Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Teknik mitigasi kesalahan pada IonQ Aria

Mitigasi kesalahan melibatkan menjalankan beberapa sirkuit fisik dan menggabungkan pengukuran mereka untuk memberikan hasil yang lebih baik. Bagian IonQ Aria perangkat memiliki metode mitigasi kesalahan yang disebut debiasing.

Debiasing memetakan rangkaian menjadi beberapa varian yang bekerja pada permutasi qubit yang berbeda atau dengan dekomposisi gerbang yang berbeda. Ini mengurangi efek kesalahan sistematis seperti rotasi berlebih gerbang atau qubit tunggal yang salah dengan menggunakan implementasi sirkuit yang berbeda yang dapat membiaskan hasil pengukuran. Ini datang dengan mengorbankan overhead ekstra untuk mengkalibrasi beberapa qubit dan gerbang.

Untuk informasi lebih lanjut tentang debiasing, lihat Meningkatkan kinerja komputer kuantum melalui simetrisasi.

Anda dapat menjalankan tugas kuantum dengan debiasing pada IoQ Aria perangkat menggunakan kode berikut:

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

Ketika tugas kuantum selesai, Anda dapat melihat probabilitas pengukuran dan jenis hasil apa pun dari tugas kuantum. Probabilitas pengukuran dan hitungan dari semua varian digabungkan menjadi satu distribusi. Setiap jenis hasil yang ditentukan dalam rangkaian, seperti nilai ekspektasi, dihitung menggunakan jumlah pengukuran agregat.

Mengasah

Anda juga dapat mengakses probabilitas pengukuran yang dihitung dengan strategi pasca-pemrosesan yang berbeda yang disebut penajaman. Penajaman membandingkan hasil setiap varian dan membuang bidikan yang tidak konsisten, mendukung hasil pengukuran yang paling mungkin di seluruh varian. Untuk informasi lebih lanjut, lihat Meningkatkan kinerja komputer kuantum melalui simetrisasi.

Yang penting, penajaman mengasumsikan bentuk distribusi keluaran menjadi jarang dengan sedikit keadaan probabilitas tinggi dan banyak keadaan probabilitas nol. Ini dapat mendistorsi distribusi probabilitas jika asumsi ini tidak valid.

Anda dapat mengakses probabilitas dari distribusi yang dipertajam di additional_metadata bidang pada SDK Python GateModelTaskResult Braket. Perhatikan bahwa penajaman tidak mengembalikan jumlah pengukuran, melainkan mengembalikan distribusi probabilitas yang dinormalisasi ulang. Cuplikan kode berikut menunjukkan cara mengakses distribusi setelah penajaman.

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