Pular para o conteúdo principal

Mitigação de erros por redes tensoriais (TEM): Uma Qiskit Function da Algorithmiq

Nota

As Qiskit Functions são um recurso experimental disponível somente para usuários dos planos IBM Quantum® Premium, Flex e On-Prem (via IBM Quantum Platform API). Elas estão em versão de pré-visualização e sujeitas a alterações.

Versões dos pacotes

O código desta página foi desenvolvido usando os seguintes requisitos. Recomendamos usar estas versões ou mais recentes.

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

Visão geral​

O método de Mitigação de Erros por Redes Tensoriais (TEM) da Algorithmiq é um algoritmo híbrido quântico-clássico projetado para realizar a mitigação de ruído inteiramente na etapa de pós-processamento clássico. Com o TEM, você pode calcular os valores esperados de observáveis mitigando os inevitáveis erros induzidos por ruído que ocorrem no hardware quântico, com maior precisão e eficiência de custo, tornando-o uma opção altamente atrativa tanto para pesquisadores quânticos quanto para profissionais da indústria.

O método consiste em construir uma rede tensorial que representa o inverso do canal de ruído global que afeta o estado do processador quântico, e então aplicar o mapa aos resultados de medição informacionalmente completos obtidos do estado ruidoso para obter estimadores não viesados para os observáveis.

Como vantagem, o TEM aproveita medições informacionalmente completas para dar acesso a um vasto conjunto de valores esperados mitigados de observáveis, e possui sobrecarga de amostragem ótima no hardware quântico, conforme descrito em Filippov et al. (2023), arXiv:2307.11740, e Filippov et al. (2024), arXiv:2403.13542. A sobrecarga de medição refere-se ao número de medições adicionais necessárias para realizar a mitigação de erros eficiente, um fator crítico na viabilidade de computações quânticas. Portanto, o TEM tem o potencial de possibilitar a vantagem quântica em cenários complexos, como aplicações nos campos de caos quântico, física de muitos corpos, dinâmica de Hubbard e simulações de química de moléculas pequenas.

As principais funcionalidades e benefícios do TEM podem ser resumidos como:

  1. Sobrecarga de medição ótima: O TEM é ótimo em relação aos limites teóricos, o que significa que nenhum método pode alcançar uma sobrecarga de medição menor. Em outras palavras, o TEM requer o número mínimo de medições adicionais para realizar a mitigação de erros. Isso, por sua vez, significa que o TEM usa o tempo de execução quântico mínimo.
  2. Custo-benefício: Como o TEM lida com a mitigação de ruído inteiramente na etapa de pós-processamento, não há necessidade de adicionar circuitos extras ao computador quântico, o que não só torna a computação mais barata, mas também reduz o risco de introduzir erros adicionais devido às imperfeições dos dispositivos quânticos.
  3. Estimativa de múltiplos observáveis: Graças às medições informacionalmente completas, o TEM estima eficientemente múltiplos observáveis com os mesmos dados de medição do computador quântico.
  4. Mitigação de erros de medição: A Qiskit Function TEM também inclui um método proprietário de mitigação de erros de medição capaz de reduzir significativamente os erros de leitura após uma curta execução de calibração.
  5. Precisão: O TEM melhora significativamente a precisão e a confiabilidade de simulações quânticas digitais, tornando os algoritmos quânticos mais exatos e confiáveis.

Descrição​

A função TEM permite que você obtenha valores esperados com mitigação de erros para múltiplos observáveis em um Circuit quântico com sobrecarga de amostragem mínima. O Circuit é medido com uma medida de operador com valor positivo informacionalmente completa (IC-POVM), e os resultados de medição coletados são processados em um computador clássico. Essa medição é usada para realizar os métodos de rede tensorial e construir um mapa de inversão de ruído. A função aplica um mapa que inverte completamente todo o Circuit ruidoso usando redes tensoriais para representar as camadas ruidosas.

Esquema do TEM

Uma vez que os circuitos são enviados à função, eles são transpilados e otimizados para minimizar o número de camadas com gates de dois Qubits (os gates mais ruidosos em dispositivos quânticos). O ruído que afeta as camadas é aprendido por meio do Qiskit Runtime usando um modelo de ruído esparso de Pauli-Lindblad, conforme descrito em E. van den Berg, Z. Minev, A. Kandala, K. Temme, Nat. Phys. (2023). arXiv:2201.09866.

O modelo de ruído é uma descrição precisa do ruído no dispositivo, capaz de capturar características sutis, incluindo a diafonia entre Qubits. No entanto, o ruído nos dispositivos pode flutuar e derivar, e o ruído aprendido pode não ser preciso no momento em que a estimativa é feita. Isso pode resultar em resultados imprecisos.

Primeiros passos​

Autentique-se usando sua chave de API do IBM Quantum Platform, e selecione a função TEM como a seguir. (Este trecho assume que você já salvou sua conta em seu ambiente local.)

# 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)

Exemplo​

O trecho a seguir mostra um exemplo em que o TEM é usado para calcular os valores esperados de um observável dado um Circuit quântico simples.

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)

Use as APIs do Qiskit Serverless para verificar o status da sua carga de trabalho do Qiskit Function:

print(job.status())
QUEUED

Você pode retornar os resultados da seguinte forma:

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

O valor esperado para o Circuit sem ruído para o operador dado deve ser em torno de 0.18409094298943401.

Entradas​

Parâmetros

NomeTipoDescriçãoObrigatórioPadrãoExemplo
pubsIterable[EstimatorPubLike]Um iterável de objetos do tipo PUB (bloco unificado de primitiva), como tuplas (circuit, observables) ou (circuit, observables, parameters, precision). Veja Visão geral dos PUBs para mais informações. Se um Circuit não-ISA for passado, ele será transpilado com configurações ótimas. Se um Circuit ISA for passado, ele não será transpilado; nesse caso, o observável deve ser definido em todo o QPU.SimN/A(circuit, observables)
backend_namestrNome do Backend para realizar a consulta.NãoSe não for fornecido, o Backend menos ocupado será usado."ibm_fez"
optionsdictOpções de entrada. Veja a seção Options para mais detalhes.NãoVeja a seção Options para mais detalhes.{"max_bond_dimension": 100\}
cuidado

O TEM atualmente possui as seguintes limitações:

  • Circuitos parametrizados não são suportados. O argumento de parâmetros deve ser definido como None se a precisão for especificada. Essa restrição será removida em versões futuras.
  • Apenas circuitos sem loops são suportados. Essa restrição será removida em versões futuras.
  • Gates não-unitários, como reset, measure e todas as formas de fluxo de controle, não são suportados. O suporte para reset será adicionado em versões futuras.

Opções​

Um dicionário contendo as opções avançadas para o TEM. O dicionário pode conter as chaves da tabela a seguir. Se alguma das opções não for fornecida, o valor padrão listado na tabela será usado. Os valores padrão são adequados para o uso típico do TEM.

NomeOpçõesDescriçãoPadrão
tem_max_bond_dimensionintA dimensão de ligação máxima a ser usada para as redes tensoriais.500
tem_compression_cutofffloatO valor de corte a ser usado para as redes tensoriais.1e-16
compute_shadows_bias_from_observableboolUm sinalizador booleano indicando se o viés para o protocolo de medição de sombras clássicas deve ser adaptado ao observável do PUB ou não. Se False, o protocolo de sombras clássicas (probabilidade igual de medir Z, X, Y) será usado.False
shadows_biasnp.ndarrayO viés a ser usado para o protocolo de medição de sombras clássicas aleatórias, um array 1d ou 2d de tamanho 3 ou forma (num_qubits, 3) respectivamente. A ordem é ZXYnp.array([1 / 3, 1 / 3, 1 / 3])
max_execution_timeint ou NoneO tempo máximo de execução no QPU em segundos. Se o tempo de execução exceder esse valor, o job será cancelado. Se None, será aplicado um limite padrão definido pelo Qiskit Runtime.None
num_randomizationsintO número de randomizações a ser usado para aprendizado de ruído e entrelaçamento de gates.32
max_layers_to_learnintO número máximo de camadas únicas a aprender.4
mitigate_readout_errorboolUm sinalizador booleano indicando se a mitigação de erros de leitura deve ser realizada ou não.True
num_readout_calibration_shotsintO número de shots a ser usado para a mitigação de erros de leitura.10000
default_precisionfloatA precisão padrão a ser usada para os PUBs para os quais a precisão não é especificada.0.02
seedint ou NoneDefine a semente do gerador de números aleatórios para reprodutibilidade. Se None, não define a semente.None

Saídas​

Um PrimitiveResults do Qiskit contendo o resultado mitigado pelo TEM. O resultado para cada PUB é retornado como um PubResult contendo os seguintes campos:

NomeTipoDescrição
dataDataBinUm DataBin do Qiskit contendo o observável mitigado pelo TEM e seu erro padrão. O DataBin possui os seguintes campos:
  • evs: O valor do observável mitigado pelo TEM.
  • stds: O erro padrão do observável mitigado pelo TEM.
metadatadictUm dicionário contendo resultados adicionais. O dicionário contém as seguintes chaves:
  • "evs_non_mitigated": O valor do observável sem mitigação de erros.
  • "stds_non_mitigated": O erro padrão do resultado sem mitigação de erros.
  • "evs_mitigated_no_readout_mitigation": O valor do observável com mitigação de erros, mas sem mitigação de erros de leitura.
  • "stds_mitigated_no_readout_mitigation": O erro padrão do resultado com mitigação de erros, mas sem mitigação de erros de leitura.
  • "evs_non_mitigated_with_readout_mitigation": O valor do observável sem mitigação de erros, mas com mitigação de erros de leitura.
  • "stds_non_mitigated_with_readout_mitigation": O erro padrão do resultado sem mitigação de erros, mas com mitigação de erros de leitura.

Obtendo mensagens de erro​

Se o status da sua carga de trabalho for ERROR, use job.result() para obter a mensagem de erro da seguinte forma:

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}}})

Obter suporte​

Entre em contato com qiskit_ibm@algorithmiq.fi

Certifique-se de incluir as seguintes informações:

  • ID do Job da Qiskit Function (qiskit-ibm-catalog), job.job_id
  • Uma descrição detalhada do problema
  • Quaisquer mensagens de erro ou códigos relevantes
  • Passos para reproduzir o problema

Próximos passos​

Recomendações