qiskit_noise_learning.analysis.LinearSystemData

class qiskit_noise_learning.analysis.LinearSystemData(A: ndarray | sparray, b: ndarray, sigma_b: ndarray, row_diagnostics: Mapping[str, ndarray], row_index_map: Mapping[RowIndex, int], column_index_map: Mapping[ColumnIndex, int], time_lb: datetime64, time_ub: datetime64)

GitHub

Bases : Generic[RowIndex, ColumnIndex]

Le système linéaire à résoudre et les métadonnées au format brut.

Un système linéaire A @ x = b avec des étiquettes d'axes et des métadonnées.

Les étiquettes de lignes et de colonnes sont de types hashables arbitraires : cette classe ne fait aucune supposition quant à ce que désigne une ligne ou une colonne. Dans les systèmes mis en place par [...], from_fit() les lignes correspondent à des objets Path et les colonnes aux libellés des paramètres du modèle de fidélité.

Les tables d'index constituent la référence officielle indiquant la correspondance entre les étiquettes et les positions dans A. Toute opération nécessitant d'aligner une quantité indexée par une étiquette avec les tableaux doit utiliser l'indexation via row_index_map ou column_index_map plutôt que de recréer la correspondance à partir de ou row_labels column_labels.

Paramètres

A – La matrice de forme (m, n), sous forme de tableau dense ou de tableau creux SciPy.
b – La longueur du vecteur cible m.
sigma_b – Incertitude statistique 1σ par b ligne, de longueur m.
row_diagnostics – Quantités par ligne enregistrées par les étapes qui ont généré b, chacune étant un tableau de longueur m contenant nan pour les lignes pour lesquelles la quantité n’est pas définie. Les clés correspondent aux noms des métadonnées utilisés en amont; voir from_fit().
row_index_map – Une correspondance entre les étiquettes de ligne et leur position de ligne sous forme d'entier dans A.
column_index_map – Une correspondance entre les libellés des colonnes et leur position entière dans A.
time_lb – La date la plus précoce parmi toutes les lignes.
time_ub – Heure la plus récente parmi toutes les lignes.

init

__init__(A: ndarray | sparray, b: ndarray, sigma_b: ndarray, row_diagnostics: Mapping[str, ndarray], row_index_map: Mapping[RowIndex, int], column_index_map: Mapping[ColumnIndex, int], time_lb: datetime64, time_ub: datetime64) → None

Méthodes

Chronique « 1 »	Chronique « 2 »
`__init__`(A, b, sigma_b, row_diagnostics,...)
`from_fit`(adapté)	Construisez les tableaux du système linéaire à partir d'un `Fit`.

Attributs

Chronique « 1 »	Chronique « 2 »
`column_labels`	Les libellés des colonnes, classés selon leur position dans `A`.
`row_labels`	Étiquettes de lignes, classées selon leur position dans `A`.
`A`
`b`
`sigma_b`
`row_diagnostics`
`row_index_map`
`column_index_map`
`time_lb`
`time_ub`

row_labels

Type : list[RowIndex]

Étiquettes de lignes, classées selon leur position dans A.

column_labels

Type : list[ColumnIndex]

Les libellés des colonnes, classés selon leur position dans A.

from_fit

classmethod from_fit(fit: Fit) → LinearSystemData[Path, Hashable]

Construisez les tableaux du système linéaire à partir d'un Fit.

Les lignes correspondent aux Path objets du AggregatedObservableData, les colonnes aux libellés des paramètres du modèle de fidélité, et row_diagnostics contient chaque entrée de métadonnées à valeur réelle par observable, sous le nom de l'étape de production utilisée — par exemple, "reduced_chi_squared" provenant de CurveFitObservables.

Avertit

UserWarning – Si l'incertitude d'une ligne quelconque est non positive ou non finie, indiquer la position de ces lignes dans row_labels. Une telle ligne n'a aucune valeur statistique exploitable, et son traitement est laissé à la discrétion du programme de résolution.

Cette page a-t-elle été utile ?

Signaler un bogue, une coquille ou proposer du contenu sur GitHub.