Mitigazione degli errori con reti tensoriali (TEM): una Qiskit Function di Algorithmiq

Nota

Le Qiskit Functions sono una funzionalità sperimentale disponibile solo per gli utenti del piano IBM Quantum® Premium, del piano Flex e del piano On-Prem (tramite IBM Quantum Platform API). Sono in stato di anteprima e soggette a modifiche.

Versioni dei pacchetti

Il codice in questa pagina è stato sviluppato con i seguenti requisiti. Si consiglia di usare queste versioni o versioni più recenti.

qiskit[all]~=2.3.0
qiskit-ibm-catalog~=0.11.0

Panoramica

Il metodo TEM (Tensor-network Error Mitigation) di Algorithmiq è un algoritmo ibrido quantistico-classico progettato per eseguire la mitigazione del rumore interamente nella fase di post-elaborazione classica. Con TEM, puoi calcolare i valori attesi degli osservabili mitigando gli inevitabili errori indotti dal rumore che si verificano sull'hardware quantistico, con maggiore precisione ed efficienza dei costi: un'opzione molto attraente sia per i ricercatori nel campo quantistico sia per i professionisti del settore industriale.

Il metodo consiste nel costruire una rete tensoriale che rappresenta l'inverso del canale di rumore globale che agisce sullo stato del processore quantistico, per poi applicare la mappa agli esiti di misurazione informativamente completi acquisiti dallo stato rumoroso, ottenendo stimatori non distorti per gli osservabili.

Come vantaggio, TEM sfrutta misurazioni informativamente complete per dare accesso a un vasto insieme di valori attesi mitigati degli osservabili e ha un overhead di campionamento ottimale sull'hardware quantistico, come descritto in Filippov et al. (2023), arXiv:2307.11740, e Filippov et al. (2024), arXiv:2403.13542. L'overhead di misurazione si riferisce al numero di misurazioni aggiuntive necessarie per eseguire una mitigazione degli errori efficiente, un fattore critico per la fattibilità dei calcoli quantistici. Pertanto, TEM ha il potenziale per abilitare il vantaggio quantistico in scenari complessi, come applicazioni nei campi del caos quantistico, della fisica a molti corpi, della dinamica di Hubbard e delle simulazioni di chimica di piccole molecole.

Le principali caratteristiche e i vantaggi di TEM possono essere riassunti come segue:

1. Overhead di misurazione ottimale: TEM è ottimale rispetto ai limiti teorici, nel senso che nessun metodo può raggiungere un overhead di misurazione inferiore. In altre parole, TEM richiede il numero minimo di misurazioni aggiuntive per eseguire la mitigazione degli errori. Questo significa che TEM utilizza il tempo di esecuzione quantistica minimo.
2. Convenienza economica: poiché TEM gestisce la mitigazione del rumore interamente nella fase di post-elaborazione, non è necessario aggiungere circuiti extra al computer quantistico. Ciò non solo rende il calcolo meno costoso, ma riduce anche il rischio di introdurre errori aggiuntivi dovuti alle imperfezioni dei dispositivi quantistici.
3. Stima di osservabili multipli: grazie alle misurazioni informativamente complete, TEM stima in modo efficiente più osservabili con gli stessi dati di misurazione del computer quantistico.
4. Mitigazione degli errori di lettura: la Qiskit Function TEM include anche un metodo proprietario di mitigazione degli errori di lettura in grado di ridurre significativamente gli errori di readout dopo una breve sessione di calibrazione.
5. Precisione: TEM migliora significativamente la precisione e l'affidabilità delle simulazioni quantistiche digitali, rendendo gli algoritmi quantistici più accurati e affidabili.

Descrizione

La funzione TEM ti permette di ottenere valori attesi con mitigazione degli errori per più osservabili su un circuito quantistico con un overhead di campionamento minimo. Il circuito viene misurato con una misura a operatore a valore positivo informativamente completa (IC-POVM), e gli esiti di misurazione raccolti vengono elaborati su un computer classico. Questa misurazione viene utilizzata per applicare i metodi di reti tensoriali e costruire una mappa di inversione del rumore. La funzione applica una mappa che inverte completamente l'intero circuito rumoroso usando reti tensoriali per rappresentare i layer rumorosi.

Una volta inviati i circuiti alla funzione, questi vengono traspilati e ottimizzati per minimizzare il numero di layer con gate a due qubit (i gate più rumorosi sui dispositivi quantistici). Il rumore che agisce sui layer viene appreso tramite Qiskit Runtime usando un modello di rumore sparse Pauli-Lindblad come descritto in E. van den Berg, Z. Minev, A. Kandala, K. Temme, Nat. Phys. (2023). arXiv:2201.09866.

Il modello di rumore è una descrizione accurata del rumore sul dispositivo, in grado di catturare caratteristiche sottili, tra cui il crosstalk tra qubit. Tuttavia, il rumore sui dispositivi può fluttuare e derivare, e il rumore appreso potrebbe non essere preciso nel momento in cui viene eseguita la stima. Questo potrebbe portare a risultati imprecisi.

Inizia

Autenticati usando la tua chiave API di IBM Quantum Platform, e seleziona la funzione TEM come segue. (Questo frammento presuppone che tu abbia già salvato il tuo account nell'ambiente locale.)

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

from qiskit_ibm_catalog import QiskitFunctionsCatalog

tem_function_name = "algorithmiq/tem"

catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

# Load your function
tem = catalog.load(tem_function_name)

Esempio

Il seguente frammento mostra un esempio in cui TEM viene utilizzato per calcolare i valori attesi di un osservabile dato un semplice circuito quantistico.

from qiskit import QuantumCircuit
from qiskit.quantum_info import SparsePauliOp

# Create a quantum circuit
qc = QuantumCircuit(3)
qc.u(0.4, 0.9, -0.3, 0)
qc.u(-0.4, 0.2, 1.3, 1)
qc.u(-1.2, -1.2, 0.3, 2)
for _ in range(2):
    qc.barrier()
    qc.cx(0, 1)
    qc.cx(2, 1)
    qc.barrier()
    qc.u(0.4, 0.9, -0.3, 0)
    qc.u(-0.4, 0.2, 1.3, 1)
    qc.u(-1.2, -1.2, 0.3, 2)

# Define the observables
observable = SparsePauliOp("IYX", 1.0)

# Define the execution options
pub = (qc, [observable])
options = {"default_precision": 0.02}

# Define backend to use. TEM will choose the least-busy device reported by IBM if not specified
backend_name = "ibm_torino"

job = tem.run(pubs=[pub], backend_name=backend_name, options=options)

Usa le API di Qiskit Serverless per controllare lo stato del tuo workload Qiskit Function:

print(job.status())

QUEUED

Puoi ottenere i risultati nel modo seguente:

result = job.result()
evs = result[0].data.evs

info

Il valore atteso per il circuito senza rumore per l'operatore dato dovrebbe essere circa 0.18409094298943401.

Input

Parametri

Nome	Tipo	Descrizione	Obbligatorio	Predefinito	Esempio
pubs	Iterable[EstimatorPubLike]	Un iterabile di oggetti simili a PUB (primitive unified bloc), come tuple (circuit, observables) o (circuit, observables, parameters, precision). Vedi Panoramica dei PUB per ulteriori informazioni. Se viene passato un circuito non-ISA, verrà traspilato con impostazioni ottimali. Se viene passato un circuito ISA, non verrà traspilato; in questo caso, l'osservabile deve essere definito sull'intero QPU.	Sì	N/A	(circuit, observables)
backend_name	str	Nome del backend su cui eseguire la query.	No	Se non fornito, verrà utilizzato il backend meno occupato.	"ibm_fez"
options	dict	Opzioni di input. Vedi la sezione Options per maggiori dettagli.	No	Vedi la sezione Options per i valori predefiniti.	{"max_bond_dimension": 100\}

attenzione

TEM presenta attualmente le seguenti limitazioni:

• I circuiti parametrizzati non sono supportati. L'argomento parameters deve essere impostato su None se la precisione è specificata. Questa limitazione verrà rimossa nelle versioni future.
• Sono supportati solo circuiti senza cicli. Questa limitazione verrà rimossa nelle versioni future.
• I gate non unitari, come reset, measure e tutte le forme di control flow, non sono supportati. Il supporto per reset verrà aggiunto nelle prossime versioni.

Opzioni

Un dizionario contenente le opzioni avanzate per TEM. Il dizionario può contenere le chiavi indicate nella tabella seguente. Se alcune opzioni non vengono fornite, verrà usato il valore predefinito indicato nella tabella. I valori predefiniti sono adatti all'uso tipico di TEM.

Nome	Valori	Descrizione	Predefinito
tem_max_bond_dimension	int	La dimensione massima del bond da usare per le reti tensoriali.	500
tem_compression_cutoff	float	Il valore di cutoff da usare per le reti tensoriali.	1e-16
compute_shadows_bias_from_observable	bool	Un flag booleano che indica se il bias per il protocollo di misurazione a classical shadows deve essere adattato all'osservabile del PUB oppure no. Se False, verrà usato il protocollo classical shadows standard (uguale probabilità di misurare Z, X, Y).	False
shadows_bias	np.ndarray	Il bias da usare per il protocollo di misurazione a classical shadows randomizzato, un array 1d o 2d di dimensione 3 o forma (num_qubits, 3) rispettivamente. L'ordine è ZXY.	np.array([1 / 3, 1 / 3, 1 / 3])
max_execution_time	int o None	Il tempo massimo di esecuzione sul QPU in secondi. Se il tempo di esecuzione supera questo valore, il job verrà annullato. Se None, si applica un limite predefinito impostato da Qiskit Runtime.	None
num_randomizations	int	Il numero di randomizzazioni da usare per l'apprendimento del rumore e il gate twirling.	32
max_layers_to_learn	int	Il numero massimo di layer unici da apprendere.	4
mitigate_readout_error	bool	Un flag booleano che indica se eseguire o meno la mitigazione degli errori di readout.	True
num_readout_calibration_shots	int	Il numero di shot da usare per la mitigazione degli errori di readout.	10000
default_precision	float	La precisione predefinita da usare per i PUB per i quali la precisione non è specificata.	0.02
seed	int o None	Imposta il seed del generatore di numeri casuali per la riproducibilità. Se None, il seed non viene impostato.	None

Output

Un PrimitiveResults di Qiskit contenente il risultato mitigato da TEM. Il risultato per ciascun PUB viene restituito come PubResult contenente i seguenti campi:

Nome	Tipo	Descrizione
data	DataBin	Un DataBin di Qiskit contenente l'osservabile mitigato da TEM e il suo errore standard. Il DataBin ha i seguenti campi: evs: il valore dell'osservabile mitigato da TEM. stds: l'errore standard dell'osservabile mitigato da TEM.
metadata	dict	Un dizionario contenente risultati aggiuntivi. Il dizionario contiene le seguenti chiavi: "evs_non_mitigated": il valore dell'osservabile senza mitigazione degli errori. "stds_non_mitigated": l'errore standard del risultato senza mitigazione degli errori. "evs_mitigated_no_readout_mitigation": il valore dell'osservabile con mitigazione degli errori ma senza mitigazione degli errori di readout. "stds_mitigated_no_readout_mitigation": l'errore standard del risultato con mitigazione degli errori ma senza mitigazione degli errori di readout. "evs_non_mitigated_with_readout_mitigation": il valore dell'osservabile senza mitigazione degli errori ma con mitigazione degli errori di readout. "stds_non_mitigated_with_readout_mitigation": l'errore standard del risultato senza mitigazione degli errori ma con mitigazione degli errori di readout.

Recupero dei messaggi di errore

Se lo stato del tuo workload è ERROR, usa job.result() per recuperare il messaggio di errore nel modo seguente:

print(job.result())

PrimitiveResult([PubResult(data=DataBin(evs=np.ndarray(<shape=(1,), dtype=float64>), stds=np.ndarray(<shape=(1,), dtype=float64>)), metadata={'evs_non_mitigated': array([-0.06314623]), 'stds_non_mitigated': array([0.05917147]), 'evs_mitigated_no_readout_mitigation': array([-0.06411205]), 'stds_mitigated_no_readout_mitigation': array([0.05992467]), 'evs_non_mitigated_with_readout_mitigation': array([-0.07028881]), 'stds_non_mitigated_with_readout_mitigation': array([0.06353934])})], metadata={'resource_usage': {'RUNNING: OPTIMIZING_FOR_HARDWARE': {'CPU_TIME': 0.915754}, 'RUNNING: WAITING_FOR_QPU': {'CPU_TIME': 18.804865}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 10.433445}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 159.0}}})

Supporto

Contatta qiskit_ibm@algorithmiq.fi

Assicurati di includere le seguenti informazioni:

• ID del job della Qiskit Function (qiskit-ibm-catalog), job.job_id
• Una descrizione dettagliata del problema
• Eventuali messaggi o codici di errore pertinenti
• I passaggi per riprodurre il problema

Passi successivi

Raccomandazioni

• Richiedi l'accesso alla mitigazione degli errori con reti tensoriali di Algorithmiq
• Consulta Filippov, S., et al. (2023). Scalable tensor-network error mitigation for near-term quantum computing. arXiv preprint arXiv:2307.11740.
• Consulta Filippov, S., et al. (2024). Scalability of quantum error mitigation techniques: from utility to advantage. arXiv preprint arXiv:2403.13542.
• Consulta Fischer, E. F., et al. (2024). Dynamical simulations of many-body quantum chaos on a quantum computer. arXiv preprint arXiv:2411.00765.