Швидкий старт

Цей посібник демонструє мінімальний робочий приклад пакета qiskit-paulice. Ми використовуємо просторово-часові перевірки Паулі, щоб виявляти помилки під час виконання кліффордової схеми, а потім залишаємо лише ті вибірки, для яких помилку не виявлено. Докладніший наскрізний робочий процес, який кількісно оцінює покращення точності, дивись у поглибленому туторіалі.

Кроки робочого процесу

1. Підготуй вхідні дані: кліффордову схему корисного навантаження, цільові/допоміжні кубіти для розміщення перевірок і модель шуму.
2. Знайди хороші просторово-часові перевірки Паулі та додай їх до схеми.
3. Отримай вибірки з перевіреної схеми.
4. Залиш лише ті вибірки, для яких помилку не виявлено.

1. Підготуй вхідні дані

add_pauli_checks приймає кліффордову схему, що закінчується вимірюваннями (або, з аргументом stabilizers, таку, що не містить вимірювань, як у посібнику зі просторово-часових кодів), цільові кубіти, які використовуватимуться для реалізації перевірок, та модель шуму, що використовується для оцінки кандидатів у перевірки. Тут ми будуємо неглибоку випадкову кліффордову схему, розміщуємо її на одновимірному ланцюжку фізичних кубітів на ibm_boston, поєднуємо кожен кубіт корисного навантаження із сусіднім допоміжним кубітом (щоб перевірці не були потрібні гейти SWAP) і виводимо грубу деполяризаційну модель шуму з еталонних даних бекенда.

# Added by doQumentation — installs the packages this notebook needs if they are missing
import importlib.util

_needed = {"numpy": "numpy", "qiskit": "qiskit", "qiskit_aer": "qiskit-aer", "qiskit_ibm_runtime": "qiskit-ibm-runtime", "qiskit_paulice": "qiskit-paulice"}
_missing = [pip for module, pip in _needed.items()
            if importlib.util.find_spec(module) is None]
# One at a time, so a package that fails to install does not block the others
for _pip in _missing:
    %pip install -q {_pip}
if not _missing:
    print("\u2713 All required packages are installed")

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)

2. Знайди й додай просторово-часові перевірки Паулі

add_pauli_checks шукає ефективні перевірки малої ваги для кожного цільового кубіта й додає їх до схеми, повертаючи послідовність екземплярів CheckedCircuit. Екземпляри CheckedCircuit містять зростаючу кількість перевірок: від 0 перевірок до однієї перевірки на кожен цільовий кубіт. Кожна перевірка покращує здатність виявляти помилки ціною дещо більшої глибини схеми. У цьому прикладі ми використаємо схему з перевіркою на кожному цільовому кубіті.

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)

3. Отримай вибірки з перевіреної схеми

Перед отриманням вибірок ми транспілюємо перевірену схему на фізичні кубіти (initial_layout = layout + ancilla_qubits) та в рідний базисний набір гейтів ibm_boston. Щоб емулювати шумний QPU, ми отримуємо вибірки за допомогою шумного стабілізаторного бекенда Aer, рівні помилок якого відповідають noise_model, використаній для вибору перевірок.

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")

sampled 1000 shots

4. Залиш вибірки без виявленої помилки

get_postselection_method зіставляє кожен шот з його вектором синдрому; ми залишаємо лише шоти з нульовим синдромом — ті, в яких жодна перевірка не виявила помилки. Відкидання позначених шотів прибирає виявлені помилки із розподілу, що залишається, покращуючи його точність ціною нижчої швидкості вибірки. Кількісне порівняння точності дивись у туторіалі.

# 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%})")

kept 927 of 1000 shots (93%)