{
"cells": [
{
"cell_type": "markdown",
"id": "7ed4867f",
"metadata": {},
"source": [
"---\n",
"title: \"Corte de circuito para redução de profundidade\"\n",
"description: \"Crie um padrão Qiskit para cortar portas em um circuito quântico a fim de reduzir a profundidade do circuito.\"\n",
"---\n",
"\n",
"\n",
"\n",
"# Corte de circuito para redução de profundidade\n",
"\n",
"*Estimativa de uso: Oito minutos em um processador Eagle (OBSERVAÇÃO: esta é apenas uma estimativa. Seu tempo de execução pode variar)*\n",
"\n"
]
},
{
"cell_type": "markdown",
"id": "387c5e80",
"metadata": {},
"source": [
"\n",
"\n",
"## Segundo plano\n",
"\n",
"Este tutorial demonstra como construir um `Qiskit pattern` para cortar portas em um circuito quântico para reduzir a profundidade do circuito. Para uma discussão mais aprofundada sobre o corte de circuitos, visite a [documentação do addon Qiskit sobre corte de circuitos](https://qiskit.github.io/qiskit-addon-cutting/).\n",
"\n"
]
},
{
"cell_type": "markdown",
"id": "a62460d9",
"metadata": {},
"source": [
"\n",
"\n",
"## Requisitos\n",
"\n",
"Antes de iniciar este tutorial, verifique se você tem os seguintes itens instalados:\n",
"\n",
"* Qiskit SDK v2.0 ou posterior, com suporte [para visualização](/docs/api/qiskit/visualization)\n",
"* Qiskit Runtime v0.22 ou mais tarde (`pip install qiskit-ibm-runtime`)\n",
"* Complemento Qiskit para corte de circuitos v0.9.0 ou posterior (`pip install qiskit-addon-cutting`)\n",
"\n"
]
},
{
"cell_type": "markdown",
"id": "a89fe306",
"metadata": {},
"source": [
"\n",
"\n",
"## Instalação\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": 1,
"id": "c795c670",
"metadata": {},
"outputs": [],
"source": [
"import numpy as np\n",
"\n",
"from qiskit.circuit.library import EfficientSU2\n",
"from qiskit.quantum_info import PauliList, Statevector, SparsePauliOp\n",
"from qiskit.transpiler.preset_passmanagers import generate_preset_pass_manager\n",
"\n",
"from qiskit_addon_cutting import (\n",
" cut_gates,\n",
" generate_cutting_experiments,\n",
" reconstruct_expectation_values,\n",
")\n",
"\n",
"from qiskit_ibm_runtime import QiskitRuntimeService, SamplerV2"
]
},
{
"cell_type": "markdown",
"id": "07f7f75d",
"metadata": {},
"source": [
"\n",
"\n",
"## Passo 1: Mapear entradas clássicas para um problema quântico\n",
"\n",
"Implementaremos nosso padrão Qiskit usando as quatro etapas descritas na [documentação](/docs/guides/intro-to-patterns). Nesse caso, simularemos valores de expectativa em um circuito de certa profundidade cortando portas que resultem em portas de troca e executando subexperimentos em circuitos mais rasos. O corte de portas é relevante para as etapas 2 (otimização do circuito para execução quântica por meio da decomposição de portas distantes) e 4 (pós-processamento para reconstruir valores de expectativa no circuito original).\n",
"Na primeira etapa, geraremos um circuito a partir da biblioteca de circuitos do Qiskit e definiremos alguns observáveis.\n",
"\n",
"* Entrada: Parâmetros clássicos para definir um circuito\n",
"* Saída: Circuito abstrato e observáveis\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": 2,
"id": "54ed0f13",
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
""
]
},
"execution_count": 2,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"circuit = EfficientSU2(num_qubits=4, entanglement=\"circular\").decompose()\n",
"circuit.assign_parameters([0.4] * len(circuit.parameters), inplace=True)\n",
"observables = PauliList([\"ZZII\", \"IZZI\", \"IIZZ\", \"XIXI\", \"ZIZZ\", \"IXIX\"])\n",
"circuit.draw(\"mpl\", scale=0.8, style=\"iqp\")"
]
},
{
"cell_type": "markdown",
"id": "080a2a8b",
"metadata": {},
"source": [
"\n",
"\n",
"## Etapa 2: Otimizar o problema para execução em hardware quântico\n",
"\n",
"* Entrada: Circuito abstrato e observáveis\n",
"* Resultado: Circuito-alvo e observáveis produzidos pelo corte de portas distantes para reduzir a profundidade do circuito transpilado\n",
"\n",
"Escolhemos um layout inicial que requer duas trocas para executar as portas entre os qubits 3 e 0 e outras duas trocas para retornar os qubits às suas posições iniciais. Escolhemos `optimization_level=3`, que é o nível mais alto de otimização disponível com um gerenciador de passes predefinido.\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "b394da7a",
"metadata": {},
"outputs": [],
"source": [
"service = QiskitRuntimeService()\n",
"backend = service.least_busy(\n",
" operational=True, min_num_qubits=circuit.num_qubits, simulator=False\n",
")\n",
"\n",
"pm = generate_preset_pass_manager(\n",
" optimization_level=3, initial_layout=[0, 1, 2, 3], backend=backend\n",
")\n",
"transpiled_qc = pm.run(circuit)"
]
},
{
"cell_type": "markdown",
"id": "68c00476",
"metadata": {},
"source": [
"\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": 4,
"id": "4fe4af43",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Transpiled circuit depth: 103\n"
]
},
{
"data": {
"text/plain": [
""
]
},
"execution_count": 4,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"print(f\"Transpiled circuit depth: {transpiled_qc.depth()}\")\n",
"transpiled_qc.draw(\"mpl\", scale=0.4, idle_wires=False, style=\"iqp\", fold=-1)"
]
},
{
"cell_type": "markdown",
"id": "babfbd0f",
"metadata": {},
"source": [
"*Encontre e corte os portões distantes:* Substituiremos os portões distantes (portões que conectam qubits não locais, 0 e 3) por `TwoQubitQPDGate` objetos, especificando seus índices. `cut_gates` substituirá os portões nos índices especificados por `TwoQubitQPDGate` objetos e também retornará uma lista de `QPDBasis` instâncias — uma para cada decomposição de portão. O `QPDBasis` objeto contém informações sobre como decompor os portões de corte em operações de qubit único.\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": 5,
"id": "23e3d25e",
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
""
]
},
"execution_count": 5,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"# Find the indices of the distant gates\n",
"cut_indices = [\n",
" i\n",
" for i, instruction in enumerate(circuit.data)\n",
" if {circuit.find_bit(q)[0] for q in instruction.qubits} == {0, 3}\n",
"]\n",
"\n",
"# Decompose distant CNOTs into TwoQubitQPDGate instances\n",
"qpd_circuit, bases = cut_gates(circuit, cut_indices)\n",
"\n",
"qpd_circuit.draw(\"mpl\", scale=0.8)"
]
},
{
"cell_type": "markdown",
"id": "069eb942-e947-4eff-a250-9a99c5ec47f0",
"metadata": {},
"source": [
"*Gere os subexperimentos a serem executados no backend* : `generate_cutting_experiments` aceita um circuito contendo instâncias de `TwoQubitQPDGate` e observáveis como um `PauliList`.\n",
"\n",
"Para simular o valor esperado do circuito de tamanho normal, muitos subexperimentos são gerados a partir da distribuição de quase-robabilidade conjunta das portas decompostas e, em seguida, executados em um ou mais backends. O número de amostras retiradas da distribuição é controlado por `num_samples`, e um coeficiente combinado é fornecido para cada amostra exclusiva. Para obter mais informações sobre como os coeficientes são calculados, consulte o [material explicativo](https://qiskit.github.io/qiskit-addon-cutting/explanation/index.html).\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": 6,
"id": "83b1efed-bafa-48c4-bbf0-cf7eb9027ac5",
"metadata": {},
"outputs": [],
"source": [
"# Generate the subexperiments and sampling coefficients\n",
"subexperiments, coefficients = generate_cutting_experiments(\n",
" circuits=qpd_circuit, observables=observables, num_samples=np.inf\n",
")"
]
},
{
"cell_type": "markdown",
"id": "6929264d",
"metadata": {},
"source": [
"*Para fins de comparação, vemos que as subexperiências QPD serão mais rasas depois de cortar portas distantes* : Aqui está um exemplo de uma subexperiência escolhida arbitrariamente e gerada a partir do circuito QPD. Sua profundidade foi reduzida em mais da metade. Muitos desses subexperimentos probabilísticos devem ser gerados e avaliados para reconstruir um valor de expectativa do circuito mais profundo.\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": 7,
"id": "70e2f1b6",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Original circuit depth after transpile: 103\n",
"QPD subexperiment depth after transpile: 46\n"
]
},
{
"data": {
"text/plain": [
""
]
},
"execution_count": 7,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"# Transpile the decomposed circuit to the same layout\n",
"transpiled_qpd_circuit = pm.run(subexperiments[100])\n",
"\n",
"print(f\"Original circuit depth after transpile: {transpiled_qc.depth()}\")\n",
"print(\n",
" f\"QPD subexperiment depth after transpile: {transpiled_qpd_circuit.depth()}\"\n",
")\n",
"transpiled_qpd_circuit.draw(\n",
" \"mpl\", scale=0.6, style=\"iqp\", idle_wires=False, fold=-1\n",
")"
]
},
{
"cell_type": "markdown",
"id": "87368cb9",
"metadata": {},
"source": [
"*Por outro lado, o corte resulta na necessidade de amostragem extra*. Aqui, cortamos três portas CNOT, o que resulta em uma sobrecarga de amostragem de $9^3$. Para saber mais sobre a sobrecarga de amostragem incorrida pelo corte do circuito, consulte a [documentação do Circuit Knitting Toolbox](https://qiskit-extensions.github.io/circuit-knitting-toolbox/circuit_cutting/explanation/index.html).\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": 8,
"id": "2ab65bd4",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Sampling overhead: 729.0\n"
]
}
],
"source": [
"print(f\"Sampling overhead: {np.prod([basis.overhead for basis in bases])}\")"
]
},
{
"cell_type": "markdown",
"id": "fd9a126c",
"metadata": {},
"source": [
"\n",
"\n",
"## Passo 3: Execute usando Qiskit primitives\n",
"\n",
"Execute os circuitos-alvo (“subexperimentos”) com a primitiva Sampler.\n",
"\n",
"* Entrada: Circuitos-alvo\n",
"* Saída: Distribuições de quase-probabilidade\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": 9,
"id": "a437de20-2042-4e62-87a7-804058cff5db",
"metadata": {},
"outputs": [],
"source": [
"# Transpile the subexperiments to the backend's instruction set architecture (ISA)\n",
"isa_subexperiments = pm.run(subexperiments)\n",
"\n",
"# Set up the Qiskit Runtime Sampler primitive. For a fake backend, this will use a local simulator.\n",
"sampler = SamplerV2(backend)\n",
"\n",
"# Submit the subexperiments\n",
"job = sampler.run(isa_subexperiments)"
]
},
{
"cell_type": "code",
"execution_count": 11,
"id": "ca53d638",
"metadata": {},
"outputs": [],
"source": [
"# Retrieve the results\n",
"results = job.result()"
]
},
{
"cell_type": "code",
"execution_count": 10,
"id": "32d35001",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"czypg1r6rr3g008mgp6g\n"
]
}
],
"source": [
"print(job.job_id())"
]
},
{
"cell_type": "markdown",
"id": "f04d9134-651b-446e-93f4-aa0281786200",
"metadata": {},
"source": [
"\n",
"\n",
"## Etapa 4: Pós-processamento e retorno do resultado no formato clássico desejado\n",
"\n",
"Use os resultados do subexperimento, os subobserváveis e os coeficientes de amostragem para reconstruir o valor esperado do circuito original.\n",
"\n",
"Entrada: Distribuições de quase-probabilidade Saída: Valores de expectativa reconstruídos\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": 12,
"id": "ace12f7f",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Final reconstructed expectation value\n",
"1.0751342773437473\n"
]
}
],
"source": [
"reconstructed_expvals = reconstruct_expectation_values(\n",
" results,\n",
" coefficients,\n",
" observables,\n",
")\n",
"# Reconstruct final expectation value\n",
"final_expval = np.dot(reconstructed_expvals, [1] * len(observables))\n",
"print(\"Final reconstructed expectation value\")\n",
"print(final_expval)"
]
},
{
"cell_type": "code",
"execution_count": 13,
"id": "e6237a6f",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Ideal expectation value\n",
"1.2283177520039992\n"
]
}
],
"source": [
"ideal_expvals = [\n",
" Statevector(circuit).expectation_value(SparsePauliOp(observable))\n",
" for observable in observables\n",
"]\n",
"print(\"Ideal expectation value\")\n",
"print(np.dot(ideal_expvals, [1] * len(observables)).real)"
]
},
{
"cell_type": "markdown",
"id": "e366d14e",
"metadata": {},
"source": [
"\n",
"\n",
"## Pesquisa tutorial\n",
"\n",
"Responda a esta breve pesquisa para fornecer feedback sobre este tutorial. Suas percepções nos ajudarão a melhorar nossas ofertas de conteúdo e a experiência do usuário.\n",
"\n",
"[Link para a pesquisa](https://your.feedback.ibm.com/jfe/form/SV_2ftYFf9t72yFNIO)\n",
"\n"
]
},
{
"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"
},
"hours": 1.5,
"qpuSeconds": 480
},
"nbformat": 4,
"nbformat_minor": 5
}