{ "cells": [ { "cell_type": "markdown", "id": "frontmatter", "metadata": {}, "source": [ "---\n", "title: \"Iniciação rápida\"\n", "description: \"Guia rápido para a versão mais recente do Qiskit: absorção de ruído propagado\"\n", "---\n", "\n" ] }, { "cell_type": "markdown", "id": "0b3182b6", "metadata": {}, "source": [ "\n", "\n", "# Iniciação rápida\n", "\n", "`qiskit-addon-pna` Este guia apresenta um exemplo mínimo funcional do pacote. Utilizamos a absorção de ruído propagada (PNA) para construir um observável de mitigação de ruído. Dado um circuito e um modelo de ruído de Pauli-Lindblad, a PNA propaga, de forma clássica, a observável através do canal de ruído inverso. A medição da grandeza observável resultante na QPU com ruído atenua o ruído das portas aprendidas.\n", "\n", "Para saber como criar um fluxo de trabalho realista e executá-lo em hardware quântico com o [modelo de execução direcionada](/docs/guides/directed-execution-model), incluindo o aprendizado do modelo de ruído com `NoiseLearnerV3`, confira o [tutorial](/docs/tutorials/propagated-noise-absorption) do PNA no site IBM Quantum Platform.\n", "\n" ] }, { "cell_type": "markdown", "id": "a4068f26", "metadata": {}, "source": [ "\n", "\n", "## 1. Preparar os dados de entrada para o PNA\n", "\n", "O PNA recebe como entrada um circuito, um modelo de ruído e uma variável observável. Aqui, construímos um modelo de Ising de campo transversal com Trotterização de 10 qubits em uma cadeia de 1D. Geramos um modelo aleatório de ruído de Pauli-Lindblad de 2 locais para cada porta de entrelaçamento e o incorporamos como uma instrução do Qiskit Aer `PauliLindbladError` imediatamente antes dessa porta. Escolhemos um observável de Pauli-Z weight-4 para medir.\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. Gerar o observável de mitigação de ruído\n", "\n", "[O generate\\_noise\\_mitigating\\_observable](/docs/api/qiskit-addon-pna/qiskit-addon-pna#generate_noise_mitigating_observable) propaga cada gerador de Pauli do canal de ruído inverso até o final do circuito. A observável é então submetida à retropropagação pelo canal de ruído inverso, retornando uma nova observável $\\tilde{O}$. Três parâmetros principais afetam o custo computacional:\n", "\n", "* `max_err_terms`: o número de termos mantidos em cada gerador antirruído à medida que ele é propagado para a frente.\n", "* `max_obs_terms`: o número de termos armazenados em $\\tilde{O}$.\n", "* `atol`: os termos cuja magnitude do coeficiente for inferior a esse limite são descartados.\n", "\n", "Para esse pequeno circuito próximo de Clifford, definimos limites altos para os termos e usamos um valor modesto `atol`de, de modo que $\\tilde{O}$ permaneça pequeno e possamos medir todos os seus termos.\n", "\n", "***Observação: Esta função utiliza Python `multiprocessing`. Ao executá-lo como um script, chame-o dentro de um `if __name__ == \"__main__\":` `guard`.***\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. Mitigar erros de porta medindo o observável de mitigação de ruído\n", "\n", "Aqui vemos que o novo observável atenua efetivamente o ruído do gate que afeta o experimento.\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 }