本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
結果類型清單
使用 測量電路時,Amazon Braket 可以傳回不同類型的結果ResultType
。電路可以傳回下列類型的結果。
-
AdjointGradient
傳回所提供可觀察之預期值的梯度 (向量衍生性)。此可觀測值是在提供的目標上使用並行差異化方法,與指定的參數相關。您只能在快照 = 0 時使用此方法。 -
Amplitude
傳回輸出波函數中指定量子狀態的振幅。其可在 上使用 SV1 僅限 和本機模擬器。 -
Expectation
會傳回指定可觀測值的預期值,這可以透過本章稍後介紹的Observable
類別來指定。目標 qubits 必須指定用於測量可觀測的 ,且指定的目標數目必須等於 qubits 可觀測動作的 。如果未指定目標,則可觀測項目只能在 1 上運作 qubit 並套用至所有 qubits 並行。 -
Probability
傳回測量運算基礎狀態的機率。如果未指定目標, 會Probability
傳回測量所有基礎狀態的機率。如果指定了目標,則只有指定 上基礎向量的邊際機率 qubits 會傳回 。 -
Reduced density matrix
傳回指定目標之子系統的密度矩陣 qubits 從 系統 qubits。 若要限制此結果類型的大小,Raket 會限制目標的數量 qubits 最多 8 個。 -
StateVector
會傳回完整的狀態向量。它可在本機模擬器上使用。 -
Sample
傳回指定目標的測量計數 qubit 可設定和觀察。如果未指定目標,則可觀測項目只能在 1 上運作 qubit 並套用至所有 qubits 並行。如果指定了目標,則指定的目標數量必須等於 qubits 可觀測動作的 。 -
Variance
傳回指定目標的變異數 (mean([x-mean(x)]2)
) qubit 會設定 並觀察為請求的結果類型。如果未指定目標,則可觀測項目只能在 1 上運作 qubit 並套用至所有 qubits 並行。否則,指定的目標數量必須等於 qubits 可觀察項目可套用到其中。
不同裝置支援的結果類型:
本機 sim |
SV1 |
DM1 |
TN1 |
Rigetti |
IonQ |
IQM |
|
聯合漸層 |
N |
Y |
N |
N |
N |
N |
N |
Amplitude |
Y |
Y |
N |
N |
N |
N |
N |
期望 |
Y |
Y |
Y |
Y |
Y |
Y |
Y |
Probability (可能性) |
Y |
Y |
Y |
N |
Y* |
Y |
Y |
密度降低矩陣 |
Y |
N |
Y |
N |
N |
N |
N |
狀態向量 |
Y |
N |
N |
N |
N |
N |
N |
樣本 |
Y |
Y |
Y |
Y |
Y |
Y |
Y |
變異數 |
Y |
Y |
Y |
Y |
Y |
Y |
Y |
注意
* Rigetti 僅支援最多 40 的機率結果類型 qubits.
您可以檢查裝置屬性來檢查支援的結果類型,如下列範例所示。
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
若要呼叫 ResultType
,請將其附加至電路,如下列範例所示。
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])
注意
有些裝置提供測量 (例如 Rigetti) 做為結果,其他則提供機率做為結果 (例如 IonQ)。 SDK 提供結果的測量屬性,但對於傳回機率的裝置,則會在計算後進行。因此,類似 提供的裝置 IonQ 具有由機率決定的測量結果,因為不會傳回每個拍攝的測量結果。您可以檢視結果物件measurements_copied_from_device
上的 ,檢查結果是否在後期計算,如此檔案
可觀察項目
Amazon Braket 包含 Observable
類別,可用來指定要測量的可觀測值。
您最多可以將一個可觀測的唯一非身分套用至每個 qubit。 如果您指定兩個或多個不同的非身分可觀測到相同的 qubit,您會看到錯誤。為此,張量產品的每個因素都算作個別可觀測,因此允許在相同 上操作多個張量產品 qubit,前提是作用於 的因素 qubit 是相同的。
您也可以擴展可觀測值,並新增可觀測值 (無論是否擴展)。這會建立Sum
可用於AdjointGradient
結果類型的 。
Observable
類別包含下列可觀測項目。
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)))
參數
電路可能包含免費參數,您可以在「建構一次 - 執行多次」中用來計算梯度。免費參數具有字串編碼名稱,可用來指定其值或判斷是否與其區別。
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]
對於您要區分的參數,請使用其名稱 (做為字串) 或直接參考來指定它們。請注意,使用AdjointGradient
結果類型計算梯度是針對可觀測值的預期值所完成。
注意:如果您已透過將可用參數做為引數傳遞至參數化電路來修正這些值,則以 作為AdjointGradient
結果類型和指定的參數執行電路會產生錯誤。這是因為我們用來區分 的參數已不存在。請參閱以下範例。
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