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。

雑音はどの入口からでも効く¶

noise= （および quasi_static= ・ noise_scale= ）は、どの書き方で実行しても密度行列バックエンドを選びます:

c.run(noise=nm, shots=1000)
c.shots(1000, noise=nm)        # 同じもの
c.probs(noise=nm)              # 密度行列から求めた確率

statevector() と oneshot() はエラーになります。雑音のある状態に状態ベクトルは存在せず、雑音なしの値を返す方がエラーより悪いからです。

回路途中の測定¶

測定は状態を収縮させるので、その量子ビットにその後作用するものは古典ビットを見ます。そういう回路はショットごとの量子軌跡として実行し、測定の位置で収縮させます。報告されるビットは測定が実際に出した値であって、その後のゲートが動かした最終状態から引いた値ではありません。後ろに何も続かない測定は 1パスの高速経路のままです。

再現可能なサンプリング¶

seed= は実行中のすべての乱数（ショットサンプリング、回路途中の collapse、大規模 n のperfect sampling）を固定します。同じ回路・同じシードなら常に同じcountsになります:

c = Circuit(4).h[:]
c.run(shots=200, seed=42) == c.run(shots=200, seed=42)   # True

シードは torch.manual_seed ではなく専用の torch.Generator を駆動するため、回路にシードを与えてもプログラムの他の部分が使う乱数には影響しません。 seed= を渡さなければ、従来通りランダムなままです。

countsからの推定¶

件数の少ないもの同士の比は推定になりません。3万試行で失敗が0件のとき、失敗率は0ではなく「おおよそ 1e-4 より下」です。それを割り算に使うと、0が分子と分母のどちらに来るかで、0になったり意味のない跳ね上がりになったりします。割る前に最低件数を決めて明示してください:

failures = counts.get('1', 0)
if failures < 10:
    rate = None          # 比を取るには事象が足りない
else:
    rate = failures / shots

2つの実行を比べるときも同じです。どちらの率も数件の事象から作られているなら、総ショット数がいくら多くてもその比はほとんど情報を持ちません。

countsのビット順¶

既定ではcountsのキーの左端が最大番号の量子ビットで、 key[-1] が量子ビット0です。クラウドAPI（ qapi.blueqat.app を含む）は逆の並びを使うため、 bit_order='q0_first' を指定すると各自で反転させる代わりにその並びで受け取れます:

Circuit(3).x[0].run(shots=4)                          # Counter({'001': 4})
Circuit(3).x[0].run(shots=4, bit_order='q0_first')    # Counter({'100': 4})

キーはどちらの並びでも必ず n_qubits 桁にゼロ埋めされます。ゼロ埋めがないと、反転した '11' が量子ビット0,1なのか4,5なのか区別できないからです。他所で得た Counter には apply_bit_order() で同じ変換をかけられます。

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