Skip to main content
IBM Quantum Platform

LayerNoiseLearningOptions

class LayerNoiseLearningOptions(max_layers_to_learn=Unset, shots_per_randomization=Unset, num_randomizations=Unset, layer_pair_depths=Unset)

GitHub

Bases : object

Options pour l'apprentissage du bruit des couches. Il est utilisé uniquement par V2 Estimator.

Remarque

Ces options ne sont utilisées que lorsque le niveau de résilience ou les options spécifient une technique qui nécessite l'apprentissage du bruit de la couche.

Remarque

Le nombre total de circuits uniques mis en œuvre pour apprendre le bruit d'une seule couche dépend uniquement de layer_pair_depths et num_randomizations. Par exemple, si layer_pair_depths contient six profondeurs et que num_randomizations est défini sur 32, l'étape d'apprentissage par le bruit exécute un total de 6 * 9 circuits uniques par couche, chacun avec 32 randomisations (à shots_per_randomization chacune).

Le nombre 9 ci-dessus est le nombre de circuits uniques qui doivent être mis en œuvre pour connaître le bruit de tous les sous-systèmes à deux qubits dans la couche donnée en effectuant des mesures locales. En effet, pour connaître le bruit d'un seul de ces sous-systèmes, il faut mesurer tous les Paulis à deux qubits de 16 sur ce sous-système. En tirant parti des relations de commutation pour mesurer plusieurs de ces Paulis (par exemple, XI, IX, et XX) avec un seul circuit, il est possible de mesurer tous ces Paulis 16 en mettant en œuvre uniquement des circuits 9 . La parallélisation optimale de ces tâches de mesure permet ensuite de mesurer les Paulis 16 pour tous les sous-systèmes à deux qubits de la couche avec seulement 9 circuits. Plus de détails dans Ref. [1].

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

Paramètres

  • max_layers_to_learn (UnsetType | int | None)
  • shots_per_randomization (UnsetType | int)
  • num_randomizations (UnsetType | int)
  • layer_pair_depths (UnsetType | list[int])

layer_pair_depths

Type : UnsetType | list[int]

Valeur par défaut : Unset

La profondeur des circuits (mesurée en nombre de paires) à utiliser dans les expériences d'apprentissage.

On utilise des paires comme unité, car nous tirons parti de la nature « order-2 e » de nos portes d'intrication dans la mise en œuvre de l'apprentissage par bruit. Une valeur de 3 correspondrait, par exemple, à 6 couches de la couche concernée.

Défaut : (0, 1, 2, 4, 16, 32).

max_layers_to_learn

Type : UnsetType | int | None

Valeur par défaut : Unset

Nombre maximal de couches distinctes à apprendre.

La None valeur indique qu'il n'y a pas de limite. S'il existe d'autres couches distinctes, certaines d'entre elles ne seront ni identifiées ni atténuées. Les couches apprises sont classées par ordre de priorité en fonction de leur fréquence d'apparition dans un ensemble de PUB d'estimateurs exécutés; lorsque plusieurs couches apparaissent avec la même fréquence, elles sont ensuite classées en fonction du nombre de portes à deux qubits qu'elles contiennent.

Valeur par défaut : 4.

num_randomizations

Type : UnsetType | int

Valeur par défaut : Unset

Le nombre de circuits aléatoires à utiliser par configuration de circuit d'apprentissage.

Une configuration correspond à un système de référence et à un réglage de profondeur. Par exemple, si votre expérience comporte six niveaux de profondeur, le fait de définir cette valeur sur 32 entraînera l'exécution d'un total de 32 * 9 * 6 circuits (où 9 correspond au nombre de circuits à mettre en œuvre pour mesurer toutes les observables requises; voir la note dans la chaîne de documentation LayerNoiseLearningOptions de pour plus de détails sur le mode), à shots_per_randomization chacun.

Valeur par défaut : 32.

shots_per_randomization

Type : UnsetType | int

Valeur par défaut : Unset

Le nombre total de tentatives à utiliser par circuit d'apprentissage aléatoire.

Un circuit d'apprentissage est un circuit aléatoire, doté d'une profondeur d'apprentissage et d'une base de mesure spécifiques, qui est exécuté sur du matériel informatique.

Valeur par défaut : 128.


Méthodes

Cette page a-t-elle été utile ?
Signaler un bogue, une coquille ou proposer du contenu sur GitHub.