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)
Basi: Generic[RowIndex, ColumnIndex]
Il sistema lineare da risolvere e i metadati in formato grezzo.
Un sistema lineare A @ x = b con etichette degli assi e metadati.
Le etichette delle righe e delle colonne sono di tipi arbitrari hashabili: questa classe non formula alcuna ipotesi su ciò che una riga o una colonna indica. Nei sistemi realizzati da from_fit() le righe sono Path oggetti e le colonne sono le etichette dei parametri del modello di fedeltà.
Le mappe degli indici costituiscono la documentazione ufficiale della corrispondenza tra le etichette e le posizioni in A. Qualsiasi operazione che richieda di allineare una quantità indicata da un'etichetta con gli array dovrebbe utilizzare l'indice tramite o row_index_map column_index_map anziché ricostruire la corrispondenza a partire da o row_labels column_labels.
Parametri
- A – La matrice di forma
(m, n), come array denso o array sparso di SciPy. - b – La lunghezza del vettore obiettivo
m. - sigma_b – Incertezza statistica
1-sigma per ognibriga, di lunghezzam. - row_diagnostics – Quantità specificate per riga registrate dalle fasi che hanno generato il risultato
b; ciascuna è un array di lunghezza chemcontienenanper le righe per le quali la quantità non è definita. Le chiavi sono i nomi dei metadati utilizzati a monte; vedifrom_fit(). - row_index_map – Una mappatura dalle etichette delle righe alla loro posizione intera nella tabella
A. - column_index_map – Una mappatura dalle etichette delle colonne alla loro posizione intera nella tabella
A. - time_lb – Il limite temporale più precoce tra tutte le righe.
- time_ub – Il valore temporale più recente tra tutte le righe.
__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
Metodi
Rubrica 1 | Rubrica 2 |
|---|---|
__init__(A, b, sigma_b, row_diagnostics,...) | |
from_fit(adatto) | Costruire le matrici del sistema lineare a partire da un Fit. |
Attributi
Rubrica 1 | Rubrica 2 |
|---|---|
column_labels | Etichette delle colonne, ordinate in base alla loro posizione nella tabella A. |
row_labels | Etichette delle righe, ordinate in base alla loro posizione nella tabella A. |
A | |
b | |
sigma_b | |
row_diagnostics | |
row_index_map | |
column_index_map | |
time_lb | |
time_ub |
row_labels
Tipo: list[RowIndex]
Etichette delle righe, ordinate in base alla loro posizione nella tabella A.
column_labels
Tipo: list[ColumnIndex]
Etichette delle colonne, ordinate in base alla loro posizione nella tabella A.
from_fit
classmethod from_fit(fit: Fit) → LinearSystemData[Path, Hashable]
Costruire le matrici del sistema lineare a partire da un Fit.
Le righe sono gli Path oggetti del AggregatedObservableData, le colonne sono le etichette dei parametri del modello di fedeltà, e row_diagnostics contiene ogni voce di metadati a valore reale per ogni osservabile con il nome della fase di produzione utilizzata — ad esempio "reduced_chi_squared" da CurveFitObservables.
Avverte
UserWarning – Se l’incertezza di una riga è non positiva o non finita, indicando le posizioni di tali righe in row_labels. Una riga di questo tipo non ha alcun peso statistico rilevante e il modo in cui viene trattata dipende dal programma di risoluzione.