견적기의 입력 및 출력

• 패키지 버전

  이 페이지의 코드는 다음 요구 사항을 바탕으로 개발되었습니다. 이 버전 이상을 사용하시기를 권장합니다.

  qiskit[all]~=2.5.2
  qiskit-ibm-runtime~=0.47.0
  

이 페이지에서는 IBM Quantum® 컴퓨팅 리소스에서 워크로드를 실행하는 ‘ IBM Quantum ’ 에스티메이터 프리미티브의 입력 및 출력에 대한 개요를 제공합니다. Estimator를 사용하면 ‘Primitive Unified Bloc( PUB ) ’이라는 데이터 구조를 활용하여 벡터화된 워크로드를 효율적으로 정의할 수 있습니다. 이들은 Estimator 프리미티브의 run() 메서드에 입력으로 사용되며, 이 메서드는 정의된 워크로드를 작업으로 실행합니다. 그런 다음, 작업이 완료되면 결과는 사용된 PUB와 프리미티브에서 지정된 런타임 옵션 모두에 따라 달라지는 형식으로 반환됩니다.

입력

각 PUB 파일은 다음과 같은 형식을 따릅니다:

(<single circuit>, <one or more observables>, <optional one or more parameter values>, <optional precision>),

선택적 매개변수는 리스트이거나 parameter values 단일 매개변수일 수 있습니다. ‘기본 입력 및 출력 ’ 항목에 설명된 대로, 관측 가능 객체(observables)의 요소와 매개변수 값은 NumPy 의 브로드캐스팅 규칙에 따라 결합되며, 브로드캐스팅된 형상의 각 요소에 대해 하나의 기대값 추정치가 반환됩니다.

Estimator 기본 요소의 경우, PUB 에는 최대 네 개의 값을 포함할 수 있습니다:

• 하나 이상의 Parameter 객체를 포함할 수 있는 단일 QuantumCircuit객체
• 추정할 기대값을 지정하는 하나 이상의 관측값 목록으로, 배열 형태로 배열된 것(예를 들어, 단일 관측값은 0차원 배열로, 관측값 목록은 1차원 배열로 표현되는 등). 데이터는, SparsePauliOp, PauliList, 또는 Pauli 등의 형식 ObservablesArrayLike 중 str하나를 가질 수 있습니다.
  통근 관련 관측 변수

  • 이 방법을 사용하면 동일한 PUB 에 속한 이동 관측값들이 한데 묶입니다.
  • 서로 다른 PUB에 있는 통근 관측값은, 비록 동일한 회로를 공유하더라도, 동일한 측정값을 사용하여 추정되지 않습니다. 각 PUB 는 서로 다른 측정 기준을 나타내므로, 각 PUB 에 대해 별도의 측정이 필요합니다.
  • 통근 관측값들이 동일한 측정값을 사용하여 추정되도록 하려면, 이를 동일한 PUB 내에 그룹화하십시오.
• 회로를 바인딩할 매개변수 값들의 모음. 이는 단일 배열형 객체로 지정할 수 있으며, 이 객체의 마지막 인덱스는 회로 Parameter 객체 수를 초과하거나, 회로에 객체가 Parameter 없는 경우 생략되거나(또는 동일하게 설정됨 None) 합니다.
• (선택 사항) 추정할 기대값의 목표 정밀도

다음 코드는 프라이머리 Estimator (primitive)에 대한 벡터화된 입력 예시를 보여주고, 이를 IBM® 백엔드에서 단일 RuntimeJobV2 객체로 실행합니다.

from qiskit.circuit import (
    Parameter,
    QuantumCircuit,
)
from qiskit.transpiler import generate_preset_pass_manager
from qiskit.quantum_info import SparsePauliOp

from qiskit_ibm_runtime import (
    QiskitRuntimeService,
    EstimatorV2 as Estimator,
)

import numpy as np

# Instantiate runtime service and get
# the least busy backend
service = QiskitRuntimeService()
backend = service.least_busy(operational=True, simulator=False)

# Define a circuit with two parameters.
circuit = QuantumCircuit(2)
circuit.h(0)
circuit.cx(0, 1)
circuit.ry(Parameter("a"), 0)
circuit.rz(Parameter("b"), 0)
circuit.cx(0, 1)
circuit.h(0)

# Transpile the circuit
pm = generate_preset_pass_manager(optimization_level=1, backend=backend)
transpiled_circuit = pm.run(circuit)
layout = transpiled_circuit.layout

# Now define a sweep over parameter values, the last axis of dimension 2 is
# for the two parameters "a" and "b"
params = np.vstack(
    [
        np.linspace(-np.pi, np.pi, 100),
        np.linspace(-4 * np.pi, 4 * np.pi, 100),
    ]
).T

# Define three observables. The inner length-1 lists cause this array of
# observables to have shape (3, 1), rather than shape (3,) if they were
# omitted.
observables = [
    [SparsePauliOp(["XX", "IY"], [0.5, 0.5])],
    [SparsePauliOp("XX")],
    [SparsePauliOp("IY")],
]
# Apply the same layout as the transpiled circuit.
observables = [
    [observable.apply_layout(layout) for observable in observable_set]
    for observable_set in observables
]

# Estimate the expectation value for all 300 combinations of observables
# and parameter values, where the pub result will have shape (3, 100).
#
# This shape is due to our array of parameter bindings having shape
# (100, 2), combined with our array of observables having shape (3, 1).
estimator_pub = (transpiled_circuit, observables, params)

# Instantiate the new Estimator object, then run the transpiled circuit
# using the set of parameters and observables.
estimator = Estimator(mode=backend)
job = estimator.run([estimator_pub])
result = job.result()

출력

하나 이상의 PUB가 실행을 위해 QPU로 전송되고 작업이 성공적으로 완료되면, 데이터는 RuntimeJobV2.result() 메서드를 호출하여 액세스할 수 있는 PrimitiveResult 컨테이너 객체로 반환됩니다.

이 객체에는 각 PubResultPUB 에 대한 PrimitiveResult 실행 결과를 포함하는 객체들의 반복 가능한 목록이 포함되어 있습니다.

이 목록의 각 요소는 프라이머리(primitive)의 run() 메서드에 제출된 각 작업-유닛( PUB )에 해당합니다(예를 들어, 20개의 PUB로 제출된 작업은 각 작업-유닛( PUB )에 하나씩 대응하는 20개의 PubResult 객체 목록을 포함하는 객체를 PrimitiveResult 반환합니다).

각 Estimator PubResult 기본 객체에는 최소한 기대값 배열(PubResult.data.evs)과 관련 표준편차(사용된 resilience_level 에 따라 PubResult.data.ensemble_standard_error 또는 PubResult.data.stds )가 포함되지만, 지정된 오차 완화 옵션에 따라 더 많은 데이터를 포함할 수도 있습니다.

각 PubResult 객체는 속성과 data 속성을 metadata 모두 가지고 있습니다.

• 이 data 속성은 실제 측정값, 표준 편차 등을 포함하는 사용자 DataBin 정의된 데이터입니다.
• 이 작업은 관련 작업 그룹( DataBinPUB )의 형태나 구조에 따라 다양한 속성을 가지며, 작업을 제출하는 데 사용된 기본 요소(primitive)에서 지정한 오류 완화 옵션(예: ZNE 또는 PEC )에 따라서도 달라집니다.
• 이 metadata 속성에는 사용된 런타임 및 오류 완화 옵션에 대한 정보가 포함되어 있습니다(이에 대해서는 이 페이지의 ‘결과 메타데이터 ’ 섹션에서 나중에 설명합니다).

다음은 Estimator 출력의 데이터 PrimitiveResult 구조에 대한 시각적 개요입니다:

└── PrimitiveResult
    ├── PubResult[0]
    │   ├── metadata
    │   └── data  ## In the form of a DataBin object
    │       ├── evs
    │       │   └── List of estimated expectation values in the shape
    |       |         specified by the first pub
    │       └── stds
    │           └── List of calculated standard deviations in the
    |                 same shape as above
    ├── PubResult[1]
    |   ├── metadata
    |   └── data  ## In the form of a DataBin object
    |       ├── evs
    |       │   └── List of estimated expectation values in the shape
    |       |        specified by the second pub
    |       └── stds
    |           └── List of calculated standard deviations in the
    |                same shape as above
    ├── ...
    ├── ...
    └── ...

간단히 말해, 하나의 작업은 객체를 PrimitiveResult 반환하며 하나 이상의 PubResult 객체로 구성된 목록을 포함합니다. 그런 다음 이 PubResult 객체들은 해당 작업에 제출된 각 PUB 에 대한 측정 데이터를 저장합니다.

아래 코드 조각은 앞서 생성한 작업의 (및 관련 PubResult``PrimitiveResult ) 형식을 설명합니다.

print(
    f"The result of the submitted job had {len(result)} "
    f"PUBs and has a value:\n {result}\n"
)
print(
    "The associated PubResult of this job has the following data bins:\n "
    "{result[0].data}\n"
)
print(f"And this DataBin has attributes: {result[0].data.keys()}")
print(
    "Recall that this shape is due to our array of parameter binding sets"
    "having shape (100, 2), where 2 is the number of parameters in the "
    "circuit, combined with our array of observables having shape (3, 1). \n"
)
with np.printoptions(threshold=200):
    print(
        "The expectation values measured from this PUB are: \n"
        "{result[0].data.evs}\n"
    )

Output:

The result of the submitted job had 1 PUBs and has a value:
 PrimitiveResult([PubResult(data=DataBin(evs=np.ndarray(<shape=(3, 100), dtype=float64>), stds=np.ndarray(<shape=(3, 100), dtype=float64>), ensemble_standard_error=np.ndarray(<shape=(3, 100), dtype=float64>), shape=(3, 100)), metadata={'shots': 4096, 'target_precision': 0.015625, 'circuit_metadata': {}, 'resilience': {}, 'num_randomizations': 32})], metadata={'dynamical_decoupling': {'enable': False, 'sequence_type': 'XX', 'extra_slack_distribution': 'middle', 'scheduling_method': 'alap'}, 'twirling': {'enable_gates': False, 'enable_measure': True, 'num_randomizations': 'auto', 'shots_per_randomization': 'auto', 'interleave_randomizations': True, 'strategy': 'active-accum'}, 'resilience': {'measure_mitigation': True, 'zne_mitigation': False, 'pec_mitigation': False}, 'version': 2})

The associated PubResult of this job has the following data bins:
 {result[0].data}

And this DataBin has attributes: dict_keys(['evs', 'stds', 'ensemble_standard_error'])
Recall that this shape is due to our array of parameter binding setshaving shape (100, 2), where 2 is the number of parameters in the circuit, combined with our array of observables having shape (3, 1). 

The expectation values measured from this PUB are: 
{result[0].data.evs}

Estimator 기본 요소가 오차를 계산하는 방식

Estimator는 입력 PUB에 전달된 관측값(의 DataBin필드 evs )의 평균을 추정하는 것 외에도, 해당 기대값과 관련된 오차의 추정치를 제공하려고 시도합니다. 모든 Estimator 쿼리는 각 기대값에 대해 평균의 표준오차와 같은 수치를 해당 stds 필드에 채워 넣지만, 일부 오차 완화 옵션은 와 같은 추가 정보를 ensemble_standard_error생성하기도 합니다.

단일 관측량 $\mathcal{O}$ 을 고려해 보자. ZNE가 없는 경우, 추정기 실행의 각 샷(shot)은 기대값 $\langle \mathcal{O} \rangle$ 에 대한 점 추정치를 제공하는 것으로 볼 수 있다. 만약 점 추정치들이 벡터에 포함되어 Os 있다면, 에서 반환되는 ensemble_standard_error 값은 다음과 같다(여기서 $\sigma_{\mathcal{O}}$ 는 기대값 추정치의 표준편차이고, $N_{shots}$ 는 샷의 개수이다):

$\frac{ \sigma_{\mathcal{O}} }{ \sqrt{N_{shots}} },$

모든 샷을 하나의 앙상블로 간주하는 방식이다. 게이트 트위링 (twirling.enable_gates = True)을 요청한 경우, $\langle \mathcal{O} \rangle$ 의 점별 추정치를 공통된 트위링을 공유하는 집합들로 분류할 수 있습니다. 이 추정값의 집합들을 라고 O_twirls 부르며, 그 개수는 num_randomizations (회전 횟수) 개이다. 이때 stds 는 의 평균의 표준오차이며, O_twirls다음과 같이 정의된다

$\frac{ \sigma_{\mathcal{O}} }{ \sqrt{N_{twirls}} },$

여기서 $\sigma_{\mathcal{O}}$ 는 의 표준편차이며, $N_{twirls}$O_twirls 는 회전 횟수이다. 트위링 기능을 활성화하지 않으면, stds 와 ensemble_standard_error 는 동일합니다.

ZNE를 활성화하면, 앞서 설명한 stds 요소들은 외삽 모델에 대한 비선형 회귀 분석의 가중치로 사용됩니다. 이 경우 함수가 stds 최종적으로 반환하는 값은 잡음 계수가 0일 때 평가된 적합 모델의 불확실성입니다. 적합도가 낮거나 적합도에 큰 불확실성이 존재할 경우, 보고된 값이 매우 stds 커질 수 있다. ZNE가 활성화되면 와 pub_result.data.stds_noise_factors 값도 함께 pub_result.data.evs_noise_factors 채워지므로, 사용자가 직접 외삽을 수행할 수 있습니다.

결과 메타데이터

실행 결과 외에도, 및 PubResult PrimitiveResult 객체 모두 제출된 작업에 대한 메타데이터 속성을 포함하고 있습니다. 제출된 모든 PUB에 대한 정보(예: 사용 가능한 다양한 런타임 옵션 등)가 포함된 메타데이터는 에서 확인할 수 있으며 PrimitiveResult.metatada, 각 PUB 에 특화된 메타데이터는 에서 확인할 수 PubResult.metadata 있습니다.

# Print out the results metadata
print("The metadata of the PrimitiveResult is:")
for key, val in result.metadata.items():
    print(f"'{key}' : {val},")

print("\nThe metadata of the PubResult result is:")
for key, val in result[0].metadata.items():
    print(f"'{key}' : {val},")

Output:

The metadata of the PrimitiveResult is:
'dynamical_decoupling' : {'enable': False, 'sequence_type': 'XX', 'extra_slack_distribution': 'middle', 'scheduling_method': 'alap'},
'twirling' : {'enable_gates': False, 'enable_measure': True, 'num_randomizations': 'auto', 'shots_per_randomization': 'auto', 'interleave_randomizations': True, 'strategy': 'active-accum'},
'resilience' : {'measure_mitigation': True, 'zne_mitigation': False, 'pec_mitigation': False},
'version' : 2,

The metadata of the PubResult result is:
'shots' : 4096,
'target_precision' : 0.015625,
'circuit_metadata' : {},
'resilience' : {},
'num_randomizations' : 32,