qiskit_noise_learning.analysis.LegacySolve

class qiskit_noise_learning.analysis.LegacySolve

Bases : AnalysisStage

Calcule la valeur de ModelData à l'aide de la méthode classique de fidélité par paires.

Cette classe est plus spécialisée que les autres solveurs de modèles. Alors que les autres étapes sont conçues pour fonctionner avec des modèles généraux et des ensembles de chemins, cette étape présente les restrictions et limites suivantes :

• On suppose que l'ensemble de portes est constitué exclusivement de portes unitaires de préparation, de mesure et d'auto-inverse.
• On suppose que le modèle est un système pour PauliLindbladModel lequel le bruit des portes unitaires est 2-local, le bruit de mesure est 1-local et la préparation est supposée parfaite. De plus, pour une porte donnée, on suppose, lors du processus d'ajustement, que les fidélités des « Paulis conjugués » (les Paulis qui se correspondent sous l'action de la porte) sont égales.
• Il n'accepte que les chemins SPAMPaths d'accès et EvenDepthVanillaPaths à analyser.
• L'ajustement du modèle de porte unitaire repose exclusivement sur des données de décroissance exponentielle; cette étape doit donc être exécutée après CurveFitObservables.

Le processus d'ajustement consiste à analyser les courbes de décroissance de chaque porte unitaire séparément, et il en va de même pour toutes les expériences SPAM.

• Pour les portes unitaires, on construit et on résout une matrice de conception plus restreinte, élaborée sous l'égalité des fidélités avec les Pauli conjuguées. Les fidélités de poids supérieures à 2 ne sont pas prises en compte.
• Pour le SPAM, la préparation étant supposée parfaite, tout le bruit est attribué à la mesure : le taux du générateur de qubit unique correspondant $X$ est calculé directement comme étant $-\ln(F)/2$ pour une fidélité mesurée $F$, écrêtée à zéro, sa variance étant dérivée de l'incertitude de cette fidélité.

Dans les deux cas, l’ensemble des générateurs « fit » et « returned » est construit en fonction des Paulis qui apparaissent dans les fidélités rencontrées le long des chemins.

Remarques complémentaires :

• Les taux de porte unitaires sont indiqués avec une covariance nulle.
• Lorsque le même Pauli apparaît dans plusieurs trajectoires, les estimations de fidélité doivent être identiques, sinon ce solveur génère une erreur.

__init__

Méthodes

input_level

output_level