qiskit_ibm_runtime.options_models.ZneOptions

pydantic model ZneOptions

베이스: BaseOptionsModel

잡음이 없는 외삽법 완화 옵션. 이는 V2 견적 계산기에서만 사용됩니다.

참고

모든 V2 추정기는 원하는 기대값 추정치와 오차를 각각 stds 나타내는 및 evs 라는 데이터 필드를 반환하도록 보장됩니다. 런타임 추정기에서 ZNE 옵션이 활성화되면 추가 데이터가 반환됩니다.

특히, 입력 pub의 배열 형상이 obs_shape 이고 매개변수 값의 형상이 이며 par_shape, 이에 대응하는 pub의 형상이 라고 가정하자 shape=np.broadcast_shapes(obs_shape, par_shape). 그러면 해당 펍 결과에는 다음과 같은 내용이 추가로 포함됩니다:

pub_result.data.evs_extrapolated 그리고 pub_result.data.stds_extrapolated,

둘 다 다음과 같은 형태를 띠며 (*shape, num_extrapolators, num_evaluation_points), 여기서 는 의 리스트 길이이고 num_extrapolators``options.resilience.zne.extrapolator , 는 의 리스트 길이이다 num_evaluation_points``options.resilience.zne.extrapolated_noise_factors . 이 값들은 지정된 모든 잡음 외삽 값에 대해 각 외삽기에 대한 평가 결과를 제공합니다.
pub_result.data.evs_noise_factors, pub_result.data.stds_noise_factors, 및 는 모두 ensemble_stds_noise_factors 형태를 가지며, 여기서 (*shape, num_noise_factors) 는 의 길이이다 num_noise_factors``options.resilience.zne.noise_factors . 이 값들은 각 잡음 증폭 수준에서, 해당되는 경우 트와일링을 통해 평균화된 원시 기대값을 제공하며, 사용자는 이 값들을 바탕으로 자체적인 피팅 루틴을 작성할 수 있습니다. 트윌링이 없는 경우, 두 *stds* 배열은 동일하지만, 트윌링이 있는 경우에는 stds_noise_factors 는 트윌링된 샘플에 대한 분산으로부터 도출되는 반면, 는 샷 노이즈만 존재하고 드리프트는 없다고 가정합니다 ensemble_stds_noise_factors .

기술적 참고 사항: 여러 기저 항을 갖는 단일 관측량에 대해서는, 동일한 기대값 계산 과정에서 여러 외삽 방법이 사용될 수 있습니다. 예를 들어, 관측량 에서 는 선형 외삽을 XX 거치는 반면, 는 지수 외삽을 거칠 XY 수 있습니다 {"XX": 0.5, "XY": 0.5}. 이것을 ‘이질적 적합도 ’라고 부르기로 합시다. (2)의 데이터는 각 개별 항에 대해 최적의 적합도를 선택하여 이질적 적합을 통해 평가되는 반면, (1)의 데이터는 제공된 각 외삽기에 대해 하나씩 강제 균질 적합을 통해 평가된다. 업무상 이와 관련해 미묘한 구분이 필요한 경우, 현재로서는 다항 관측변수 외에도 단항 관측변수를 함께 사용할 것을 권장합니다.

참조

Z. Cai, “NISQ 응용을 위한 다중 지수 오차 외삽법 및 오차 완화 기법의 결합”, npj Quantum Inf 7, 80 (2021)

Config

validate_assignment : bool = True
추가 : str = 금지

amplifier

field

유형: Literal['gate_folding', 'gate_folding_front', 'gate_folding_back', 'pea']

기본값: 'gate_folding'

잡음을 증폭하기 위해 어떤 기법을 사용해야 할까요?

다음 중 하나입니다.

“gate_folding”(기본값)은 2-큐비트 게이트 폴딩을 사용하여 노이즈를 증폭합니다. 만약 소음이

해당 요인으로 인해 게이트 중 일부만 증폭하면 되는 경우, 해당 게이트는 무작위로 선택됩니다.

“gate_folding_front”는 2-큐비트 게이트 폴딩을 사용하여 잡음을 증폭합니다. 만약 소음이

특정 요인으로 인해 게이트 중 일부만 증폭해야 하는 경우, 이러한 게이트는 위상적으로 정렬된 DAG 회로의 앞부분에서 선택된다.

“gate_folding_back”은 2-큐비트 게이트 폴딩을 사용하여 잡음을 증폭합니다. 만약 소음이

특정 요인으로 인해 게이트의 일부만 증폭하면 되는 경우, 해당 게이트들은 위상적으로 정렬된 DAG 회로의 뒷부분에서 선택된다.

“pea”는 ‘확률적 오차 증폭(Probabilistic Error Amplification)’이라는 기법을 사용합니다.

( PEA )를 사용하여 잡음을 증폭한다. 이 옵션을 선택하면, 설정에서 게이트 트위르링이 활성화되어 있는지 여부와 관계없이 항상 게이트 트위르링이 사용됩니다. 이 기법에서는 ISA 회로 내의 각 얽힘 게이트 층에 대한 트위얼드 노이즈 모델을 사전에 학습하며, 관련 학습 옵션은 LayerNoiseLearningOptions 를 참조하십시오. 생성이 완료되면, 회로는 각 노이즈 계수에서 실행되며, 이때 회로의 각 얽힘 층은 해당 학습된 노이즈 모델에 비례하는 단일 큐비트 노이즈를 확률적으로 주입함으로써 증폭됩니다.

extrapolated_noise_factors

field

유형: Sequence[Annotated[float, Field(ge``=``0)]] | Literal['auto']

기본값: 'auto'

외삽 모델의 적합도를 평가하기 위한 잡음 요인들.

'auto'로 설정된 경우, 기대값은 에서 계산됩니다 [0, *noise_factors]. 이 옵션은 실행이나 모델 적합에 어떠한 영향도 미치지 않으며, 단지 extrapolators 값이 평가되어 및 evs_extrapolated 라는 데이터 필드에 반환될 지점을 결정할 뿐입니다 stds_extrapolated.

extrapolator

field

유형: ExtrapolatorType | Sequence[ExtrapolatorType]

기본값: ('exponential', 'linear')

잡음이 0이 되도록 외삽하기 위해 시도할 외삽기(순서대로).

사용 가능한 옵션은 다음과 같습니다.

"exponential", 이는 지수 감쇠 함수를 사용하여 데이터에 맞추는 것입니다

$f(x; A, \tau) = A e^{-x/\tau}$ 로 정의되며, 여기서 $A = f(0; A, \tau)$ 는 잡음이 0일 때의 값( $x=0$ )이고, $\tau>0$ 는 양의 비율이다.

"double_exponential", 이는 참고문헌과 마찬가지로 두 지수 함수의 합을 사용하는 방법입니다. 1.

"polynomial_degree_(1 <= k <= 7)", 이는 다음과 같이 정의된 다항 함수를 사용하는

$f(x; c_0, c_1, \ldots, c_k) = \sum_{i=0, k} c_i x^i$ .

"linear", 이는 와 동일합니다 "polynomial_degree_1".

"fallback", 이는 단순히 노이즈가 가장 적은 데이터에 해당하는 원시 데이터를 반환합니다

(일반적으로 1) 어떤 종류의 외삽도 수행하지 않고.

외삽된 값(evs_extrapolated 및 stds_extrapolated)은 지정된 외삽기의 순서에 따라 정렬됩니다. 두 개 이상의 외삽기가 지정된 경우, 결과 데이터에 보고되는 stds evs 및 값은 첫 번째로 성공한 외삽기를 가리키며, 이때 외삽기의 성공 여부는 경험적 판단에 따라 결정됩니다.

noise_factors

field

유형: Annotated[Sequence[Annotated[float, Field(ge``=``1)]], AfterValidator(at_least_two_noise_factors)] | Literal['auto']

기본값: 'auto'

소음 증폭에 사용할 소음 계수.

기본값은 DEFAULT_NOISE_FACTORS입니다. 요청된 모든 외삽기에서 자유도(DOF)보다 많은 값을 포함해야 합니다.

update

update(**kwargs)

GitHub

옵션을 업데이트하세요.

매개변수

kwargs (Any)

리턴 유형

없음

이 페이지가 도움이 되었습니까?

GitHub에서 버그, 오타를 보고하거나 컨텐츠를 요청하십시오.