Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Tecniche di mitigazione degli errori su IonQ dispositivi

La mitigazione degli errori implica l'esecuzione di più circuiti fisici e la combinazione delle relative misurazioni per ottenere un risultato migliore.

Debiasing

IonQi dispositivi dispongono di un metodo di mitigazione degli errori chiamato debiasing.

Debiasing mappa un circuito in più varianti che agiscono su diverse permutazioni di qubit o con diverse decomposizioni dei gate. Ciò riduce l'effetto di errori sistematici come le sovratratazioni delle porte o un singolo qubit difettoso, utilizzando diverse implementazioni di un circuito che altrimenti potrebbero alterare i risultati di misurazione. Ciò comporta costi aggiuntivi per la calibrazione di più qubit e gate.

Per ulteriori informazioni sul debiasing, vedere Miglioramento delle prestazioni dei computer quantistici attraverso la simmetrizzazione.

È possibile eseguire un'operazione quantistica con debiasing su un IonQ dispositivo utilizzando il codice seguente:

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

# choose an IonQ device
device = AwsDevice("arn:aws:braket:us-east-1::device/qpu/ionq/Forte-Enterprise-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

Una volta completata l'operazione quantistica, è possibile visualizzare le probabilità di misurazione e tutti i tipi di risultato dell'operazione quantistica. Le probabilità di misurazione e i conteggi di tutte le varianti vengono aggregati in un'unica distribuzione. Tutti i tipi di risultato specificati nel circuito, ad esempio i valori di aspettativa, vengono calcolati utilizzando i conteggi delle misurazioni aggregate.

Filtro di nitidezza

È inoltre possibile accedere alle probabilità di misurazione calcolate con una diversa strategia di post-elaborazione chiamata nitidezza. La nitidezza confronta i risultati di ciascuna variante ed elimina le immagini incoerenti, favorendo il risultato di misurazione più probabile tra le varianti. Per ulteriori informazioni, vedete Migliorare le prestazioni dei computer quantistici attraverso la simmetrizzazione.

È importante sottolineare che la nitidezza presuppone che la forma della distribuzione di output sia scarsa, con pochi stati ad alta probabilità e molti stati a probabilità zero. Se questa ipotesi non è valida, può distorcere la distribuzione delle probabilità.

Puoi accedere alle probabilità da una distribuzione più nitida nel additional_metadata campo dell'SDK Braket GateModelTaskResult Python. Nota che la nitidezza non restituisce i conteggi delle misurazioni, ma restituisce invece una distribuzione di probabilità rinormalizzata. Il seguente frammento di codice mostra come accedere alla distribuzione dopo la nitidezza.

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