Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Techniques d'atténuation des erreurs sur IonQ Aria

L'atténuation des erreurs implique l'exécution de plusieurs circuits physiques et la combinaison de leurs mesures pour obtenir un meilleur résultat. Le IonQ Aria l'appareil dispose d'une méthode d'atténuation des erreurs appelée debiasing.

Le débiaisage permet de cartographier un circuit en plusieurs variantes qui agissent sur différentes permutations de qubits ou avec différentes décompositions de portes. Cela réduit l'effet des erreurs systématiques telles que les surrotations des portes ou un seul qubit défectueux en utilisant différentes implémentations d'un circuit qui pourraient autrement biaiser les résultats de mesure. Cela se fait au détriment des frais supplémentaires liés au calibrage de plusieurs qubits et portes.

Pour plus d'informations sur le débiais, voir Améliorer les performances des ordinateurs quantiques grâce à la symétrisation.

Vous pouvez exécuter une tâche quantique avec débiaisage sur un IoQ Aria appareil utilisant le code suivant :

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

Lorsque la tâche quantique est terminée, vous pouvez voir les probabilités de mesure et tous les types de résultats de la tâche quantique. Les probabilités de mesure et les dénombrements de toutes les variantes sont agrégés en une seule distribution. Tous les types de résultats spécifiés dans le circuit, tels que les valeurs attendues, sont calculés à l'aide des nombres de mesures agrégés.

Netteté

Vous pouvez également accéder aux probabilités de mesure calculées à l'aide d'une autre stratégie de post-traitement appelée affûtage. La netteté compare les résultats de chaque variante et élimine les prises de vue incohérentes, privilégiant ainsi le résultat de mesure le plus probable pour toutes les variantes. Pour plus d'informations, voir Améliorer les performances des ordinateurs quantiques grâce à la symétrisation.

Il est important de noter que l'affinement suppose que la forme de la distribution de sortie est clairsemée, avec peu d'états à probabilité élevée et de nombreux états à probabilité nulle. Cela peut fausser la distribution de probabilité si cette hypothèse n'est pas valide.

Vous pouvez accéder aux probabilités à partir d'une distribution affinée dans le additional_metadata champ du GateModelTaskResult Braket Python. SDK Notez que l'affûtage ne renvoie pas le nombre de mesures, mais renvoie une distribution de probabilité normalisée à nouveau. L'extrait de code suivant montre comment accéder à la distribution après l'affinage.

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