NoiseLearner

class NoiseLearner(mode=None, options=None)

Bases : object

Classe permettant d'exécuter des expériences d'apprentissage par le bruit.

La classe "noise learner" permet de caractériser les processus de bruit affectant les portes dans un ou plusieurs circuits d'intérêt, sur la base du modèle de bruit de Pauli-Lindblad décrit au point [1.]

La méthode run() permet d'exécuter un travail d'apprentissage du bruit pour une liste de circuits. Une fois le travail soumis, les portes sont regroupées en couches indépendantes, puis les couches résultantes sont caractérisées individuellement.

La manière dont les portes sont rassemblées en couches dépend du tourbillon strategy spécifié dans le site options (voir NoiseLearnerOptions pour plus de détails). Notez que toutes les stratégies obéissent à des barrières. Par exemple, si vous avez trois couches d'intrication ISA intéressantes, envisagez de les placer dans un circuit séparé par des barrières agissant sur les qubits que vous souhaitez faire tourner, et sélectionnez strategy="active-circuit".

L'extrait suivant montre un exemple où l'apprenant du bruit est utilisé pour caractériser les couches de deux circuits GHZ.

from qiskit.circuit import QuantumCircuit
from qiskit.transpiler.preset_passmanagers import generate_preset_pass_manager
from qiskit_ibm_runtime import QiskitRuntimeService
from qiskit_ibm_runtime.noise_learner import NoiseLearner
from qiskit_ibm_runtime.options import NoiseLearnerOptions

service = QiskitRuntimeService()
backend = service.least_busy(operational=True, simulator=False)

# a circuit returning a two-qubit GHZ state
ghz = QuantumCircuit(2)
ghz.h(0)
ghz.cx(0, 1)

# another circuit returning a two-qubit GHZ state
another_ghz = QuantumCircuit(3)
another_ghz.h(0)
another_ghz.cx(0, 1)
another_ghz.cx(1, 2)
another_ghz.cx(0, 1)

pm = generate_preset_pass_manager(backend=backend, optimization_level=1)
circuits = pm.run([ghz, another_ghz])

# set the options
options = NoiseLearnerOptions()
options.layer_pair_depths = [0, 1, 10]

# run the noise learner job
learner = NoiseLearner(backend, options)
job = learner.run(circuits)

Paramètres

• mode (BackendV2 | Session |Batch | None) –

  Le mode d'exécution utilisé pour effectuer la requête primitive. Les valeurs peuvent être les suivantes :

  • A Backend si vous utilisez le mode travail.
  • A Session si vous utilisez le mode d'exécution par session.
  • A Batch si vous utilisez le mode d'exécution par lots.

  Pour plus d'informations sur les modes d'exécution, reportez-vous à la documentation de Qiskit Runtime.

• options (dict | NoiseLearnerOptions |EstimatorOptions | None) – NoiseLearnerOptions. Il EstimatorOptions est également possible de fournir pour plus de commodité, auquel cas les options de l'estimateur sont reformatées en options d'apprentissage du bruit et tous les champs non pertinents sont ignorés.

Références

1. E. van den Berg, Z. Minev, A. Kandala, K. Temme, Probabilistic error cancellation with sparse Pauli-Lindblad models on noisy quantum processors, Nature Physics volume 19, pages 1116-1121 (2023). arXiv:2201.09866 [quant-ph]

Attributs

options

Méthodes

backend

run