Visualizza i risultati

Il codice di questa pagina è stato sviluppato in base ai seguenti requisiti. Si consiglia di utilizzare queste versioni o versioni più recenti.
```
qiskit[all]~=2.5.1
```

Istogramma del grafico

La funzione plot_histogram visualizza il risultato del campionamento di un circuito quantistico su una QPU.

Utilizzo dell'output delle funzioni

Questa funzione restituisce un oggetto matplotlib.Figure . Quando l'ultima riga di una cella di codice produce questi oggetti, i notebook Jupyter li visualizzano sotto la cella. Se si richiamano queste funzioni in altri ambienti o in script, è necessario mostrare o salvare esplicitamente gli output.

Le opzioni sono due:

Chiamare .show() sull'oggetto restituito per aprire l'immagine in una nuova finestra (supponendo che il backend matplotlib configurato sia interattivo).
Chiamare .savefig("out.png") per salvare la figura in out.png nella directory di lavoro corrente. Il metodo savefig() accetta un percorso, in modo da poter regolare la posizione e il nome del file in cui salvare l'output. Ad esempio, plot_state_city(psi).savefig("out.png").

Ad esempio, creare uno stato di Bell a due qubit:

from qiskit.primitives import StatevectorSampler as Sampler
from qiskit.transpiler import generate_preset_pass_manager

from qiskit.circuit import QuantumCircuit
from qiskit.visualization import plot_histogram

# Quantum circuit to make a Bell state
bell = QuantumCircuit(2)
bell.h(0)
bell.cx(0, 1)
bell.measure_all()

pm = generate_preset_pass_manager(optimization_level=1)
isa_circuit = pm.run(bell)

# execute the quantum circuit
sampler = Sampler()
job = sampler.run([isa_circuit])
result = job.result()

print(result)

Output:

PrimitiveResult([SamplerPubResult(data=DataBin(meas=BitArray(<shape=(), num_shots=1024, num_bits=2>)), metadata={'shots': 1024, 'circuit_metadata': {}})], metadata={'version': 2})

plot_histogram(result[0].data.meas.get_counts())

Output:

Opzioni per la creazione di un istogramma

Utilizzare le seguenti opzioni per plot_histogram per regolare il grafico di uscita.

legend: Fornisce un'etichetta per le esecuzioni. Prende un elenco di stringhe utilizzate per etichettare i risultati di ogni esecuzione. Questo è utile soprattutto quando si tracciano più risultati di esecuzione nello stesso istogramma
sort: Regola l'ordine delle barre nell'istogramma. Si può impostare l'ordine ascendente con asc o l'ordine discendente con desc
number_to_keep: Richiede un numero intero per il numero di termini da mostrare. Gli altri sono raggruppati in un'unica barra chiamata "riposo"
color: Regola il colore delle barre; accetta una stringa o un elenco di stringhe per i colori da utilizzare per le barre per ogni esecuzione
bar_labels: Regola se le etichette vengono stampate sopra le barre
figsize: Prende una tupla delle dimensioni in pollici per creare la figura di uscita

# Execute two-qubit Bell state again

job = sampler.run([isa_circuit], shots=1000)
second_result = job.result()

# Plot results with custom options
plot_histogram(
    [
        result[0].data.meas.get_counts(),
        second_result[0].data.meas.get_counts(),
    ],
    legend=["first", "second"],
    sort="desc",
    figsize=(15, 12),
    color=["orange", "black"],
    bar_labels=False,
)

Output:

Risultati dello strumento di stima dell'area

Qiskit non ha una funzione integrata per tracciare i risultati dell'Estimatore, ma puoi usare Matplotlib bar tracciare un grafico per una rapida visualizzazione.

Per dimostrarlo, la cella seguente stima i valori di aspettativa di sette diverse osservabili su uno stato quantistico.

import numpy as np
from qiskit import QuantumCircuit
from qiskit.quantum_info import SparsePauliOp
from qiskit.primitives import StatevectorEstimator as Estimator
from qiskit.transpiler import generate_preset_pass_manager
from matplotlib import pyplot as plt

# Simple estimation experiment to create results
qc = QuantumCircuit(2)
qc.h(0)
qc.crx(1.5, 0, 1)

observables_labels = ["ZZ", "XX", "YZ", "ZY", "XY", "XZ", "ZX"]
observables = [SparsePauliOp(label) for label in observables_labels]

pm = generate_preset_pass_manager(optimization_level=1)
isa_circuit = pm.run(qc)
isa_observables = [
    operator.apply_layout(isa_circuit.layout) for operator in observables
]

# Reshape observable array for broadcasting
reshaped_ops = np.fromiter(isa_observables, dtype=object)
reshaped_ops = reshaped_ops.reshape((7, 1))

estimator = Estimator()
job = estimator.run([(isa_circuit, reshaped_ops)])
result = job.result()[0]
exp_val = job.result()[0].data.evs
print(result)

# Since the result array is structured as a 2D array where each element is a
# list containing a single value, you need to flatten the array.

# Plot using Matplotlib
plt.bar(observables_labels, exp_val.flatten())

Output:

PubResult(data=DataBin(evs=np.ndarray(<shape=(7, 1), dtype=float64>), stds=np.ndarray(<shape=(7, 1), dtype=float64>), shape=(7, 1)), metadata={'target_precision': 0.0, 'circuit_metadata': {}})

<BarContainer object of 7 artists>

La cella seguente utilizza l' errore standard stimato di ciascun risultato e lo aggiunge come barre di errore. Vedi il bar documentazione della trama per una descrizione completa della trama.

standard_error = job.result()[0].data.stds

_, ax = plt.subplots()
ax.bar(
    observables_labels,
    exp_val.flatten(),
    yerr=standard_error.flatten(),
    capsize=2,
)
ax.set_title("Expectation values (with standard errors)")

Output:

Text(0.5, 1.0, 'Expectation values (with standard errors)')

Questa pagina è stata utile?

Segnala un bug, un errore di battitura o richiedi contenuti su GitHub.