{ "cells": [ { "cell_type": "markdown", "id": "7e6b2936-3a18-4917-9c47-30e2d4ce5775", "metadata": {}, "source": [ "---\n", "title: \"Visualizar os resultados\"\n", "description: \"Plote os resultados da execução do circuito quântico usando o Qiskit\"\n", "---\n", "\n", "\n", "\n", "# Visualizar os resultados\n", "\n" ] }, { "cell_type": "markdown", "id": "06a4399f-bca6-4c2e-9128-1494017d0249", "metadata": { "tags": [ "version-info" ] }, "source": [ "{/*\n", " DO NOT EDIT THIS CELL!!!\n", " This cell's content is generated automatically by a script. Anything you add\n", " here will be removed next time the notebook is run. To add new content, create\n", " a new cell before or after this one.\n", " */}\n", "\n", "\n", " \n", " O código desta página foi desenvolvido usando os seguintes requisitos.\n", " Recomendamos o uso dessas versões ou de versões mais recentes.\n", "\n", " ```\n", " qiskit[all]~=2.5.1\n", " ```\n", " \n", "\n", "\n" ] }, { "cell_type": "markdown", "id": "e8d0138c-fd97-49c2-88a5-1929a5a09258", "metadata": {}, "source": [ "\n", "\n", "## Histograma de plotagem\n", "\n", "A função `plot_histogram` visualiza o resultado da amostragem de um circuito quântico em uma QPU.\n", "\n", "\n", " Essa função retorna um objeto `matplotlib.Figure` . Quando a última linha de uma célula de código gera esses objetos, os notebooks Jupyter os exibem abaixo da célula. Se você chamar essas funções em outros ambientes ou em scripts, precisará mostrar ou salvar explicitamente os resultados.\n", "\n", " Há duas opções:\n", "\n", " * Chame `.show()` no objeto retornado para abrir a imagem em uma nova janela (supondo que seu backend matplotlib configurado seja interativo).\n", " * Chame `.savefig(\"out.png\")` para salvar a figura em `out.png` no diretório de trabalho atual. O método `savefig()` usa um caminho para que você possa ajustar o local e o nome do arquivo onde está salvando a saída. Por exemplo, `plot_state_city(psi).savefig(\"out.png\")`.\n", "\n", "\n", "Por exemplo, crie um estado Bell de dois qubits:\n", "\n" ] }, { "cell_type": "code", "execution_count": 1, "id": "5cf67f92-a86d-496d-9e13-0d8a841c8dfa", "metadata": { "tags": [ "ignore-warnings" ] }, "outputs": [], "source": [ "from qiskit.primitives import StatevectorSampler as Sampler\n", "from qiskit.transpiler import generate_preset_pass_manager\n", "\n", "from qiskit.circuit import QuantumCircuit\n", "from qiskit.visualization import plot_histogram" ] }, { "cell_type": "code", "execution_count": 2, "id": "938e8206-d7e8-447d-b798-b7c2507f8901", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "PrimitiveResult([SamplerPubResult(data=DataBin(meas=BitArray()), metadata={'shots': 1024, 'circuit_metadata': {}})], metadata={'version': 2})\n" ] } ], "source": [ "# Quantum circuit to make a Bell state\n", "bell = QuantumCircuit(2)\n", "bell.h(0)\n", "bell.cx(0, 1)\n", "bell.measure_all()\n", "\n", "pm = generate_preset_pass_manager(optimization_level=1)\n", "isa_circuit = pm.run(bell)\n", "\n", "# execute the quantum circuit\n", "sampler = Sampler()\n", "job = sampler.run([isa_circuit])\n", "result = job.result()\n", "\n", "print(result)" ] }, { "cell_type": "code", "execution_count": 3, "id": "57d8053e-d030-460d-9c1f-772e53b1a49b", "metadata": {}, "outputs": [ { "data": { "text/plain": [ "\"Output" ] }, "execution_count": 3, "metadata": {}, "output_type": "execute_result" } ], "source": [ "plot_histogram(result[0].data.meas.get_counts())" ] }, { "cell_type": "markdown", "id": "e3a68e3d-21e6-45a0-bc40-f9a2214dd5b3", "metadata": {}, "source": [ "\n", "\n", "### Opções ao traçar um histograma\n", "\n", "Use as seguintes opções em `plot_histogram` para ajustar o gráfico de saída.\n", "\n", "* `legend`: Fornece um rótulo para as execuções. Ele recebe uma lista de cadeias de caracteres usadas para rotular os resultados de cada execução. Isso é útil principalmente ao plotar vários resultados de execução no mesmo histograma\n", "* `sort`: Ajusta a ordem das barras no histograma. Ele pode ser definido em ordem crescente com `asc` ou em ordem decrescente com `desc`\n", "* `number_to_keep`: Recebe um número inteiro para o número de termos a serem exibidos. O restante é agrupado em uma única barra chamada \"resto\"\n", "* `color`: Ajusta a cor das barras; recebe uma cadeia de caracteres ou uma lista de cadeias de caracteres para as cores a serem usadas nas barras para cada execução\n", "* `bar_labels`: Ajusta se os rótulos serão impressos acima das barras\n", "* `figsize`: Obtém uma tupla do tamanho em polegadas para gerar a figura de saída\n", "\n" ] }, { "cell_type": "code", "execution_count": 4, "id": "bd70e13f-5c52-42fb-8dde-980b15e3604a", "metadata": {}, "outputs": [ { "data": { "text/plain": [ "\"Output" ] }, "execution_count": 4, "metadata": {}, "output_type": "execute_result" } ], "source": [ "# Execute two-qubit Bell state again\n", "\n", "job = sampler.run([isa_circuit], shots=1000)\n", "second_result = job.result()\n", "\n", "# Plot results with custom options\n", "plot_histogram(\n", " [\n", " result[0].data.meas.get_counts(),\n", " second_result[0].data.meas.get_counts(),\n", " ],\n", " legend=[\"first\", \"second\"],\n", " sort=\"desc\",\n", " figsize=(15, 12),\n", " color=[\"orange\", \"black\"],\n", " bar_labels=False,\n", ")" ] }, { "cell_type": "markdown", "id": "019ee04e-0730-4536-94cc-7e2b50d921e1", "metadata": {}, "source": [ "\n", "\n", "## Resultados do Estimador de Área\n", "\n", "O Qiskit não possui uma função interna para plotar os resultados do Estimador, mas você pode usar Matplotlib [`bar` gráfico](https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.bar.html) para uma visualização rápida.\n", "\n", "Para demonstrar, a célula a seguir estima os valores de expectativa de sete observáveis diferentes em um estado quântico.\n", "\n" ] }, { "cell_type": "code", "execution_count": 5, "id": "17c9893a-d1bf-4726-b444-6dce1d56805f", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "PubResult(data=DataBin(evs=np.ndarray(), stds=np.ndarray(), shape=(7, 1)), metadata={'target_precision': 0.0, 'circuit_metadata': {}})\n" ] }, { "data": { "text/plain": [ "" ] }, "execution_count": 5, "metadata": {}, "output_type": "execute_result" }, { "data": { "text/plain": [ "\"Output" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "import numpy as np\n", "from qiskit import QuantumCircuit\n", "from qiskit.quantum_info import SparsePauliOp\n", "from qiskit.primitives import StatevectorEstimator as Estimator\n", "from qiskit.transpiler import generate_preset_pass_manager\n", "from matplotlib import pyplot as plt\n", "\n", "# Simple estimation experiment to create results\n", "qc = QuantumCircuit(2)\n", "qc.h(0)\n", "qc.crx(1.5, 0, 1)\n", "\n", "observables_labels = [\"ZZ\", \"XX\", \"YZ\", \"ZY\", \"XY\", \"XZ\", \"ZX\"]\n", "observables = [SparsePauliOp(label) for label in observables_labels]\n", "\n", "pm = generate_preset_pass_manager(optimization_level=1)\n", "isa_circuit = pm.run(qc)\n", "isa_observables = [\n", " operator.apply_layout(isa_circuit.layout) for operator in observables\n", "]\n", "\n", "# Reshape observable array for broadcasting\n", "reshaped_ops = np.fromiter(isa_observables, dtype=object)\n", "reshaped_ops = reshaped_ops.reshape((7, 1))\n", "\n", "estimator = Estimator()\n", "job = estimator.run([(isa_circuit, reshaped_ops)])\n", "result = job.result()[0]\n", "exp_val = job.result()[0].data.evs\n", "print(result)\n", "\n", "# Since the result array is structured as a 2D array where each element is a\n", "# list containing a single value, you need to flatten the array.\n", "\n", "# Plot using Matplotlib\n", "plt.bar(observables_labels, exp_val.flatten())" ] }, { "cell_type": "markdown", "id": "a520f049-c2ee-4f14-8039-b5be671f25ae", "metadata": {}, "source": [ "A célula a seguir usa o [erro padrão](https://en.wikipedia.org/wiki/Standard_error) estimado de cada resultado e os adiciona como barras de erro. Consulte a [documentação do gráfico `bar` ](https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.bar.html) para obter uma descrição completa do gráfico.\n", "\n" ] }, { "cell_type": "code", "execution_count": 6, "id": "4eb79f4b-36b5-4797-a1a0-67d881d46ca4", "metadata": {}, "outputs": [ { "data": { "text/plain": [ "Text(0.5, 1.0, 'Expectation values (with standard errors)')" ] }, "execution_count": 6, "metadata": {}, "output_type": "execute_result" }, { "data": { "text/plain": [ "\"Output" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "standard_error = job.result()[0].data.stds\n", "\n", "_, ax = plt.subplots()\n", "ax.bar(\n", " observables_labels,\n", " exp_val.flatten(),\n", " yerr=standard_error.flatten(),\n", " capsize=2,\n", ")\n", "ax.set_title(\"Expectation values (with standard errors)\")" ] }, { "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": 4 }