{ "cells": [ { "cell_type": "markdown", "id": "frontmatter", "metadata": {}, "source": [ "---\n", "title: \"빠른 시작\"\n", "description: \"최신 버전의 Qiskit 전파 소음 흡수 기능에 대한 빠른 시작 가이드\"\n", "---\n", "\n" ] }, { "cell_type": "markdown", "id": "0b3182b6", "metadata": {}, "source": [ "\n", "\n", "# 빠른 시작\n", "\n", "이 가이드에서는 해당 `qiskit-addon-pna` 패키지의 최소 실행 가능한 예제를 보여줍니다. 우리는 소음 완화 관측량을 구축하기 위해 전파형 소음 흡수(PNA)를 사용합니다. 주어진 회로와 파울리-린드블라드 잡음 모델이 있을 때, PNA는 고전적으로 관측량을 역잡음 채널을 통해 전파합니다. 노이즈가 있는 QPU에서 결과 관측량을 측정하면 학습된 게이트 노이즈가 완화됩니다.\n", "\n", "`NoiseLearnerV3`[지시형 실행](/docs/guides/directed-execution-model) 모델을 활용해 현실적인 워크플로를 구축하고 양자 하드웨어에서 실행하는 방법, 그리고 를 이용한 노이즈 모델 학습 방법을 알아보려면, IBM Quantum Platform 의 [PNA](/docs/tutorials/propagated-noise-absorption) 튜토리얼을 확인해 보세요.\n", "\n" ] }, { "cell_type": "markdown", "id": "a4068f26", "metadata": {}, "source": [ "\n", "\n", "## 1. PNA에 필요한 입력 데이터를 준비합니다\n", "\n", "PNA는 회로, 잡음 모델 및 관측량을 입력으로 받습니다. 여기서는 1D 사슬을 기반으로 10-큐비트 트로터화 횡자장 이징 모델을 구축합니다. 각 얽힘 게이트에 대해 무작위 2-로컬 파울리-린드블라드 노이즈 모델을 생성하고, 해당 게이트 바로 앞에 Qiskit Aer `PauliLindbladError` 명령어로 삽입합니다. 우리는 측정 대상으로 ‘ weight-4 ’ 파울리-Z 관측량을 선택한다.\n", "\n" ] }, { "cell_type": "code", "execution_count": 1, "id": "4a9a3ced", "metadata": {}, "outputs": [ { "data": { "text/plain": [ "\"Output" ] }, "execution_count": 1, "metadata": {}, "output_type": "execute_result" } ], "source": [ "import numpy as np\n", "from qiskit import QuantumCircuit\n", "from qiskit.quantum_info import SparsePauliOp, pauli_basis\n", "from qiskit_aer.noise import PauliLindbladError\n", "\n", "\n", "def random_pauli_lindblad_noise(generators, seed, noise_scale=2e-3):\n", " rates = np.random.default_rng(seed).random(len(generators)) * noise_scale\n", " return PauliLindbladError(generators, rates)\n", "\n", "\n", "def ising_circuit(\n", " num_qubits,\n", " layers,\n", " edge_noise=None,\n", " *,\n", " num_steps=3,\n", " rx_angle=np.pi / 8,\n", " rzz_angle=-np.pi / 2,\n", "):\n", " \"\"\"Trotterized transverse-field Ising model; edge_noise=None gives the noiseless circuit.\"\"\"\n", " qc = QuantumCircuit(num_qubits)\n", " for _ in range(num_steps):\n", " qc.rx(rx_angle, range(num_qubits))\n", " for layer in layers:\n", " for edge in layer:\n", " if edge_noise is not None:\n", " qc.append(\n", " edge_noise[edge], edge\n", " ) # inject synthetic gate noise\n", " qc.rzz(rzz_angle, *edge)\n", " return qc\n", "\n", "\n", "num_qubits = 10\n", "\n", "# Two entangling layers per Trotter step: even and odd bonds of a 1D chain\n", "layers = [\n", " [(i, i + 1) for i in range(0, num_qubits - 1, 2)],\n", " [(i, i + 1) for i in range(1, num_qubits - 1, 2)],\n", "]\n", "edges = [edge for layer in layers for edge in layer]\n", "\n", "# Random 2-local Pauli-Lindblad noise, one instance per entangling gate\n", "two_qubit_paulis = SparsePauliOp(\n", " [p for p in pauli_basis(2) if np.sum(p.x + p.z)]\n", ").paulis\n", "edge_noise = {\n", " edge: random_pauli_lindblad_noise(two_qubit_paulis, seed=1234 + j)\n", " for j, edge in enumerate(edges)\n", "}\n", "\n", "noisy_circuit = ising_circuit(num_qubits, layers, edge_noise)\n", "\n", "# A single weight-4 observable: \n", "observable = SparsePauliOp.from_sparse_list(\n", " [(\"ZZZZ\", [3, 4, 5, 6], 1.0)], num_qubits=num_qubits\n", ")\n", "\n", "noisy_circuit.draw(\"mpl\", fold=-1, scale=0.6)" ] }, { "cell_type": "markdown", "id": "b99617c3", "metadata": {}, "source": [ "\n", "\n", "## 2. 잡음 완화 관측량을 생성한다\n", "\n", "[generate\\_noise\\_mitigating\\_observable은](/docs/api/qiskit-addon-pna/qiskit-addon-pna#generate_noise_mitigating_observable) 역잡음 채널의 각 파울리 생성자를 회로 끝까지 전방으로 전파합니다. 그런 다음 관측값은 역 잡음 채널을 통해 역전파되어 새로운 관측값 $\\tilde{O}$ 을 반환합니다. 계산 비용에는 다음 세 가지 주요 매개변수가 영향을 미칩니다:\n", "\n", "* `max_err_terms`: 전방 전파 과정에서 각 항잡음 생성기에 유지되는 항의 수.\n", "* `max_obs_terms`: $\\tilde{O}$ 에 저장된 용어의 수.\n", "* `atol`: 계수의 크기가 이 임계값보다 작은 항은 제외됩니다.\n", "\n", "`atol`클리포드 회로에 가까운 이 작은 회로의 경우, 항의 차수를 높게 설정하고 적당한 값을 사용하므로, $\\tilde{O}$ 의 크기는 작게 유지되며 모든 항을 측정할 수 있습니다.\n", "\n", "***참고: 이 함수는 Python `multiprocessing`를 사용합니다. 스크립트로 실행할 때는 `guard` 블록 `if __name__ == \"__main__\":` 내에서 호출하십시오.***\n", "\n" ] }, { "cell_type": "code", "execution_count": 2, "id": "39891ec7", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Original observable: 1 term\n", "Noise-mitigating observable: 207 terms\n" ] } ], "source": [ "from qiskit_addon_pna import generate_noise_mitigating_observable\n", "\n", "mitigating_observable = generate_noise_mitigating_observable(\n", " noisy_circuit,\n", " observable,\n", " max_err_terms=100_000,\n", " max_obs_terms=100_000,\n", " atol=1e-5,\n", " num_processes=4,\n", ")\n", "\n", "print(f\"Original observable: {len(observable)} term\")\n", "print(f\"Noise-mitigating observable: {len(mitigating_observable)} terms\")" ] }, { "cell_type": "markdown", "id": "f7881a9e", "metadata": {}, "source": [ "\n", "\n", "## 3. 잡음 완화 관측량을 측정하여 게이트 오류를 완화한다\n", "\n", "여기서 우리는 새로운 관측량이 실험에 영향을 미치는 게이트 노이즈를 효과적으로 완화한다는 것을 알 수 있다.\n", "\n" ] }, { "cell_type": "code", "execution_count": 3, "id": "a56dd204", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Ideal (noiseless): 0.8073\n", "Noisy (unmitigated): 0.6431\n", "Mitigated (PNA): 0.8071\n" ] }, { "data": { "text/plain": [ "\"Output" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "import matplotlib.pyplot as plt\n", "from qiskit_aer.primitives import EstimatorV2\n", "\n", "noiseless_circuit = ising_circuit(num_qubits, layers)\n", "\n", "# density_matrix method at zero precision -> exact expectation values (no shot noise)\n", "estimator = EstimatorV2(\n", " options={\n", " \"backend_options\": {\"method\": \"density_matrix\"},\n", " \"default_precision\": 0.0,\n", " }\n", ")\n", "\n", "ideal, noisy, mitigated = (\n", " result.data.evs\n", " for result in estimator.run(\n", " [\n", " (noiseless_circuit, observable),\n", " (noisy_circuit, observable),\n", " (noisy_circuit, mitigating_observable),\n", " ]\n", " ).result()\n", ")\n", "\n", "print(f\"Ideal (noiseless): {ideal:.4f}\")\n", "print(f\"Noisy (unmitigated): {noisy:.4f}\")\n", "print(f\"Mitigated (PNA): {mitigated:.4f}\")\n", "\n", "fig, ax = plt.subplots()\n", "ax.bar(\n", " [\"Noisy\", \"Mitigated\"],\n", " [noisy, mitigated],\n", " width=0.6,\n", " color=[\"#b0b0b0\", \"#4c4c4c\"],\n", ")\n", "ax.axhline(ideal, color=\"green\", linestyle=\"--\", label=\"Ideal (noiseless)\")\n", "ax.set_ylabel(r\"$\\langle Z_3 Z_4 Z_5 Z_6 \\rangle$\")\n", "ax.legend()\n", "plt.show()" ] }, { "cell_type": "markdown", "metadata": {}, "id": "a1b8767d", "source": "© IBM Corp., 2017-2026" } ], "metadata": { "kernelspec": { "display_name": "Python 3", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3" } }, "nbformat": 4, "nbformat_minor": 5 }