Візуалізація результатів

Версії пакетів

Код на цій сторінці розроблено з використанням наведених нижче залежностей. Ми рекомендуємо використовувати ці або новіші версії.

qiskit[all]~=2.4.0

Побудова гістограми

Функція plot_histogram візуалізує результат вибірки квантової схеми на QPU.

Використання виводу функцій

Ця функція повертає об'єкт matplotlib.Figure. Якщо останній рядок блоку коду виводить такі об'єкти, Jupyter-ноутбуки відображають їх під блоком. Якщо ти викликаєш ці функції в інших середовищах або скриптах, потрібно буде явно показати або зберегти виводи.

Є два варіанти:

• Виклик .show() на поверненому об'єкті для відкриття зображення в новому вікні (якщо налаштований бекенд matplotlib є інтерактивним).
• Виклик .savefig("out.png") для збереження фігури у файл out.png у поточному робочому каталозі. Метод savefig() приймає шлях, тому ти можеш налаштувати місце розташування та ім'я файлу для збереження виводу. Наприклад, plot_state_city(psi).savefig("out.png").

Наприклад, створи двокубітний стан Белла:

# Added by doQumentation — required packages for this notebook
!pip install -q matplotlib numpy qiskit

from qiskit.primitives import StatevectorSampler as Sampler
from qiskit.transpiler import generate_preset_pass_manager

from qiskit.circuit import QuantumCircuit
from qiskit.visualization import plot_histogram

# Quantum circuit to make a Bell state
bell = QuantumCircuit(2)
bell.h(0)
bell.cx(0, 1)
bell.measure_all()

pm = generate_preset_pass_manager(optimization_level=1)
isa_circuit = pm.run(bell)

# execute the quantum circuit
sampler = Sampler()
job = sampler.run([isa_circuit])
result = job.result()

print(result)

PrimitiveResult([SamplerPubResult(data=DataBin(meas=BitArray(<shape=(), num_shots=1024, num_bits=2>)), metadata={'shots': 1024, 'circuit_metadata': {}})], metadata={'version': 2})

plot_histogram(result[0].data.meas.get_counts())

Опції при побудові гістограми

Використовуй наступні опції для plot_histogram, щоб налаштувати вихідний графік.

• legend: надає підпис для виконань. Приймає список рядків для підпису результатів кожного виконання. Це особливо корисно при побудові кількох результатів виконання в одній гістограмі.
• sort: налаштовує порядок стовпців гістограми. Можна встановити в порядку зростання за допомогою asc або порядку спадання за допомогою desc.
• number_to_keep: приймає ціле число для кількості елементів для відображення. Решта групується в один стовпець під назвою «rest».
• color: налаштовує колір стовпців; приймає рядок або список рядків для кольорів стовпців кожного виконання.
• bar_labels: налаштовує відображення підписів над стовпцями.
• figsize: приймає кортеж з розміром вихідної фігури в дюймах.

# Execute two-qubit Bell state again

job = sampler.run([isa_circuit], shots=1000)
second_result = job.result()

# Plot results with custom options
plot_histogram(
    [
        result[0].data.meas.get_counts(),
        second_result[0].data.meas.get_counts(),
    ],
    legend=["first", "second"],
    sort="desc",
    figsize=(15, 12),
    color=["orange", "black"],
    bar_labels=False,
)

Побудова результатів Estimator

Qiskit не має вбудованої функції для побудови результатів Estimator, але для швидкої візуалізації можна використовувати стовпчастий графік bar з Matplotlib.

Для демонстрації наступний блок оцінює математичні сподівання семи різних спостережуваних для квантового стану.

import numpy as np
from qiskit import QuantumCircuit
from qiskit.quantum_info import SparsePauliOp
from qiskit.primitives import StatevectorEstimator as Estimator
from qiskit.transpiler import generate_preset_pass_manager
from matplotlib import pyplot as plt

# Simple estimation experiment to create results
qc = QuantumCircuit(2)
qc.h(0)
qc.crx(1.5, 0, 1)

observables_labels = ["ZZ", "XX", "YZ", "ZY", "XY", "XZ", "ZX"]
observables = [SparsePauliOp(label) for label in observables_labels]

pm = generate_preset_pass_manager(optimization_level=1)
isa_circuit = pm.run(qc)
isa_observables = [
    operator.apply_layout(isa_circuit.layout) for operator in observables
]

# Reshape observable array for broadcasting
reshaped_ops = np.fromiter(isa_observables, dtype=object)
reshaped_ops = reshaped_ops.reshape((7, 1))

estimator = Estimator()
job = estimator.run([(isa_circuit, reshaped_ops)])
result = job.result()[0]
exp_val = job.result()[0].data.evs
print(result)

# Since the result array is structured as a 2D array where each element is a
# list containing a single value, you need to flatten the array.

# Plot using Matplotlib
plt.bar(observables_labels, exp_val.flatten())

PubResult(data=DataBin(evs=np.ndarray(<shape=(7, 1), dtype=float64>), stds=np.ndarray(<shape=(7, 1), dtype=float64>), shape=(7, 1)), metadata={'target_precision': 0.0, 'circuit_metadata': {}})

<BarContainer object of 7 artists>

Наступний блок використовує оцінену стандартну похибку кожного результату та додає їх як стовпці похибок. Переглянь документацію стовпчастого графіка bar для повного опису графіка.

standard_error = job.result()[0].data.stds

_, ax = plt.subplots()
ax.bar(
    observables_labels,
    exp_val.flatten(),
    yerr=standard_error.flatten(),
    capsize=2,
)
ax.set_title("Expectation values (with standard errors)")

Text(0.5, 1.0, 'Expectation values (with standard errors)')