Gate Cutting per Ridurre la Larghezza del Circuit

In questo notebook, seguiremo i passi di un pattern Qiskit utilizzando il circuit cutting per ridurre il numero di Qubit in un Circuit. Taglieremo i Gate per poter ricostruire il valore di aspettazione di un Circuit a quattro Qubit usando solo esperimenti a due Qubit.

Questi sono i passi che seguiremo:

• Passo 1: Mappa il problema su circuit quantistici e operatori:
  • Mappa l'hamiltoniano su un Circuit quantistico.
• Passo 2: Ottimizza per l'hardware di destinazione [Utilizza il cutting addon]:
  • Taglia il Circuit e l'osservabile.
  • Esegui il transpile dei sottoesperimenti per l'hardware.
• Passo 3: Esegui sull'hardware di destinazione:
  • Esegui i sottoesperimenti ottenuti nel Passo 2 usando la primitiva Sampler.
• Passo 4: Post-elabora i risultati [Utilizza il cutting addon]:
  • Combina i risultati del Passo 3 per ricostruire il valore di aspettazione dell'osservabile in questione.

Passo 1: Mappa

Crea un Circuit da tagliare

# Added by doQumentation — required packages for this notebook
!pip install -q numpy qiskit qiskit-addon-cutting qiskit-aer qiskit-ibm-runtime

from qiskit.circuit.library import efficient_su2

qc = efficient_su2(4, entanglement="linear", reps=2)
qc.assign_parameters([0.4] * len(qc.parameters), inplace=True)

qc.draw("mpl", scale=0.8)

Specifica un osservabile

from qiskit.quantum_info import SparsePauliOp

observable = SparsePauliOp(["ZZII", "IZZI", "-IIZZ", "XIXI", "ZIZZ", "IXIX"])

Passo 2: Ottimizza

Separa il Circuit e l'osservabile secondo una partizione di Qubit specificata

Ogni etichetta in partition_labels corrisponde al Qubit del circuit con lo stesso indice. I Qubit che condividono un'etichetta di partizione comune verranno raggruppati insieme, e i Gate non locali che si estendono su più di una partizione verranno tagliati.

Nota: L'argomento observables di partition_problem è di tipo PauliList. I coefficienti e le fasi dei termini dell'osservabile vengono ignorati durante la decomposizione del problema e l'esecuzione dei sottoesperimenti. Possono essere riapplicati durante la ricostruzione del valore di aspettazione.

from qiskit_addon_cutting import partition_problem

partitioned_problem = partition_problem(
    circuit=qc, partition_labels="AABB", observables=observable.paulis
)
subcircuits = partitioned_problem.subcircuits
subobservables = partitioned_problem.subobservables
bases = partitioned_problem.bases

Visualizza il problema decomposto

subobservables

{'A': PauliList(['II', 'ZI', 'ZZ', 'XI', 'ZZ', 'IX']),
 'B': PauliList(['ZZ', 'IZ', 'II', 'XI', 'ZI', 'IX'])}

subcircuits["A"].draw("mpl", scale=0.8)

subcircuits["B"].draw("mpl", scale=0.8)

Calcola l'overhead di campionamento per i tagli scelti

Qui tagliamo due Gate CNOT, risultando in un overhead di campionamento di $9^2$.

Per ulteriori informazioni sull'overhead di campionamento derivante dal circuit cutting, consulta il materiale esplicativo.

import numpy as np

print(f"Sampling overhead: {np.prod([basis.overhead for basis in bases])}")

Sampling overhead: 81.0

Genera i sottoesperimenti da eseguire sul Backend

generate_cutting_experiments accetta gli argomenti circuits/observables come dizionari che mappano le etichette di partizione dei Qubit ai rispettivi subcircuit/subobservables.

Per simulare il valore di aspettazione del Circuit di dimensione completa, molti sottoesperimenti vengono generati dalla distribuzione di quasiprobabilità congiunta dei Gate decomposti e poi eseguiti su uno o più Backend. Il numero di campioni prelevati dalla distribuzione è controllato da num_samples, e per ogni campione univoco viene fornito un coefficiente combinato. Per ulteriori informazioni su come vengono calcolati i coefficienti, consulta il materiale esplicativo.

from qiskit_addon_cutting import generate_cutting_experiments

subexperiments, coefficients = generate_cutting_experiments(
    circuits=subcircuits, observables=subobservables, num_samples=np.inf
)

Scegli un Backend

Qui utilizziamo un Backend fittizio, che farà sì che Qiskit Runtime venga eseguito in modalità locale (ovvero su un simulatore locale).

from qiskit_ibm_runtime.fake_provider import FakeManilaV2

backend = FakeManilaV2()

Prepara i sottoesperimenti per il Backend

Dobbiamo eseguire il transpile dei Circuit con il nostro Backend come destinazione prima di inviarli a Qiskit Runtime.

from qiskit.transpiler import generate_preset_pass_manager

# Transpile the subexperiments to ISA circuits
pass_manager = generate_preset_pass_manager(optimization_level=1, backend=backend)
isa_subexperiments = {
    label: pass_manager.run(partition_subexpts)
    for label, partition_subexpts in subexperiments.items()
}

Passo 3: Esegui

Esegui i sottoesperimenti usando la primitiva Sampler di Qiskit Runtime

from qiskit_ibm_runtime import SamplerV2, Batch

# Submit each partition's subexperiments to the Qiskit Runtime Sampler
# primitive, in a single batch so that the jobs will run back-to-back.
with Batch(backend=backend) as batch:
    sampler = SamplerV2(mode=batch)
    jobs = {
        label: sampler.run(subsystem_subexpts, shots=2**12)
        for label, subsystem_subexpts in isa_subexperiments.items()
    }

/home/garrison/Qiskit/qiskit-ibm-runtime/qiskit_ibm_runtime/session.py:157: UserWarning: Session is not supported in local testing mode or when using a simulator.
  warnings.warn(

# Retrieve results
results = {label: job.result() for label, job in jobs.items()}

Passo 4: Post-elabora

Ricostruisci il valore di aspettazione

Ricostruisci i valori di aspettazione per ogni termine dell'osservabile e combinali per ricostruire il valore di aspettazione dell'osservabile originale.

from qiskit_addon_cutting import reconstruct_expectation_values

# Get expectation values for each observable term
reconstructed_expval_terms = reconstruct_expectation_values(
    results,
    coefficients,
    subobservables,
)

# Reconstruct final expectation value
reconstructed_expval = np.dot(reconstructed_expval_terms, observable.coeffs)

Confronta il valore di aspettazione ricostruito con il valore di aspettazione esatto del Circuit e dell'osservabile originali

from qiskit_aer.primitives import EstimatorV2

estimator = EstimatorV2()
exact_expval = estimator.run([(qc, observable)]).result()[0].data.evs
print(f"Reconstructed expectation value: {np.real(np.round(reconstructed_expval, 8))}")
print(f"Exact expectation value: {np.round(exact_expval, 8)}")
print(f"Error in estimation: {np.real(np.round(reconstructed_expval-exact_expval, 8))}")
print(
    f"Relative error in estimation: {np.real(np.round((reconstructed_expval-exact_expval) / exact_expval, 8))}"
)

Reconstructed expectation value: 0.6991539
Exact expectation value: 0.56254612
Error in estimation: 0.13660778
Relative error in estimation: 0.24283836