Аддони Qiskit

Вересень 2026

• Нові інструменти побудовано на основі фреймворку моделі спрямованого виконання, випущеного на початку цього року:

  • qiskit-noise-learning — це набір інструментів для характеризації квантового шуму на основі рандомізації. Ти можеш використати його, щоб побудувати власний експеримент із навчання шуму, перевірити його за допомогою локальної симуляції та проаналізувати необроблені результати.

  • qiskit-mitigation — це пакет методів пом'якшення квантових помилок для побудови конвеєрів пом'якшення з новою моделлю виконання. Він містить реалізації добре відомих методів, зокрема PEC, PEA, TREX та ZNE зі згортанням вентилів, а також постселекцію для відфільтровування немарковських помилок.

Серпень 2026

• Цього місяця вийшов перший випуск Qiskit Fermions! Цей пакет надає інструменти для роботи з ферміонними системами, зокрема для побудови ферміонних операторів і схем, реалізації кодувань ферміонів у кубіти та синтезу схем через інтеграцію з транспілятором Qiskit. Qiskit Fermions можна використовувати разом з іншими взаємодоповнювальними інструментами екосистеми, такими як ffsim (докладніше дивись цю документацію та блог) і аддон SQD, щоб будувати передові робочі процеси для ферміонних систем.

Подивись, як ці інструменти застосовуються на практиці, у туторіалі Алгоритм SqDRIFT для оцінювання основного стану та в такому посібнику: Побудова схем сталої глибини для симуляції динаміки 1- та 2-вимірної моделі Фермі-Габбарда. Щоб розпочати, ознайомся з блогом та документацією.

Червень 2026

• Представляємо Qiskit Paulice: новий аддон, який інтегрує виявлення квантових помилок з низькими накладними витратами у квантові схеми, щоб підвищити точність виміряних розподілів. Він надає доступ на рівні окремих запусків (single-shot) до квантового стану, тому може використовуватися як у робочих процесах на основі семплінгу, так і у робочих процесах на основі очікуваного значення. Ознайомся з блогом та документацією, щоб дізнатися, як почати вже сьогодні.

Попередні оновлення

• Ми нещодавно випустили два нові аддони, які використовують класичні ресурси для зменшення квантових ресурсів, потрібних для пом'якшення помилок:

  • Propagated noise absorption (PNA) — це метод пом'якшення помилок в очікуваних значеннях: обернені до навчених каналів шуму операції поглинаються у спостережувані за допомогою поширення Паулі.

  • Аддон Shaded lightcones (SLC) використовує класичні симуляції для більш точного обмеження чутливості до помилок протягом усієї схеми. Це дозволяє більш ефективно й цілеспрямовано застосовувати Probabilistic Error Cancellation (PEC) зі зменшеною дисперсією.