Skip to main content
IBM Quantum Platform

qiskit_noise_learning.analysis.Fit

class qiskit_noise_learning.analysis.Fit(*, model: LinearMap[Hashable, FidelityIndex] | None = None, paths: list[Path] | None = None, instruction_sequences: list[InstructionSequence] | None = None, relations: set[tuple[int, int]] | None = None, _store: dict[type[LeveledData], list[LeveledData | AbsentType | SkippedType]] | None = None)

GitHub

베이스: object

분석 계층 구조의 각 단계에 해당하는 데이터를 담는 컨테이너.

이들은 처리된 데이터의 각 단계를 LEVELS 나타냅니다. 순서대로 다음과 같습니다:

  • RawData 실행된 명령어 시퀀스의 비트 수에 상응하는.
  • ObservableData 명령어 시퀀스를 통과하는 경로의 무작위화에서 관찰 가능한 양에 해당한다.
  • AggregatedObservableData 무작위 배정 전반에 걸쳐 집계된 관측 가능한 변수들의 조합에 해당한다.
  • ModelData 모델 적합 매개변수에 대응하는.

각 레벨에는 해당 레벨에 기록된 모든 값의 이력이 저장되어 있으며, 현재 값은 항상 가장 최근의 값입니다. 새로운 레벨은.로 시작합니다 Absent. 해당 스테이지에서 건너뛴 레벨은 로 표시됩니다 Skipped.

예:

result = my_stage.run(my_raw_data)
result.raw_data           # current RawData
result.history.raw_data   # full write history at the RawData level

매개변수

  • 모델 – 적합시킬 모델. 주어진다면, 그것은 필리달리티 모델, 즉 출력 LinearMap 공간이 인 모델이어야 한다( LogFidelitySpace 참조 is_fidelity_model()).
  • 경로 – 분석할 경로.
  • instruction_sequences – 실험에 사용된 명령어 시퀀스.
  • 관계 – 어떤 명령어 시퀀스가 어떤 경로를 통과하는지를 나타내는, 미리 계산된 튜플 (path_idx, sequence_idx) 집합.

인상

TypeError – model 가 가 아니거나 None 피델리티 모델이 아닌 경우.

__init__

__init__(*, model: LinearMap[Hashable, FidelityIndex] | None = None, paths: list[Path] | None = None, instruction_sequences: list[InstructionSequence] | None = None, relations: set[tuple[int, int]] | None = None, _store: dict[type[LeveledData], list[LeveledData | AbsentType | SkippedType]] | None = None)

메소드

칼럼 1
칼럼 2
__init__(*[, model, paths, ...])
copy()각 단계의 전체 이력을 그대로 보존한 복사본을 반환합니다.
plot_qubit_pair_decays([pairs, ...])이 적합 데이터에서 추출한 큐비트 쌍에 대한 충실도 감쇠를 나타내는 격자도를 그립니다.

속성

칼럼 1
칼럼 2
aggregated_observable_data해당 수준의 AggregatedObservableData 최신 데이터.
history각 레벨별 전체 작성 내역.
instruction_sequences실험에 사용된 명령어 시퀀스, 또는 설정되지 않은 None 경우.
model설계 행렬 구축에 사용된 충실도 모델.
model_data해당 수준의 ModelData 최신 데이터.
observable_data해당 수준의 ObservableData 최신 데이터.
paths관측값을 계산할 대상에 대한 경로.
raw_data해당 수준의 RawData 최신 데이터.
relations경로-시퀀스 관계, 또는 설정되지 않은 None 경우.

copy

copy() → Self

각 단계의 전체 이력을 그대로 보존한 복사본을 반환합니다.

history

유형: FitHistory

각 레벨별 전체 작성 내역.

model

유형: LinearMap[Hashable, FidelityIndex] | None

설계 행렬 구축에 사용된 충실도 모델.

raw_data

유형: RawData | AbsentType | SkippedType

해당 수준의 RawData 최신 데이터.

observable_data

유형: ObservableData | AbsentType | SkippedType

해당 수준의 ObservableData 최신 데이터.

aggregated_observable_data

유형: AggregatedObservableData | AbsentType | SkippedType

해당 수준의 AggregatedObservableData 최신 데이터.

model_data

유형: ModelData | AbsentType | SkippedType

해당 수준의 ModelData 최신 데이터.

paths

유형: list[Path]

관측값을 계산할 대상에 대한 경로.

instruction_sequences

유형: list[InstructionSequence] | None

실험에 사용된 명령어 시퀀스, 또는 설정되지 않은 None 경우.

relations

유형: set[tuple[int, int]] | None

경로-시퀀스 관계, 또는 설정되지 않은 None 경우.

plot_qubit_pair_decays

plot_qubit_pair_decays(pairs: Sequence[tuple[int, int]] | None = None, *, restrict_to_qubits: Iterable[int] | None = None, observable_type: Literal['raw', 'means', 'both'] | None = None, exponential_fit: bool = False, model_prediction: bool = False, observable_marker_kwargs: Mapping[str, object] | None = None, means_marker_kwargs: Mapping[str, object] | None = None, exponential_fit_line_kwargs: Mapping[str, object] | None = None, model_line_kwargs: Mapping[str, object] | None = None, num_cols: int = 3, noise_site: Mapping[str, Literal['before', 'after']] | None = None, paths: Sequence[Path] | None = None, fragment_depths: Sequence[float] | None = None, title: str | None = None) → InteractiveFigure

이 적합 데이터에 기반하여 큐비트 쌍에 대한 충실도 감쇠를 나타내는 격자 그래프를 그립니다.

한 쌍당 하나의 서브플롯을 표시하며, 여러 쌍 간에 레이블과 색상을 공유합니다. 어떤 붕괴 과정이 표시될지는 아래의 토글 스위치로 제어됩니다. 모든 항목은 기본적으로 꺼져 있으므로, 원하는 항목을 켜주세요. 이 피팅에서 아직 데이터가 계산되지 않은 요청된 감쇠는 경고와 함께 건너뜁니다.

매개변수

  • 쌍 – 그래프에 표시할 큐비트 쌍으로, 각 쌍마다 하나의 서브플롯으로 표시됩니다. 각 쌍은 순서가 정해져 있지 않으며(와 동일한 서브플롯을 (1, 0) 지칭하므로) (0, 1) , 따라서 어떤 쌍도 중복되어서는 안 됩니다. 기본값은 이 피팅에서 설정된 게이트의 결합 맵에 속하는 쌍으로, 해당 범위 내에 위치하며 qubit_subset, 그려진 붕괴 중 적어도 하나를 포함하는 것만 유지합니다.
  • restrict_to_qubits – 두 큐비트 모두 이 집합에 속하는 경우로만 pairs 필터링하기 위한 선택적 큐비트 인덱스 집합입니다.
  • observable_type – 경험적 관측 데이터를 그리는 방법: "raw" (무작위화별 원시 산포도), "means" (오차 막대가 포함된 단편 깊이별 평균값), "both", 또는 None (기본값)로 경험적 관측점을 생략합니다. 이 핏의 ObservableData.을 사용합니다.
  • exponential_fit – 이 적합 결과( AggregatedObservableData 즉, 적합된 fragment_depth == -1 매개변수)를 바탕으로 지수 감쇠 곡선을 그릴지 여부를 지정합니다. 기본값은 False.입니다.
  • model_prediction – 이 적합 결과의 모델과 를 기반으로 모델이 예측한 감쇠 곡선을 그릴지 여부 ModelData. 기본값은 False.입니다.
  • observable_marker_kwargs – 원시 관측값 포인트에 대한 선택적 재정의 marker 항목입니다.
  • means_marker_kwargs – 옵셔널. observable-means 점에 대한 재정의 marker 옵션입니다.
  • exponential_fit_line_kwargs – 지수 적합 곡선에 대한 선택적 재정의 line 매개변수.
  • model_line_kwargs – 모델 곡선에 대한 선택적 재정의 line 옵션입니다.
  • num_cols – 서브플롯의 열 수; 행 수는 쌍의 개수에서 파생됩니다.
  • noise_site – 레이블 포맷터로 전달되는 선택적 노이즈-사이트 매핑입니다(기본 레이블 "formula" 스타일을 사용할 경우, 이로 인해 간결한 f^{gate}_{pauli} 레이블이 생성됩니다). 피팅 모델이 단일.인 경우, 또는 이를 포함하는 경우, 기본적으로 해당 모델의 노이즈 위치를 사용합니다 PauliLindbladModel.
  • 경로 – 모든 레이어에 걸쳐 그려질 경로입니다. 기본값은 이 피팅의 관측값/집계 관측값 데이터에서 발견된 감쇠 경로이며, 해당 데이터가 없는 경우에는 paths 피팅 자체의 값을 사용합니다. 이 값을 입력하면, 모델만 포함하는(경로를 도출할 관측값이나 집계된 관측값 데이터가 없는) 적합에 대한 모델 예측 곡선을 그릴 수 있습니다.
  • fragment_depths – 곡선의 프래그먼트 깊이 범위. 기본값은 제시된 경험적 데이터 중 가장 큰 단편 깊이를 초과하는 0 값이거나, 해당 데이터가 없는 경우에는 0–입니다10 .
  • 제목 – 선택 사항인 그림 제목.

리턴

설명문이 포함된 그림.

인상

  • ValueError – 피팅에 레이블을 생성할 모델(따라서 게이트 세트)이 없거나, 동일한 쌍에 이름을 pairs 두 번 지정한 경우.
  • ValueError – pairs 가 지정되지 않았고 기본값을 도출할 수 없는 경우.
  • ValueError – 모든 튜플을 restrict_to_qubits 걸러낼 경우 발생합니다.
  • ImportError – matplotlib 가 설치되어 있지 않은 경우.
이 페이지가 도움이 되었습니까?
GitHub에서 버그, 오타를 보고하거나 컨텐츠를 요청하십시오.