Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Técnicas de mitigación de errores en IonQ Aria

La mitigación de errores implica ejecutar varios circuitos físicos y combinar sus mediciones para obtener un resultado mejorado. La IonQ Aria El dispositivo cuenta con un método de mitigación de errores llamado debiasing.

El debiasing mapea un circuito en múltiples variantes que actúan sobre diferentes permutaciones de qubits o con diferentes descomposiciones de compuertas. Esto reduce el efecto de los errores sistemáticos, como las sobrerotaciones de las compuertas o un solo qubit defectuoso, al utilizar diferentes implementaciones de un circuito que, de otro modo, podrían sesgar los resultados de las mediciones. Esto supone una sobrecarga adicional para calibrar varios cúbits y compuertas.

Para obtener más información sobre la depuración, consulte Mejorar el rendimiento de los ordenadores cuánticos mediante la simetrización.

Puede ejecutar una tarea cuántica con el debiasing en un IoQ Aria dispositivo con el siguiente código:

from braket.aws import AwsDevice
from braket.circuits import Circuit
from braket.error_mitigation import Debias

device = AwsDevice("arn:aws:braket:us-east-1::device/qpu/ionq/Aria-1")
circuit = Circuit().h(0).cnot(0, 1)

task = device.run(circuit, shots=2500, device_parameters={"errorMitigation": Debias()})

result = task.result()
print(result.measurement_counts)
>>> {"00": 1245, "01": 5, "10": 10 "11": 1240} # result from debiasing

Cuando se complete la tarea cuántica, podrá ver las probabilidades de medición y cualquier tipo de resultado de la tarea cuántica. Las probabilidades de medición y los recuentos de todas las variantes se agregan en una única distribución. Todos los tipos de resultados especificados en el circuito, como los valores esperados, se calculan utilizando los recuentos de medidas agregados.

Definición

También puede acceder a las probabilidades de medición calculadas con una estrategia de posprocesamiento diferente denominada nitidez. La nitidez compara los resultados de cada variante y descarta los disparos inconsistentes, lo que favorece el resultado de medición más probable en todas las variantes. Para obtener más información, consulte Mejorar el rendimiento de los ordenadores cuánticos mediante la simetrización.

Es importante destacar que la nitidez asume que la forma de la distribución de salida es dispersa, con pocos estados de alta probabilidad y muchos estados de probabilidad cero. Si esta suposición no es válida, puede distorsionar la distribución de probabilidad.

Puede acceder a las probabilidades desde una distribución más nítida en el additional_metadata campo de GateModelTaskResult Braket Python. SDK Tenga en cuenta que la precisión no devuelve los recuentos de medición, sino que devuelve una distribución de probabilidad renomalizada. El siguiente fragmento de código muestra cómo acceder a la distribución después de aplicar el enfoque.

print(result.additional_metadata.ionqMetadata.sharpenedProbabilities)
>>> {"00": 0.51, "11": 0.549} # sharpened probabilities