Lista de tipos de resultados - Amazon Braket

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Lista de tipos de resultados

O Amazon Braket pode retornar diferentes tipos de resultados quando um circuito é medido usando. ResultType Um circuito pode retornar os seguintes tipos de resultados.

  • AdjointGradientretorna o gradiente (derivada vetorial) do valor esperado de um observável fornecido. Esse observável está agindo em um alvo fornecido em relação aos parâmetros especificados usando o método de diferenciação adjunta. Você só pode usar esse método quando tiros = 0.

  • Amplituderetorna a amplitude dos estados quânticos especificados na função de onda de saída. Ele está disponível no SV1 e somente simuladores locais.

  • Expectationretorna o valor esperado de um determinado observável, que pode ser especificado com a Observable classe apresentada posteriormente neste capítulo. O alvo qubits usado para medir o observável deve ser especificado e o número de alvos especificados deve ser igual ao número de qubits sobre o qual o observável atua. Se nenhum alvo for especificado, o observável deve operar somente em 1 qubit e é aplicado a todos qubits em paralelo.

  • Probabilityretorna as probabilidades de medir estados de base computacional. Se nenhuma meta for especificada, Probability retorna a probabilidade de medir todos os estados básicos. Se os alvos forem especificados, somente as probabilidades marginais dos vetores de base no especificado qubits são devolvidos.

  • Reduced density matrixretorna uma matriz de densidade para um subsistema do alvo especificado qubits de um sistema de qubits. Para limitar o tamanho desse tipo de resultado, Braket limita o número de alvos qubits até um máximo de 8.

  • StateVectorretorna o vetor de estado completo. Ele está disponível no simulador local.

  • Sampleretorna as contagens de medição de um alvo especificado qubit definido e observável. Se nenhum alvo for especificado, o observável deve operar somente em 1 qubit e é aplicado a todos qubits em paralelo. Se os alvos forem especificados, o número de alvos especificados deverá ser igual ao número de qubits sobre o qual o observável atua.

  • Varianceretorna a variância (mean([x-mean(x)]2)) do alvo especificado qubit definido e observável como o tipo de resultado solicitado. Se nenhum alvo for especificado, o observável deve operar somente em 1 qubit e é aplicado a todos qubits em paralelo. Caso contrário, o número de alvos especificados deve ser igual ao número de qubits ao qual o observável pode ser aplicado.

Os tipos de resultados suportados para diferentes dispositivos:

Sim local

SV1

DM1

TN1

Rigetti

IonQ

IQM

Gradiente adjunto

N

S

N

N

N

N

N

Amplitude

S

S

N

N

N

N

N

Expectativa

S

S

S

S

S

S

S

Probabilidade

S

S

S

N

Y*

S

S

Matriz de densidade reduzida

S

N

S

N

N

N

N

Vetor de estado

S

N

N

N

N

N

N

Amostra

S

S

S

S

S

S

S

Variação

S

S

S

S

S

S

S
nota

* Rigetti suporta apenas tipos de resultados de probabilidade de até 40 qubits.

Você pode verificar os tipos de resultados suportados examinando as propriedades do dispositivo, conforme mostrado no exemplo a seguir.

device = AwsDevice("arn:aws:braket:us-west-1::device/qpu/rigetti/Ankaa-2")

# print the result types supported by this device
for iter in device.properties.action['braket.ir.openqasm.program'].supportedResultTypes:
    print(iter)
name='Sample' observables=['x', 'y', 'z', 'h', 'i'] minShots=10 maxShots=50000
name='Expectation' observables=['x', 'y', 'z', 'h', 'i'] minShots=10 maxShots=50000
name='Variance' observables=['x', 'y', 'z', 'h', 'i'] minShots=10 maxShots=50000
name='Probability' observables=None minShots=10 maxShots=50000

Para chamar aResultType, anexe-a a um circuito, conforme mostrado no exemplo a seguir.

from braket.circuits import Observable

circ = Circuit().h(0).cnot(0, 1).amplitude(state=["01", "10"])
circ.probability(target=[0, 1])
circ.probability(target=0)
circ.expectation(observable=Observable.Z(), target=0)
circ.sample(observable=Observable.X(), target=0)
circ.state_vector()
circ.variance(observable=Observable.Z(), target=0)

# print one of the result types assigned to the circuit
print(circ.result_types[0])
nota

Alguns dispositivos fornecem medições (por exemplo Rigetti) como resultados e outros fornecem probabilidades como resultados (por exemplo IonQ). O SDK fornece uma propriedade de medição nos resultados, mas para os dispositivos que retornam probabilidades, ela é pós-computada. Assim, dispositivos como os fornecidos pela IonQ tenha resultados de medição determinados pela probabilidade, uma vez que as medições por disparo não são retornadas. Você pode verificar se um resultado foi pós-computado visualizando o measurements_copied_from_device no objeto resultante, conforme mostrado neste arquivo.

Observáveis

Amazon Braket inclui uma Observable classe, que pode ser usada para especificar um observável a ser medido.

Você pode aplicar no máximo uma única não identidade observável a cada qubit. Se você especificar dois ou mais observáveis sem identidade diferentes para o mesmo qubit, você vê um erro. Para tanto, cada fator de um produto tensorial conta como um indivíduo observável, portanto, é permitido ter vários produtos tensoriais atuando sobre o mesmo qubit, desde que o fator que atua sobre isso qubit é o mesmo.

Você também pode escalar um observável e adicionar observáveis (escalonados ou não). Isso cria um Sum que pode ser usado no tipo de AdjointGradient resultado.

A Observable classe inclui os seguintes observáveis.

Observable.I()
Observable.H()
Observable.X()
Observable.Y()
Observable.Z()

# get the eigenvalues of the observable
print("Eigenvalue:", Observable.H().eigenvalues)
# or whether to rotate the basis to be computational basis
print("Basis rotation gates:",Observable.H().basis_rotation_gates)

# get the tensor product of observable for the multi-qubit case
tensor_product = Observable.Y() @ Observable.Z()
# view the matrix form of an observable by using
print("The matrix form of the observable:\n",Observable.Z().to_matrix())
print("The matrix form of the tensor product:\n",tensor_product.to_matrix())

# also factorize an observable in the tensor form
print("Factorize an observable:",tensor_product.factors)

# self-define observables given it is a Hermitian
print("Self-defined Hermitian:",Observable.Hermitian(matrix=np.array([[0, 1],[1, 0]])))

print("Sum of other (scaled) observables:", 2.0 * Observable.X() @ Observable.X() + 4.0 * Observable.Z() @ Observable.Z())
Eigenvalue: [ 1 -1]
Basis rotation gates: (Ry('angle': -0.7853981633974483, 'qubit_count': 1),)
The matrix form of the observable:
 [[ 1.+0.j  0.+0.j]
 [ 0.+0.j -1.+0.j]]
The matrix form of the tensor product:
 [[ 0.+0.j  0.+0.j  0.-1.j  0.-0.j]
 [ 0.+0.j -0.+0.j  0.-0.j  0.+1.j]
 [ 0.+1.j  0.+0.j  0.+0.j  0.+0.j]
 [ 0.+0.j -0.-1.j  0.+0.j -0.+0.j]]
Factorize an observable: (Y('qubit_count': 1), Z('qubit_count': 1))
Self-defined Hermitian: Hermitian('qubit_count': 1, 'matrix': [[0.+0.j 1.+0.j], [1.+0.j 0.+0.j]])
Sum of other (scaled) observables: Sum(TensorProduct(X('qubit_count': 1), X('qubit_count': 1)), TensorProduct(Z('qubit_count': 1), Z('qubit_count': 1)))

Parâmetros

Os circuitos podem incluir parâmetros livres, que você pode usar de forma “construir uma vez - executar várias vezes” e para calcular gradientes. Os parâmetros livres têm um nome codificado por string que você pode usar para especificar seus valores ou determinar se deve ser diferenciado em relação a eles.

from braket.circuits import Circuit, FreeParameter, Observable
theta = FreeParameter("theta")
phi = FreeParameter("phi")
circ = Circuit().h(0).rx(0, phi).ry(0, phi).cnot(0, 1).xx(0, 1, theta)
circ.adjoint_gradient(observable=Observable.Z() @ Observable.Z(), target=[0, 1], parameters = ["phi", theta]

Para os parâmetros que você deseja diferenciar, especifique-os usando seu nome (como uma string) ou por referência direta. Observe que o cálculo do gradiente usando o tipo de AdjointGradient resultado é feito com relação ao valor esperado do observável.

Nota: Se você fixou os valores dos parâmetros livres passando-os como argumentos para o circuito parametrizado, executar um circuito com o tipo de AdjointGradient resultado e os parâmetros especificados produzirá um erro. Isso ocorre porque os parâmetros que estamos usando para diferenciar não estão mais presentes. Veja o exemplo a seguir.

device.run(circ(0.2), shots=0) # will error, as no free parameters will be present
device.run(circ, shots=0, inputs={'phi'=0.2, 'theta'=0.2) # will succeed