Qiskit addons

Setembro de 2026

Novas ferramentas foram construídas sobre o framework do modelo de execução direcionada, lançado no início deste ano:
- qiskit-noise-learning é um toolkit para caracterização de ruído quântico baseada em randomização. Você pode usá-lo para construir um experimento personalizado de aprendizado de ruído, validá-lo com simulação local e analisar os resultados brutos.
- qiskit-mitigation é um pacote de métodos de mitigação de erros quânticos para construir pipelines de mitigação com o novo modelo de execução. Ele inclui implementações de métodos bem conhecidos, como PEC, PEA, TREX e ZNE por gate-folding, além de pós-seleção para filtrar erros não markovianos.

O Qiskit Fermions teve seu primeiro lançamento este mês! Este pacote oferece ferramentas para trabalhar com sistemas fermiônicos, incluindo a construção de operadores e circuitos fermiônicos, a implementação de codificações férmion-para-qubit e a síntese de circuitos por meio da integração com o transpilador do Qiskit. O Qiskit Fermions pode ser usado com outras ferramentas complementares do ecossistema, como ffsim (veja esta documentação e o blog para mais informações) e o addon SQD, para construir fluxos de trabalho avançados para sistemas fermiônicos.

Apresentando o Qiskit Paulice: um novo addon que integra detecção de erros quânticos de baixo overhead em circuitos quânticos para aumentar a fidelidade das distribuições medidas. Ele fornece acesso single-shot ao estado quântico e, portanto, pode ser usado em fluxos de trabalho baseados em amostragem e em valores esperados. Confira o blog e a documentação para saber como começar hoje mesmo.

Recentemente, lançamos dois novos addons que usam recursos clássicos para reduzir os recursos quânticos necessários para a mitigação de erros:
- Propagated noise absorption (PNA) é uma técnica para mitigar erros em valores esperados absorvendo as inversas dos canais de ruído aprendidos em observáveis usando propagação de Pauli.
- O addon Shaded lightcones (SLC) usa simulações clássicas para limitar de forma mais precisa a sensibilidade a erros ao longo do circuito. Isso permite aplicações mais eficientes e direcionadas de Probabilistic Error Cancellation (PEC) com variância reduzida.