Einführung in „ Qiskit Functions “
Hinweise
- Qiskit Functions sind eine experimentelle Funktion, die ausschließlich Nutzern der Tarife „ IBM Quantum® Premium Plan “, „Flex Plan“ und „ On-Prem “ (über die „ IBM Quantum Platform “-API) zur Verfügung steht. Sie befinden sich im Preview-Status und können sich noch ändern.
Qiskit Functions die Entdeckung von Algorithmen und die Anwendungsentwicklung im industriellen Maßstab zu vereinfachen und zu beschleunigen, indem Teile des Arbeitsablaufs bei der Entwicklung von Quantensoftware abstrahiert werden. Auf diese Weise sparen Qiskit Functions Zeit ein, die normalerweise für das manuelle Schreiben von Code und die Feinabstimmung von Experimenten aufgewendet wird.
Funktionen gibt es in zwei Formen:
Typ | Was bewirkt es? | Beispiele für Eingaben und Ausgaben | Für wen ist das gedacht? |
|---|---|---|---|
| Schaltkreisfunktion | Vereinfachte Benutzeroberfläche zum Ausführen von Schaltkreisen. Transpilierung von Abstracts, Fehlerunterdrückung und Fehlerminderung | Eingabe : Abstrakt PUB Objekte Ausgabe : Reduzierte Erwartungswerte | Forscher nutzen Qiskit, um neue Algorithmen und Anwendungen zu entwickeln, ohne sich dabei auf die Optimierung für die Hardware oder die Fehlerbehandlung konzentrieren zu müssen. Mit Hilfe von Schaltkreisfunktionen lassen sich benutzerdefinierte Anwendungsfunktionen erstellen. |
| Anwendungs- | |||
| funktion | Behandelt anspruchsvollere Aufgaben, wie beispielsweise die Auseinandersetzung mit Algorithmen und fachspezifischen Anwendungsfällen. Abstrahiert den Quanten-Workflow zur Lösung von Aufgaben mit klassischen Ein- und Ausgabedaten | Eingabe : Moleküle, Graphen Ausgabe : Grundzustands- und angeregte Zustandsenergie, optimale Werte für die Kostenfunktion | Forscher in Nicht-Quantenbereichen, die Quantenaspekte in bestehende groß angelegte klassische Arbeitsabläufe integrieren, ohne dass klassische Daten auf Quantenschaltungen abgebildet werden müssen. |
Die Funktionen werden von IBM® und Drittanbietern bereitgestellt. Jede davon ist für bestimmte Workload-Merkmale leistungsfähig und verfügt über einzigartige Optionen zur Leistungsoptimierung.
Übersicht über die verfügbaren Funktionen
Funktionen des Kreislaufs
Name | Einbindung | Empfohlene Nutzung | Einzigartige Vorteile |
|---|---|---|---|
| Fehlerminderung Leitfaden API-Referenz Lizenz in Tensor-Netzwerken | Algorithmiq | Workloads mit Beobachtungsgrößen geringer Gewichtung und schleifenfreien Schaltkreisen. | Reduziert den Messaufwand und die Messabweichung und übertrifft bei relevanten Schaltungsklassen die Standardverfahren zur Fehlerminderung wie Zero Noise Extrapolation (ZNE) und Probabilistic Error Cancellation (PEC). |
| QESEM: Fehlerunterdrückung und Fehlerminderung Führung API-Referenz | Qedma | Rechenaufgaben, die Schaltungen mit fraktionierten oder parametrisierten Gatterelementen sowie Beobachtungsgrößen mit hohem Gewicht enthalten, und Workflows, die unverzerrte Erwartungswerte und genaue Laufzeitabschätzungen erfordern. | Liefert unvoreingenommene Erwartungswerte mit geringerer Varianz und geringerem Ressourcenaufwand und übertrifft dabei ZNE und PEC bei relevanten Schaltungsklassen. |
| Leistungsmanagement Leitfaden API-Referenz Lizenz | Q-CTRL | Rechenaufgaben, die parametrische Schaltkreise oder Deep-Circuits enthalten oder eine hohe Anzahl an Schaltkreisausführungen erfordern. | Wendet automatisch eine KI-gestützte Fehlerunterdrückung auf Quantenalgorithmen an und maximiert so die Leistung von „ IBM “-Geräten, um präzise Ergebnisse zu liefern und gleichzeitig die Anzahl der Durchläufe, die Rechenzeit und die erforderlichen Kosten zu reduzieren. Eine Methode ohne Overhead, die die Ausführungsgenauigkeit der Primitive „Sampler“ und „Estimator“ verbessert und mit beliebigen Gewichten der Beobachtungsgrößen kompatibel ist. |
| Umlaufbahn Leitfaden API-Referenz | Quantenelemente | Arbeitslasten mit Leerlaufphasen oder Planungslücken, einschließlich statischer und dynamischer Schaltkreise wie Quantenfehlerkorrektur, Messungen während des Schaltkreislaufs, Orakelalgorithmen, variationale Quantenalgorithmen und Hamilton-Simulationen. | Kombiniert optimierte Transpilation, dynamische Entkopplung und die Minderung von Messfehlern in einem einheitlichen Arbeitsablauf, um die Schaltungsleistung auf der „ IBM Quantum “-Hardware zu verbessern. Wendet eine Fehlerunterdrückung mit geringem Overhead an, die die ursprüngliche Schaltungslogik ohne zusätzlichen Zeitaufwand für die quanten- oder klassische Vorverarbeitung beibehält, sodass Nutzer jede Technik aktivieren, deaktivieren oder mit der Rohschaltung vergleichen können. |
Funktionen der Anwendung
Name | Einbindung | Empfohlene Nutzung | Einzigartige Vorteile |
|---|---|---|---|
QUICK-PDE -Handbuch API-Referenz Lizenz | ColibriTD | Nutzen Sie Quantencomputing für multiphysikalische partielle Differentialgleichungen. Bereiten Sie Simulationsabläufe für Quantenhardware vor und behalten Sie dabei die volle Kontrolle über die Parameter der Quanten- und der physikalischen Modellierung. | Bietet ein robustes hybrides VQA-Framework, das durch fortschrittliche Lösungscodierung und spektrale Methoden präzise, skalierbare PDE-Lösungen liefert und sich somit ideal als Einstieg für Teams eignet, die quantenfähige Simulationsfähigkeiten aufbauen möchten. |
| Quantum Portfolio Optimizer Leitfaden API-Referenz Lizenz | Global Data Quantum | Aufgaben im Bereich der finanziellen Optimierung, bei denen im Zeitverlauf optimale Portfoliostrategien ermittelt werden, um Risiken zu minimieren und Renditen zu maximieren, sowie die Durchführung von Backtesting von Handelsstrategien. | Löst kombinatorische Optimierungsprobleme durch eine hochspezialisierte Anpassung des VQE-Quantenalgorithmus an diesen Finanzanwendungsfall, wobei optimierte Ausführungsstrategien und Optimierer sowie auf die Portfoliooptimierung zugeschnittene, rauschbewusste Techniken zur Fehlerminderung zum Einsatz kommen. |
| HI-VQE-Chemie Leitfaden API-Referenz Lizenz | Qunova Computing | Rechenaufgaben in den Bereichen computergestützte Chemie, Molekularsimulation, Materialwissenschaften oder jegliche Hamilton-Simulationen, bei denen Probleme der elektronischen Struktur von Vielteilchensystemen gelöst werden müssen. | Berechnet molekulare elektronische Strukturen unter Verwendung einer verbesserten SQD-Methode mit chemischer Genauigkeit (1 kcal/mol, 1.6 mHa ) für Probleme, die mit 40 bis 60 Qubits modelliert wurden, und übertrifft dabei einige klassische Lösungen auf Supercomputern bzw. die Standard-SQD-Methode hinsichtlich Konvergenzgeschwindigkeit bzw. Genauigkeit um mehrere Größenordnungen. |
| Iskay Quantum Optimizer Leitfaden API-Referenz Lizenz | Kipu Quantum | Optimierungsaufgaben wie Terminplanung, Logistik, Routenplanung sowie QUBO-/HUBO-Probleme. | Integrierte, anpassbare klassische Vor- und Nachbearbeitungsverfahren für die Quantenoptimierungsroutine. Bietet bei ausgewählten HUBO-Benchmarks einen Laufzeitvorteil gegenüber klassischen Solvern (CPLEX, Simulated Annealing und Tabu-Suche). „Market Split“ ms_5_100– eine knifflige Aufgabe, die innerhalb weniger Stunden gelöst wurde (siehe dieses Tutorial ). |
| Singularity Machine Learning -Anleitung API-Referenz Lizenz | Multiversum-Computing | Klassische Klassifizierungs-Workflows im Bereich des maschinellen Lernens, die durch den Einsatz von Quantenoptimierung auf der „ IBM “-Hardware von einer höheren Genauigkeit oder Recheneffizienz profitieren könnten. | Bietet eine Genauigkeit, die mit klassischen Modellen wie Random Forest oder XGBoost vergleichbar ist oder diese sogar übertrifft, und arbeitet dabei mit deutlich weniger Lernmodellen und einem kompakteren Ensemble. Auf der Grundlage eines quantenoptimierten Abstimmungsverfahrens wählt es die aussagekräftigsten Lernalgorithmen aus und verfeinert die Entscheidungsgrenzen, was zu höherer Effizienz, geringerer Modellkomplexität und einer robusteren Leistung führt. |
| Optimierungslöser Leitfaden API-Referenz Lizenz | Q-CTRL | Binäre Optimierungsprobleme oder beliebige kombinatorische Probleme, die auf eine binäre Kostenfunktion abgebildet werden können. Es werden Kostenfunktionen beliebiger Ordnung und für Problemgrößen bis zur maximalen Geräteskala unterstützt. | Eine rauschbewusste, durchgängige Lösung zur Quantenoptimierung, die die Eingabe von Problemdefinitionen auf hoher Ebene ermöglicht und automatisch präzise Lösungen für klassisch schwer zu lösende kombinatorische Probleme auf Quantenhardware im Nutzmaßstab findet. Es abstrahiert die Komplexität, indem es sich um die Fehlerunterdrückung, effiziente Abbildung und hybride quanten-klassische Optimierung kümmert, um Optimierungsaufgaben auf voller Geräteskala ohne tiefgreifende Quantenkenntnisse zu lösen. |
| Paritäts-Twine-Optimierer Leitfaden API-Referenz | ParityQC | Optimierungsaufgaben, die von einer geringeren Gate-Anzahl und Schaltungstiefe profitieren und damit branchenrelevante Problemgrößen ermöglichen, die mit herkömmlichen, SWAP-intensiven Transpilationsmethoden nicht realisierbar sind. | Verwendet die auf der Parity-Architektur basierende „Parity Twine“-Methode, um die Anzahl der Zwei-Qubit-Gates und die Schaltungstiefe zu minimieren und dabei die Konnektivität der Bauelemente zu berücksichtigen, wodurch nichtlokale Wechselwirkungen ohne SWAP-Gates realisiert werden. Automatisiert Transpilierungsschritte mit minimalem Benutzereingriff und nutzt einen effizienten QAOA-Ansatz der Tiefe 1, um optimale Schaltungsparameter auf einer CPU zu ermitteln und so die erforderliche QPU-Laufzeit zu minimieren. |
| Quantenoptimierer Leitfaden API-Referenz mit Nebenbedingungen | Aqarios | Binäre Optimierungsprobleme mit Nebenbedingungen, die als LP-Datei, MPS-Datei oder Luna-Modell bereitgestellt werden, insbesondere solche mit One-Hot- oder Set-Packing-Nebenbedingungen. | Löst binäre Optimierungsprobleme mit Nebenbedingungen direkt und setzt One-Hot- sowie Set-Packing-Nebenbedingungen nativ mithilfe von XY-Mixern anstelle von Straftermen durch, wodurch der Suchraum auf den realisierbaren Unterraum reduziert und die Lösungsqualität verbessert wird. Führt die Umformulierung, Schaltungssynthese, Transpilation und Hardware-Ausführung automatisch durch, wobei ein iterativer Warm-Start des „ FlexQAOA “-Algorithmus zum Einsatz kommt, ohne dass ein variationales Parametertraining erforderlich ist. |
War diese Seite hilfreich?
Melden Sie auf GitHub einen Fehler, einen Tippfehler oder fordern Sie Inhalte an.