Modell der gerichteten Ausführung (beta)

Die primitiven Schnittstellen Sampler und Estimator bieten den Entwicklern von Algorithmen eine höhere Abstraktionsebene, damit sie sich mehr auf Innovationen und weniger auf die Datenkonvertierung konzentrieren können. Sie sind jedoch weniger geeignet für Quanteninformationswissenschaftler, die mehr Kontrolle und Flexibilität für ihre Experimente im kommerziellen Maßstab benötigen. Das Modell der gerichteten Ausführung, das sich derzeit in der Betaphase befindet, trägt diesem Bedarf Rechnung. Dieses Ausführungsmodell bietet die Voraussetzungen für die Erfassung von Entwurfsabsichten auf der Client-Seite und verlagert die kostspielige Generierung von Schaltungsvarianten auf die Server-Seite, so dass Sie die Fehlerbegrenzung und andere Techniken ohne Leistungseinbußen fein abstimmen können. Dieses explizite und zusammensetzbare Modell erleichtert das Experimentieren mit neuen Techniken, die Reproduktion von Ergebnissen und den Austausch von Methoden.

In seiner Betaversion konzentriert sich das Modell der gerichteten Ausführung darauf, Ihnen die Kontrolle über Techniken zu geben, die in den bestehenden Sampler und Estimator integriert sind, einschließlich Pauli-Twirling, Lernen und Injektion von Rauschmodellen und Basisänderungen. Die Unterstützung für andere Funktionen wird im Laufe der Zeit schrittweise hinzugefügt.

Arbeitsablauf

Ein Hauptziel des Modells der gerichteten Ausführung besteht darin, eine modulare Methode zur Anwendung von Methoden zur Fehlerbegrenzung bereitzustellen. Sie können zum Beispiel festlegen, welche Schichten in der Schaltung abgeschwächt werden sollen, oder die Rauschraten, die in die Schaltung eingespeist werden, anpassen.

Die Anwendung der Fehlerbegrenzung auf eine Schaltung im Rahmen des Frameworks umfasst in der Regel die folgenden Schritte (die hier erwähnten Werkzeuge werden im nächsten Abschnitt ausführlicher beschrieben):

1. Gruppieren Sie Anweisungen in Kästen und versehen Sie sie mit Anmerkungen. Die Anmerkungen erfassen die beabsichtigte Transformation, ohne dass die Schaltungsvarianten tatsächlich erzeugt werden.

   Falls erforderlich : Machen Sie sich mithilfe des neuen „ NoiseLearnerV3 “ mit den Rauschmodellen der einzelnen Schichten vertraut.

2. Bauen Sie die Schablonenschaltung und das Musterlex aus der verpackten Schaltung.

3. Führen Sie die Schaltungsvorlage und Samplex mit der Executor -Primitive aus, wodurch die Schaltungsvarianten wie angegeben generiert und ausgeführt werden.

4. Ergebnisse der Nachbearbeitung. Sie können beispielsweise eine Nachselektion durchführen oder aus den Ausführungsergebnissen gemilderte Erwartungswerte ableiten.

Werkzeuge für das gerichtete Ausführungsmodell

Die folgenden Werkzeuge können zusammen verwendet werden, um eine Technik zur Fehlerbegrenzung im Modell der gerichteten Ausführung zu implementieren.

Samplomatisch

Samplomatic ist eine neue Open-Source-Bibliothek, die benutzerdefinierte Stichproben-Randomisierungen unterstützt. Es verwendet das Box-Konstrukt, um über Sammlungen von Schaltkreisoperationen nachzudenken, die so behandelt werden sollten, als hätten sie einen stabilen Rauschkontext, und es verwendet Anmerkungen zu Boxen, um Ihnen die Deklaration und Konfiguration von Intents zu ermöglichen. Sie können zum Beispiel Ihren Schaltkreis in Kästchen schichten, jedem Kästchen eine Verwirbelungsanmerkung hinzufügen und angeben, welche Verwirbelungsgruppe verwendet werden soll, wie in der folgenden Abbildung gezeigt:

Anhand einer Schaltung mit beschrifteten Feldern lassen sich dann eine Schaltungsvorlage und ein Samplex erstellen. Die Ausgabevorlagenschaltung ist eine parametrisierte Schaltung, die ohne weitere Änderungen (abgesehen von der Zuweisung unterschiedlicher Parameterwerte) ausgeführt wird. Der Samplex, der Kerntyp der Samplomatic-Bibliothek, stellt eine parametrische Wahrscheinlichkeitsverteilung über die Parameter der Vorlagenschaltung und anderer Felder mit Array-Werten dar. Diese Felder können zur Nachbearbeitung der Daten verwendet werden, die bei der Ausführung der gebundenen Schaltkreisschablone erfasst wurden. Mit anderen Worten: Die Vorlagenschaltung und der Samplex teilen der Executor-Primitive gemeinsam mit, welche Parameter generiert und welche gebundenen Schaltungen ausgeführt werden sollen. Da diese beiden Konstrukte auf der Client-Seite erstellt werden, können Sie die Ergebnisse vor der Weiterleitung zur Ausführung auf der Hardware lokal überprüfen und Stichproben durchführen.

Zur Vereinfachung des Prozesses der Erzeugung von kommentierten Boxen bietet die Samplomatic-Bibliothek auch Transpiler-Passes, die automatisch Schaltkreisanweisungen in kommentierte Boxen gruppieren, basierend auf den von Ihnen angegebenen Strategien.

Weitere Informationen zu Samplomatic finden Sie in den Anleitungen und der API-Referenzdokumentation. Sie können gerne Feedback geben und Fehler im Repository „ GitHub “ melden.

Ausführungsprimitive

„Executor“ ist eine neue Primitive der „ IBM Quantum “, die das Paar (Vorlagenschaltung, Samplex) als Eingabe entgegennimmt, Parameterwerte gemäß dem Samplex generiert und bindet, die gebundenen Schaltungen auf der Hardware ausführt und die Ausführungsergebnisse sowie Metadaten zurückgibt. Es hält sich an die Vorgaben des Eingabepaares und trifft keine impliziten Entscheidungen für Sie, sodass der Prozess transparent und dennoch leistungsfähig ist.

NoiseLearnerV3

Ähnlich wie das aktuelle gibt dieses qiskit-ibm-runtime Hilfsprogramm das spärliche Pauli-Lindblad-Rauschmodell zurück NoiseLearner, das in vielen Methoden zur Fehlerminderung verwendet wird, darunter PEC, PEA und PNA. Im Original übergibt man eine Liste von Schaltkreisen NoiseLearner, und das Programm unterteilt die Schaltkreise in Schichten und gibt für jede einzelne Schicht das Rauschmodell zurück. NoiseLearnerV3, Andererseits haben Sie damit die Kontrolle darüber, wie Sie Ihre Schaltkreise gliedern, und das Programm nimmt einfach eine Liste von Anweisungen für in Boxen zusammengefasste Schaltkreise (zum Beispiel eindeutige Ebenen) als Eingaben entgegen.

NoiseLearnerV3 unterstützt zudem das Lernen von Messrauschen. Für jeden Befehlssatz in der Eingabeliste führt das Programm das Pauli-Lindblad-Lernprotokoll aus, sofern der Satz Ein- und Zwei-Qubit-Gatter enthält, und das TREX -Protokoll, sofern der Satz Messungen enthält.

NoiseLearnerV3 wurde veröffentlicht mit qiskit-ibm-runtimev0.47.0. Weitere Informationen finden Sie im Leitfaden zum Noise-Lernassistenten sowie in der dazugehörigen API -Referenzdokumentation.

Nächste Schritte