผู้ใช้พิจารณาการแลกเปลี่ยนระหว่างต้นทุนและความแม่นยำที่เหมาะสมกับแอปพลิเคชันของตน ตารางต่อไปนี้แสดงวิธีที่สอดคล้องกับแต่ละระดับ

หมายเหตุ

แม้ชื่อจะคล้ายกัน แต่ mitigation_level ใช้เทคนิคที่แตกต่างจากที่ resilience_level ของ Estimator ใช้

คล้ายกับ resilience_level ใน Qiskit Runtime Estimator mitigation_level กำหนดชุด options ที่คัดสรรมาแล้ว options ที่ระบุเพิ่มเติมนอกเหนือจาก mitigation level จะถูกใช้ทับชุด options พื้นฐานที่กำหนดโดย mitigation level ดังนั้นในทางหลักการ คุณอาจตั้ง mitigation level เป็น 1 แต่ปิด measurement mitigation ได้ แม้จะไม่แนะนำ

Mitigation Level	เทคนิค
1 [ค่าเริ่มต้น]	Dynamical decoupling + measurement twirling + TREX
2	Level 1 + gate twirling + ZNE via gate folding
3	Level 1 + gate twirling + ZNE via PEA

ตัวอย่างต่อไปนี้แสดงการตั้ง mitigation level:

options = {"mitigation_level": 2}

job = function.run(backend_name=backend.name, pubs=pubs, options=options)

Options ทั้งหมดที่มี

นอกจาก mitigation_level แล้ว IBM Circuit function ยังมี options ขั้นสูงจำนวนหนึ่งที่ให้ปรับแต่งการแลกเปลี่ยนระหว่างต้นทุนและความแม่นยำได้ ตารางต่อไปนี้แสดง options ทั้งหมดที่มี:

Option	Sub-option	Sub-sub-option	คำอธิบาย	ตัวเลือก	ค่าเริ่มต้น
default_precision			ความแม่นยำเริ่มต้นที่ใช้สำหรับ PUB หรือการเรียก run() ที่ไม่ได้ระบุ PUB แต่ละรายการสามารถระบุความแม่นยำของตัวเองได้ หากวิธี run() ได้รับความแม่นยำ ค่านั้นจะถูกใช้กับ PUBs ทั้งหมดในการเรียก run() ที่ไม่ได้ระบุของตัวเอง	float > 0	0.015625
max_execution_time			เวลาการรันสูงสุดเป็นวินาที ซึ่งอ้างอิงจากการใช้งาน QPU (ไม่ใช่ wall clock time) การใช้งาน QPU คือเวลาที่ QPU ทุ่มเทให้กับการประมวลผล job ของคุณ หาก job เกินขีดจำกัดเวลานี้ จะถูกยกเลิกโดยบังคับ	จำนวนวินาทีเป็น Integer ในช่วง [1, 10800]
mitigation_level			ระดับการระงับและลดความผิดพลาด ดูส่วน Mitigation level สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีที่ใช้ในแต่ละระดับ	1 / 2 / 3	1
optimization_level			ระดับการปรับแต่ง circuits ระดับที่สูงกว่า จะสร้าง circuits ที่ปรับแต่งดีกว่า แต่ใช้เวลา transpilation นานกว่า	1 / 2 / 3	2
dynamical_decoupling	enable		เปิดใช้งาน dynamical decoupling หรือไม่ ดู เทคนิคการระงับและลดความผิดพลาด สำหรับคำอธิบายวิธีนี้	True/False	True
	sequence_type		ลำดับ dynamical decoupling ที่ใช้ * XX: ใช้ลำดับ tau/2 - (+X) - tau - (+X) - tau/2 * XpXm: ใช้ลำดับ tau/2 - (+X) - tau - (-X) - tau/2 * XY4: ใช้ลำดับ tau/2 - (+X) - tau - (+Y) - tau (-X) - tau - (-Y) - tau/2	'XX'/'XpXm'/'XY4'	'XX'
twirling	enable_gates		ใช้ 2-qubit Clifford gate twirling หรือไม่	True/False	False
	enable_measure		เปิดใช้งาน twirling ของการวัดหรือไม่	True/False	True
resilience	measure_mitigation		เปิดใช้งานวิธี TREX measurement error mitigation หรือไม่ ดู เทคนิคการระงับและลดความผิดพลาด สำหรับคำอธิบายวิธีนี้	True/False	True
	zne_mitigation		เปิดใช้งานวิธี Zero Noise Extrapolation error mitigation หรือไม่ ดู เทคนิคการระงับและลดความผิดพลาด สำหรับคำอธิบายวิธีนี้	True/False	False
	zne	amplifier	เทคนิคที่ใช้ขยายสัญญาณรบกวน หนึ่งใน: - gate_folding (ค่าเริ่มต้น) ใช้ 2-qubit gate folding เพื่อขยายสัญญาณรบกวน หาก noise factor ต้องการขยายเฉพาะบาง gates จะเลือก gates เหล่านั้นแบบสุ่ม - gate_folding_front ใช้ 2-qubit gate folding เพื่อขยายสัญญาณรบกวน หาก noise factor ต้องการขยายเฉพาะบาง gates จะเลือก gates จากด้านหน้าของ DAG circuit ที่เรียงตามลำดับโทโพโลยี - gate_folding_back ใช้ 2-qubit gate folding เพื่อขยายสัญญาณรบกวน หาก noise factor ต้องการขยายเฉพาะบาง gates จะเลือก gates จากด้านหลังของ DAG circuit ที่เรียงตามลำดับโทโพโลยี - pea ใช้เทคนิคที่เรียกว่า Probabilistic error amplification (PEA) เพื่อขยายสัญญาณรบกวน ดู เทคนิคการระงับและลดความผิดพลาด สำหรับคำอธิบายวิธีนี้	gate_folding / gate_folding_front / gate_folding_back / pea	gate_folding
		noise_factors	Noise factors ที่ใช้สำหรับการขยายสัญญาณรบกวน	รายการ floats; แต่ละ float >= 1	(1, 1.5, 2) สำหรับ PEA และ (1, 3, 5) สำหรับกรณีอื่น
		extrapolator	Noise factors สำหรับประเมิน fit extrapolation models option นี้ไม่ส่งผลต่อการรันหรือการ fitting model แต่อย่างใด เพียงกำหนดจุดที่ออบเจกต์ extrapolator ถูกประเมินเพื่อส่งคืนในฟิลด์ข้อมูลที่ชื่อว่า evs_extrapolated และ stds_extrapolated	หนึ่งหรือมากกว่าใน exponential,linear, double_exponential,polynomial_degree_(1 <= k <= 7)	(exponential, linear)
	pec_mitigation		เปิดใช้งานวิธี Probabilistic Error Cancellation error mitigation หรือไม่ ดู เทคนิคการระงับและลดความผิดพลาด สำหรับคำอธิบายวิธีนี้	True/False	False
	pec	max_overhead	ค่า overhead สูงสุดที่อนุญาตสำหรับการสุ่มตัวอย่าง circuit หรือ None หากไม่มีขีดจำกัดสูงสุด	None/ integer >1	100

ในตัวอย่างต่อไปนี้ การตั้ง mitigation level เป็น 1 จะปิด ZNE mitigation ในตอนแรก แต่การตั้ง zne_mitigation เป็น True จะแทนที่การตั้งค่าที่เกี่ยวข้องจาก mitigation_level

options = {"mitigation_level": 1, "resilience": {"zne_mitigation": True}}

Output

Output ของ Circuit function คือ PrimitiveResult ซึ่งมีสองฟิลด์:

• หนึ่งหรือมากกว่า PubResult objects ที่สามารถ index โดยตรงจาก PrimitiveResult

• Metadata ระดับ job

แต่ละ PubResult มีฟิลด์ data และ metadata

• ฟิลด์ data มีอย่างน้อยอาร์เรย์ของค่า expectation values (PubResult.data.evs) และอาร์เรย์ของ standard errors (PubResult.data.stds) และอาจมีข้อมูลเพิ่มเติมขึ้นอยู่กับ options ที่ใช้

• ฟิลด์ metadata มี metadata ระดับ PUB (PubResult.metadata)

โค้ดตัวอย่างต่อไปนี้อธิบายรูปแบบ PrimitiveResult (และ PubResult ที่เกี่ยวข้อง)

print(f"The result of the submitted job had {len(result)} PUB")
print(
    f"The expectation values measured from this PUB are: \n{result[0].data.evs}"
)
print(f"And the associated metadata is: \n{result[0].metadata}")

The result of the submitted job had 1 PUB
The expectation values measured from this PUB are:
1.02116704805492
And the associated metadata is:
{'shots': 4096, 'target_precision': 0.015625, 'circuit_metadata': {}, 'resilience': {}, 'num_randomizations': 32}

การดึงข้อความข้อผิดพลาด

หากสถานะ workload เป็น ERROR ใช้ job.result() เพื่อดึงข้อความข้อผิดพลาดเพื่อช่วย debug ดังนี้:

job = function.run(
    backend_name="bad_backend_name", pubs=pubs, options=options
)

print(job.result())

รับการสนับสนุน

ติดต่อ IBM Quantum support และรวมข้อมูลต่อไปนี้:

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

ขั้นตอนต่อไป

คำแนะนำ

• ลอง tutorial Error mitigation with the IBM Circuit function