Iniciação rápida

qiskit-paulice Este guia apresenta um exemplo mínimo funcional do pacote. Utilizamos verificações de Pauli no espaço-tempo para detectar erros durante a execução de um circuito de Clifford e, em seguida, selecionamos posteriormente apenas as amostras nas quais não foi detectado nenhum erro. Para conhecer um fluxo de trabalho completo e mais detalhado que quantifica a melhoria na fidelidade, consulte o tutorial aprofundado.

Etapas do fluxo de trabalho

1. Prepare os dados de entrada: um circuito de carga útil de Clifford, os qubits-alvo/ancilla que abrigarão as verificações e um modelo de ruído.
2. Encontre boas verificações de Pauli no espaço-tempo e adicione-as ao circuito.
3. Faça um teste no circuito verificado.
4. Selecione apenas as amostras nas quais não foi detectado nenhum erro.

1. Prepare os dados de entrada

add_pauli_checks recebe um circuito de Clifford com pelo menos uma medição terminal, os qubits-alvo que serão usados para implementar as verificações e um modelo de ruído utilizado para avaliar as verificações candidatas. ibm_bostonAqui, construímos um circuito de Clifford aleatório de profundidade rasa, o dispomos em uma cadeia de qubits físicos do tipo “ 1D ”, emparelhamos cada qubit de carga útil com um qubit auxiliar vizinho (de modo que uma verificação não precise de portas SWAP) e inferimos um modelo aproximado de ruído despolarizante a partir de dados de benchmark do backend.

import numpy as np
from qiskit import QuantumCircuit
from qiskit_ibm_runtime import QiskitRuntimeService
from qiskit_paulice.layout import get_check_qubits
from qiskit_paulice.noise_models import NoiseModel

# Backend and a 1D chain of physical qubits to run on
backend = QiskitRuntimeService().backend("ibm_boston")
layout = [68, 69, 78, 89, 90, 91, 98, 111, 112, 113, 119, 133]

# A shallow brickwork random Clifford payload circuit
rng = np.random.default_rng(1764)
circuit = QuantumCircuit(len(layout))
circuit.h(range(circuit.num_qubits))
for d in range(4):
    for i in range(d % 2, circuit.num_qubits - 1, 2):
        circuit.cz(i, i + 1)
    for q in range(circuit.num_qubits):
        if rng.integers(0, 2):
            circuit.sx(q)
        if rng.integers(0, 2):
            circuit.s(q)
circuit.measure_all()

# Pair each payload qubit with a neighboring ancilla to host a check (no SWAPs needed)
target_qubits, ancilla_qubits = get_check_qubits(backend.coupling_map, layout)

# A rough depolarizing noise model from backend benchmark data, used to score checks
noise_model = NoiseModel.from_backend(
    backend, layout, uniform_gate_noise=True
)

circuit.draw("mpl", fold=-1)

Output:

2. Encontrar e adicionar verificações de Pauli no espaço-tempo

add_pauli_checks procura por verificações eficazes e de baixo peso para cada qubit-alvo e as adiciona ao circuito, retornando uma sequência de CheckedCircuit instâncias. As CheckedCircuit instâncias contêm um número crescente de verificações, desde 0 verificações até uma verificação por qubit-alvo. Cada verificação melhora a capacidade de detecção de erros, em troca de um aumento ligeiro na profundidade do circuito. Para este exemplo, utilizaremos o circuito com uma verificação em cada qubit-alvo.

from qiskit_paulice import add_pauli_checks

# The circuit has virtual qubits, so we specify our target qubits with virtual indices
target_qubits_v = [layout.index(q) for q in target_qubits]

# Add spacetime Pauli checks
checked_circuit = add_pauli_checks(circuit, target_qubits_v, noise_model)[-1]
checked_circuit.circuit.draw("mpl", fold=-1, scale=0.4, idle_wires=False)

Output:

3. Testar o circuito verificado

ibm_bostonAntes de realizar a amostragem, transpilamos o circuito verificado para qubits físicos (initial_layout = layout + ancilla_qubits) e para o conjunto de portas da base nativa do. Para simular uma QPU com ruído, realizamos amostragens com um backend do estabilizador Aer com ruído, cujas taxas de erro correspondem às noise_model utilizadas para selecionar os checks.

from qiskit import transpile
from qiskit_aer import AerSimulator
from qiskit_aer.noise import NoiseModel as AerNoiseModel
from qiskit_aer.noise import ReadoutError, depolarizing_error

# Transpile once: lay the checked circuit out on our qubits and into the native basis
isa_circuit = transpile(
    checked_circuit.circuit,
    backend,
    initial_layout=layout + ancilla_qubits,
    optimization_level=0,
)

# Build an Aer noise model matching the depolarizing model used to pick checks
aer_noise = AerNoiseModel()
aer_noise.add_all_qubit_quantum_error(
    depolarizing_error(noise_model.gate_noise, 2), ["cz"]
)
p = noise_model.readout_noise
aer_noise.add_all_qubit_readout_error(ReadoutError([[1 - p, p], [p, 1 - p]]))
simulator = AerSimulator(method="stabilizer", noise_model=aer_noise)

counts = (
    simulator.run(isa_circuit, shots=1000, seed_simulator=1764)
    .result()
    .get_counts()
)
print(f"sampled {sum(counts.values())} shots")

Output:

sampled 1000 shots

4. Amostras selecionadas após a análise, sem erros detectados

get_postselection_method associa cada tentativa ao seu vetor de síndrome; mantemos apenas as tentativas com síndrome composta inteiramente por zeros — aquelas nas quais nenhuma verificação detectou um erro. A descarte das imagens sinalizadas remove os erros detectados da distribuição restante, melhorando sua fidelidade em troca de uma taxa de amostragem menor. Consulte o tutorial para uma comparação quantitativa da fidelidade.

# Keep only the shots in which no check reported an error
ps_fn = checked_circuit.get_postselection_method()
counts_postselected = {
    bs: n for bs, n in counts.items() if not ps_fn(bs).any()
}

kept, total = sum(counts_postselected.values()), sum(counts.values())
print(f"kept {kept} of {total} shots ({kept / total:.0%})")

Output:

kept 927 of 1000 shots (93%)