バックエンドと実行¶

シミュレーションモード¶

1つのシミュレータに2つの実行モードがあります:

tensornet （デフォルト）: opt_einsum によるテンソルネットワーク縮約。要求されない限り全状態ベクトルを実体化しないため、幅が広く浅い回路では密シミュレーションよりはるかにスケールします。
statevector: 密な状態ベクトルの時間発展。

Circuit(20).h[:].run()                      # tensornet (デフォルト)
Circuit(20).h[:].run(backend='statevector') # 密
Circuit(20).h[:].run(mode='statevector')    # 同上

両モードは数値的に一致し、どちらもautogradのグラフを保持します。

返り値¶

c = Circuit(2).h[0].cx[0, 1]

c.run()                                   # 状態ベクトル (torch.Tensor)
c.statevector()                           # 同上 (明示)
c.m[:].run(shots=100)                     # ビット列のCounter
c.shots(100)                              # 同上 (明示)
c.run(amplitude='11')                     # 単一の確率振幅
c.m[:].oneshot()                          # (収縮後の状態, 1つの測定結果)
c.expect(hamiltonian)                     # <psi|H|psi>
c.probs([1])                              # 周辺確率

大規模回路¶

密な状態は 2**n 要素あります。 tensornet モードで28量子ビットを超える回路は、全ベクトルの代わりに shots= か returns='amplitude' を指定してください:

Circuit(50).h[:].run(shots=3)
Circuit(50).h[:].run(returns='amplitude', amplitude='0' * 50)

サンプリングは逆CDF探索を使っており、カテゴリ数の上限はありません。

中間測定とリセット¶

reset とキー付き測定は「いつ収縮が起きるか」に結果が依存するため、そのような回路は自動的にショットごとの量子軌道シミュレーションとして実行され、各 measure / reset でその場で収縮します:

Circuit(2).h[0].cx[0, 1].reset[0].m[:].run(shots=100)

Circuit().x[0].m(key='a')[0].run(shots=3, returns='samples')
# [{'a': [1]}, {'a': [1]}, {'a': [1]}]

カスタム初期状態¶

import torch
psi0 = torch.tensor([0, 1, 0, 0], dtype=torch.complex128)
Circuit(2).h[0].run(initial=psi0)

その他の組み込みバックエンド¶

'draw' – matplotlibによる回路図。
'draw_tn' – 回路のテンソルネットワークグラフ。
'eo' – Exchange-Onlyトランスパイラ (Exchange-Onlyスピン量子ビット参照)。
'cloud' – クラウド送信 (クラウドアクセス参照)。
'1q_compaction' / '2q_decomposition' – 1量子ビットゲートの統合 / 2量子ビットゲートの基底変換を行うトランスパイラ。

独自バックエンドの登録¶

from blueqat import register_backend, Backend

class MyBackend(Backend):
    def run(self, gates, n_qubits, *args, **kwargs):
        ...

register_backend('mybackend', MyBackend)
Circuit(2).h[0].run(backend='mybackend')
Circuit(2).h[0].run_with_mybackend()      # 同等