Побудова експерименту навчання
Цей посібник показує, як побудувати стандартний експеримент навчання з нуля та використати його, щоб навчити модель на змодельованих зашумлених даних.
-
Визнач набір гейтів на кільці кубітів
-
Обери 2-локальну модель Паулі-Ліндблада
-
Побудуй експеримент навчання
-
Згенеруй схеми
-
Налаштуй локальну симуляцію
-
Запусти програму
-
Проаналізуй дані
Наведені нижче схеми симулюються локально, тому для цього покрокового посібника не потрібні облікові дані IBM Quantum®. Щоб натомість запустити його на реальному пристрої:
-
Крок 1: заміни
FakeMarrakeshна реальний бекенд. -
Крок 5: передай цей бекенд як режим executor і прибери параметри симулятора.
1. Визнач набір гейтів на кільці кубітів
Побудуй QiskitGateSet із Target бекенда та підмножини його кубітів — тут це дванадцятикубітне кільце FakeMarrakesh — а потім додай до нього один гейт: шар із шести гейтів CZ, що покривають це кільце. За замовчуванням набір гейтів ініціалізується гейтом підготовки P і гейтом вимірювання M.
from qiskit_ibm_runtime.fake_provider import FakeMarrakesh
from qiskit_noise_learning.gate_sets import QiskitGateSet
backend = FakeMarrakesh()
qubit_subset = [*range(25, 30), *range(37, 39), *range(45, 50)]
cz_pairs = [(25, 26), (27, 28), (29, 38), (37, 45), (46, 47), (48, 49)]
gate_set = QiskitGateSet(backend.num_qubits, target=backend.target, qubit_subset=qubit_subset)
with gate_set.build_new_gate("cz_gate", latex_str=r"\mathrm{CZ}") as builder:
for pair in cz_pairs:
builder.circuit.cz(*pair)
list(gate_set)
['M', 'P', 'cz_gate']
from qiskit_ibm_runtime import QiskitRuntimeService
backend = QiskitRuntimeService().backend("ibm_marrakesh")
Виклич draw(), щоб побачити гейт на топології пристрою: кільце кубітів у наборі гейтів і те, які їхні пари гейт заплутує.
gate_set.draw()
2. Обери 2-локальну модель Паулі-Ліндблада
Визнач, які генератори Паулі-Ліндблада може мати шум, за допомогою PauliLindbladModel. Побудуй цей набір генераторів зі зв’язності набору гейтів за допомогою k_local() — тут це кожен 2-локальний оператор Паулі на з’єднаних парах кубітів унітарного гейта та однокубітні оператори Паулі для підготовки й вимірювання.
from qiskit_noise_learning.models import PauliLindbladModel
model = PauliLindbladModel.k_local(gate_set, gate_k={"cz_gate": 2, "M": 1, "P": 1})
Виведи кількість невідомих параметрів для моделі шуму кожного гейта.
{name: len(generators) for name, generators in model.generators.items()}
{'M': 12, 'P': 12, 'cz_gate': 144}
3. Побудуй експеримент навчання
Зберіть Experiment, компонуючи стадії побудови. Кожна стадія читає те, що записали попередні, тому порядок має значення:
from qiskit_noise_learning.experiment_builder import (
BindFragmentDepths,
CompleteSequences,
EvenDepthVanillaPaths,
Experiment,
GenerateInstructionSequences,
IdentifyRelations,
MergeInstructionSequences,
SPAMPaths,
VanillaInstructionSequences,
)
experiment_builder = (
# Add standard vanilla learning paths and instruction sequences, and identify relations
EvenDepthVanillaPaths()
+ VanillaInstructionSequences()
+ IdentifyRelations()
# Add paths for learning SPAM, then generate and merge instruction sequences for measuring them
+ SPAMPaths()
+ GenerateInstructionSequences()
+ MergeInstructionSequences()
# Finalize by completing the instruction sequences and setting experiment depths
+ CompleteSequences()
+ BindFragmentDepths([2, 16, 32, 64])
)
experiment = experiment_builder.run(
Experiment(fidelity_model=model, shots=20, randomizations=50)
)
print(f"Number of paths: {len(experiment.paths)}")
print(f"Number of instruction sequences: {len(experiment.instruction_sequences)}")
Number of paths: 156
Number of instruction sequences: 37
Спостерігай ранг матриці плану:
print(f"Design matrix rank: {experiment.design_matrix.rank}")
Design matrix rank: 120
4. Згенеруй схеми
Скомпілюй експеримент за допомогою ExecutorCircuitGenerator, згенерувавши QuantumProgram — одну параметризовану шаблонну схему на кожну глибину фрагмента.
from qiskit_noise_learning.circuit_generator import ExecutorCircuitGenerator
circuit_generator = ExecutorCircuitGenerator(gate_set)
quantum_program = circuit_generator.generate(experiment)
print(f"Number of template circuits: {len(quantum_program.items)}")
Number of template circuits: 5
Намалюй шаблонну схему для огляду.
quantum_program.items[0].circuit.draw("mpl", idle_wires=False, fold=False)
5. Налаштуй локальну симуляцію
Щоб визначити модель шуму для симуляції, ми використовуємо генератори, що вже є в моделі, з випадковими ймовірностями, щоб побудувати PauliLindbladMap.
import numpy as np
from qiskit.quantum_info import PauliLindbladMap
rng = np.random.default_rng(1234)
true_maps = {
name: PauliLindbladMap.from_terms(
[
PauliLindbladMap.GeneratorTerm(rate, generator)
for generator, rate in zip(generators, rng.uniform(2e-4, 1.5e-3, len(generators)))
]
)
for name, generators in model.generators.items()
if name != "P"
}
{name: noise_map.num_qubits for name, noise_map in true_maps.items()}
{'M': 156, 'cz_gate': 156}
Ці мапи такі ж широкі, як і пристрій, бо модель виражена в індексації кубітів backend, а симулятор хоче, щоб кожна мапа була такою ж широкою, як гейт, до якого вона застосовується, з індексами Паулі за кубітами гейта у зростальному фізичному порядку. Звузь їх за допомогою keep_qubits(), який відкидає все поза кільцем:
noise_dict = {
name: noise_map.keep_qubits(qubit_subset) for name, noise_map in true_maps.items()
}
{name: noise_map.num_qubits for name, noise_map in noise_dict.items()}
{'M': 12, 'cz_gate': 12}
Симулятор називає шум шару за інструкцією box, з якої шар було побудовано; її повертає to_instruction() для будь-якого гейта в наборі гейтів. Зістав кожен box зі своєю мапою, використай метод симуляції стабілізаторів і встанови seed_simulator, щоб змоделювані дані були відтворюваними:
from qiskit_aer import AerSimulator
from qiskit_ibm_runtime import Executor
executor = Executor(
mode=AerSimulator(method="stabilizer"),
options={
"simulator": {
"layer_noise_model": [
(gate_set[name].to_instruction(), noise_map)
for name, noise_map in noise_dict.items()
],
"seed_simulator": 42,
}
},
)
executor = Executor(mode=backend)
6. Запусти програму
Запусти програму, потім відформатуй результати за допомогою collect(), щоб отримати Fit — контейнер, з якого читають і в який пишуть стадії аналізу.
Цей крок однаковий незалежно від того, чи executor вказує на симулятор, чи на реальний пристрій.
job = executor.run(quantum_program)
fit = circuit_generator.collect(job.result())
7. Проаналізуй дані
Побудуй конвеєр аналізу навколо апроксимації моделі невід’ємним методом найменших квадратів.
from qiskit_noise_learning.analysis import (
ComputeObservables, # computes observables from raw data
CurveFitObservables, # performs exponential fitting
LeastSquaresSolve, # solves model with (nonnegative) least squares
)
analyzer = ComputeObservables() + CurveFitObservables() + LeastSquaresSolve()
fit = analyzer.run(fit)
/opt/hostedtoolcache/Python/3.15.1/x64/lib/python3.15/site-packages/qiskit_noise_learning/analysis/model_solve.py:250: UserWarning: 7 of 156 row(s) of the linear system have a non-positive or non-finite uncertainty, so they carry no usable statistical weight. Positions in LinearSystemData.row_labels: 144, 145, 148, 149, 151, 152, 154.
system = LinearSystemData.from_fit(fit)
Побудуй виміряні середні значення спостережуваної проти їхніх апроксимованих експонент, по одному підграфіку на кожну пару CZ, щоб побачити, чи спади, які апроксимуються, взагалі є експоненційними.
fit.plot_qubit_pair_decays(
pairs=cz_pairs,
observable_type="means",
exponential_fit=True,
)
Заміни exponential_fit на model_prediction, щоб порівняти ті самі дані зі спадами, які випливають зі ймовірностей, отриманих розв’язанням невід’ємним методом найменших квадратів.
fit.plot_qubit_pair_decays(
pairs=cz_pairs,
observable_type="means",
model_prediction=True,
)