אופטימיזציות טרנספילציה עם SABRE

הערכת שימוש: פחות מדקה אחת על מעבד Heron r2 (הערה: זוהי הערכה בלבד. זמן הריצה שלך עשוי להשתנות.)

רקע

טרנספילציה היא שלב קריטי ב-Qiskit שממיר מעגלים קוונטיים לצורות תואמות לחומרה קוונטית ספציפית. התהליך כולל שני שלבים מרכזיים: פריסת Qubit (מיפוי Qubits לוגיים ל-Qubits פיזיים על המכשיר) וניתוב Gate (הבטחה שפעולות רב-Qubit מכבדות את קישוריות המכשיר על ידי הוספת פעולות SWAP לפי הצורך).

SABRE (אלגוריתם חיפוש היוריסטי דו-כיווני מבוסס SWAP) הוא כלי אופטימיזציה רב-עוצמה לפריסה ולניתוב כאחד. הוא יעיל במיוחד עבור מעגלים בקנה מידה גדול (100+ Qubits) ומכשירים עם מפות חיבור מורכבות, כמו IBM® Heron, שבהם הגידול האקספוננציאלי במיפויי ה-Qubit האפשריים דורש פתרונות יעילים.

מדוע להשתמש ב-SABRE?

SABRE ממזעր את מספר פעולות ה-SWAP ומקצר את עומק המעגל, ובכך משפר את ביצועי המעגל על חומרה אמיתית. הגישה ההיוריסטית שלו הופכת אותו לאידיאלי עבור חומרה מתקדמת ומעגלים גדולים ומורכבים. שיפורים עדכניים שהוצגו באלגוריתם LightSABRE מייעלים עוד יותר את ביצועי SABRE, ומציעים זמני ריצה מהירים יותר ומספר פחות של פעולות SWAP. שיפורים אלו הופכים אותו ליעיל עוד יותר עבור מעגלים בקנה מידה גדול.

מה תלמדו

מדריך זה מחולק לשני חלקים:

1. לימוד שימוש ב-SABRE עם Qiskit patterns לאופטימיזציה מתקדמת של מעגלים גדולים.
2. מינוף qiskit_serverless למיצוי הפוטנציאל של SABRE לטרנספילציה סקלאבילית ויעילה.

תלמדו:

• אופטימיזציה של SABRE למעגלים עם 100+ Qubits, תוך עקיפת הגדרות ברירת המחדל של הטרנספילציה כמו optimization_level=3.
• חקר שיפורי LightSABRE שמשפרים את זמן הריצה ומפחיתים את ספירת ה-Gates.
• התאמה אישית של פרמטרי SABRE מרכזיים (swap_trials, layout_trials, max_iterations, heuristic) לאיזון בין איכות המעגל וזמן הטרנספילציה.

דרישות

לפני תחילת מדריך זה, ודאו שהדברים הבאים מותקנים:

• Qiskit SDK גרסה v1.0 ומעלה, עם תמיכת ויזואליזציה
• Qiskit Runtime גרסה v0.28 ומעלה (pip install qiskit-ibm-runtime)
• Serverless (pip install qiskit-ibm-catalog qiskit_serverless)

הגדרה

# Added by doQumentation — required packages for this notebook
!pip install -q matplotlib numpy qiskit qiskit-ibm-catalog qiskit-ibm-runtime qiskit-serverless

from qiskit import QuantumCircuit
from qiskit.quantum_info import SparsePauliOp
from qiskit_ibm_catalog import QiskitServerless, QiskitFunction
from qiskit_ibm_runtime import QiskitRuntimeService
from qiskit_ibm_runtime import EstimatorOptions
from qiskit_ibm_runtime import EstimatorV2 as Estimator
from qiskit.transpiler import CouplingMap
from qiskit.transpiler.passes import SabreLayout, SabreSwap
from qiskit.transpiler.preset_passmanagers import generate_preset_pass_manager
import matplotlib.pyplot as plt
import numpy as np
import time

חלק א'. שימוש ב-SABRE עם Qiskit patterns

ניתן להשתמש ב-SABRE ב-Qiskit לאופטימיזציה של מעגלים קוונטיים על ידי טיפול בשלבי פריסת ה-Qubit וניתוב ה-Gate כאחד. בחלק זה, נדריך אתכם דרך הדוגמה המינימלית של שימוש ב-SABRE עם Qiskit patterns, תוך התמקדות עיקרית בשלב 2 של האופטימיזציה.

להרצת SABRE, נדרשים:

• ייצוג DAG (גרף אציקלי מכוון) של המעגל הקוונטי שלכם.
• מפת החיבור מה-Backend, המציינת כיצד Qubits מחוברים פיזית.
• מעבר ה-SABRE, המיישם את האלגוריתם לאופטימיזציה הפריסה והניתוב.

לחלק זה, נתמקד במעבר SabreLayout. הוא מבצע ניסויי פריסה וניתוב כאחד, פועל למציאת הפריסה הראשונית היעילה ביותר תוך מזעור מספר פעולות ה-SWAP הנחוצות. חשוב לציין כי SabreLayout, כשלעצמו, מבצע אופטימיזציה פנימית של הפריסה והניתוב גם יחד על ידי שמירת הפתרון שמוסיף את מספר פעולות ה-SWAP הקטן ביותר. שימו לב שכאשר משתמשים רק ב-SabreLayout, לא ניתן לשנות את ההיוריסטיקה של SABRE, אך ניתן להתאים את מספר layout_trials.

שלב 1: מיפוי קלטים קלאסיים לבעיה קוונטית

מעגל GHZ (גרינברגר-הורן-זיילינגר) הוא מעגל קוונטי המכין מצב שזור שבו כל Qubits נמצאים בו-זמנית במצב |0...0⟩ או |1...1⟩. מצב GHZ עבור $n$ Qubits מיוצג מתמטית כ: $|\text{GHZ}\rangle = \frac{1}{\sqrt{2}} \left( |0\rangle^{\otimes n} + |1\rangle^{\otimes n} \right)$

הוא נבנה על ידי יישום:

1. Gate הדמארד על ה-Qubit הראשון ליצירת סופרפוזיציה.
2. סדרה של פעולות CNOT לשזירת ה-Qubits הנותרים עם הראשון.

לדוגמה זו, אנחנו בכוונה בונים מעגל GHZ בטופולוגיית כוכב במקום בטופולוגיה לינארית. בטופולוגיית הכוכב, ה-Qubit הראשון משמש כ"מרכז", וכל שאר ה-Qubits משוזרים ישירות אליו באמצעות פעולות CNOT. בחירה זו היא מכוונת מכיוון שבעוד שמצב GHZ בטופולוגיה לינארית יכול תיאורטית להיות ממומש בעומק $O(N)$ על מפת חיבור לינארית ללא פעולות SWAP כלשהן, SABRE ימצא בצורה טריוויאלית פתרון אופטימלי על ידי מיפוי מעגל GHZ של 100 Qubits לתת-גרף של מפת החיבור heavy-hex של ה-Backend.

מעגל GHZ בטופולוגיית כוכב מציב בעיה מאתגרת משמעותית יותר. למרות שניתן עדיין תיאורטית לבצעו בעומק $O(N)$ ללא פעולות SWAP, מציאת פתרון זה דורשת זיהוי פריסה ראשונית אופטימלית, שהיא הרבה יותר קשה בשל הקישוריות הלא-לינארית של המעגל. טופולוגיה זו משמשת כמקרה בחינה טוב יותר להערכת SABRE, שכן היא ממחישה כיצד פרמטרי הגדרה משפיעים על ביצועי הפריסה והניתוב בתנאים מורכבים יותר.

בייחוד:

• כלי HighLevelSynthesis יכול לייצר את הפתרון האופטימלי בעומק $O(N)$ עבור מעגל GHZ בטופולוגיית כוכב ללא הכנסת פעולות SWAP, כפי שמוצג בתמונה לעיל.
• לחילופין, מעבר StarPrerouting יכול להפחית את העומק עוד יותר על ידי הנחיית החלטות הניתוב של SABRE, אם כי עדיין עשוי להכניס מספר פעולות SWAP. עם זאת, StarPrerouting מגדיל את זמן הריצה ודורש שילוב בתהליך הטרנספילציה הראשוני.

למטרות מדריך זה, אנחנו מוציאים מחוץ לתהליך הן את HighLevelSynthesis והן את StarPrerouting כדי לבודד ולהדגיש את ההשפעה הישירה של הגדרת SABRE על זמן הריצה ועומק המעגל. על ידי מדידת ערך הציפייה $\langle Z_0 Z_i \rangle$ לכל זוג Qubit, אנחנו מנתחים:

• עד כמה SABRE מפחית פעולות SWAP ועומק מעגל.
• את השפעת האופטימיזציות הללו על הנאמנות של המעגל המבוצע, שבה חריגות מ-$\langle Z_0 Z_i \rangle = 1$ מצביעות על אובדן שזירה.!

# set seed for reproducibility
seed = 42
num_qubits = 110

# Create GHZ circuit
qc = QuantumCircuit(num_qubits)
qc.h(0)
for i in range(1, num_qubits):
    qc.cx(0, i)

qc.measure_all()

לאחר מכן, נמפה את האופרטורים הרלוונטיים להערכת התנהגות המערכת. באופן ספציפי, נשתמש באופרטורי ZZ בין Qubits כדי לבחון כיצד השזירה מתדרדרת ככל שה-Qubits מתרחקים זה מזה. ניתוח זה קריטי מכיוון שחוסר דיוק בערכי הציפייה $\langle Z_0 Z_i \rangle$ עבור Qubits מרוחקים יכול לחשוף את ההשפעה של רעש ושגיאות בביצוע המעגל. על ידי חקר חריגות אלו, אנחנו מקבלים תובנה על עד כמה המעגל שומר על שזירה תחת הגדרות SABRE שונות וכמה ביעילות SABRE ממזער את ההשפעה של מגבלות החומרה.

# ZZII...II, ZIZI...II, ... , ZIII...IZ
operator_strings = [
    "Z" + "I" * i + "Z" + "I" * (num_qubits - 2 - i)
    for i in range(num_qubits - 1)
]
print(operator_strings)
print(len(operator_strings))

operators = [SparsePauliOp(operator) for operator in operator_strings]

['ZZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZIII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZII', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZI', 'ZIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIZ']
109

שלב 2: אופטימיזציה של הבעיה לביצוע על חומרה קוונטית

בשלב זה, אנחנו מתמקדים באופטימיזציה של פריסת המעגל לביצוע על מכשיר חומרה קוונטית ספציפי עם 127 Qubits. זהו המוקד העיקרי של המדריך, שבו אנחנו מבצעים אופטימיזציות SABRE וטרנספילציה להשגת ביצועי המעגל הטובים ביותר. באמצעות מעבר SabreLayout, אנחנו קובעים מיפוי Qubit ראשוני שממזער את הצורך בפעולות SWAP במהלך הניתוב. על ידי העברת coupling_map של ה-Backend היעד, SabreLayout מתאים את הפריסה למגבלות הקישוריות של המכשיר.

נשתמש ב-generate_preset_pass_manager עם optimization_level=3 לתהליך הטרנספילציה ונתאים אישית את מעבר SabreLayout עם הגדרות שונות. המטרה היא למצוא הגדרה שמייצרת מעגל מטורנספל עם הגודל ו/או העומק הנמוכים ביותר, ולהדגים את ההשפעה של אופטימיזציות SABRE.

מדוע גודל ועומק מעגל חשובים?

• גודל קטן יותר (ספירת Gates): מקטין את מספר הפעולות, ובכך ממזער הזדמנויות לצבירת שגיאות.
• עומק נמוך יותר: מקצר את זמן הביצוע הכולל, דבר שחיוני למניעת דה-קוהרנציה ושמירה על נאמנות המצב הקוונטי.

על ידי אופטימיזציה של מדדים אלו, אנחנו משפרים את אמינות המעגל ודיוק הביצוע על חומרה קוונטית רועשת. בחרו את ה-Backend.

service = QiskitRuntimeService()
# backend = service.least_busy(
#    operational=True, simulator=False, min_num_qubits=127
# )
backend = service.backend("ibm_boston")
print(f"Using backend: {backend.name}")

Using backend: ibm_boston

להערכת ההשפעה של הגדרות שונות על אופטימיזציית המעגל, ניצור שלושה מנהלי מעברים, כל אחד עם הגדרות ייחודיות למעבר SabreLayout. הגדרות אלו עוזרות לנתח את הפשרה בין איכות המעגל וזמן הטרנספילציה.

פרמטרים מרכזיים

• max_iterations: מספר איטרציות הניתוב קדימה-אחורה לשיכלול הפריסה והפחתת עלויות הניתוב.
• layout_trials: מספר הפריסות הראשוניות האקראיות הנבדקות, תוך בחירת זו שממזערת פעולות SWAP.
• swap_trials: מספר ניסויי הניתוב לכל פריסה, לשיכלול מיקום ה-Gate לניתוב טוב יותר.

הגדלת layout_trials ו-swap_trials מאפשרת אופטימיזציה יסודית יותר, על חשבון זמן טרנספילציה מוגבר.

הגדרות במדריך זה

1. pm_1: הגדרות ברירת מחדל עם optimization_level=3.

   • max_iterations=4
   • layout_trials=20
   • swap_trials=20

2. pm_2: מגדיל את מספר הניסויים לחקר מעמיק יותר.

   • max_iterations=4
   • layout_trials=200
   • swap_trials=200

3. pm_3: מרחיב את pm_2 על ידי הגדלת מספר האיטרציות לשיכלול נוסף.

   • max_iterations=8
   • layout_trials=200
   • swap_trials=200

על ידי השוואת תוצאות ההגדרות הללו, אנחנו שואפים לקבוע איזו מהן משיגה את האיזון הטוב ביותר בין איכות המעגל (לדוגמה, גודל ועומק) לבין עלות חישובית.

# Get the coupling map from the backend
cmap = CouplingMap(backend().configuration().coupling_map)

# Create the SabreLayout passes for the custom configurations
sl_2 = SabreLayout(
    coupling_map=cmap,
    seed=seed,
    max_iterations=4,
    layout_trials=200,
    swap_trials=200,
)
sl_3 = SabreLayout(
    coupling_map=cmap,
    seed=seed,
    max_iterations=8,
    layout_trials=200,
    swap_trials=200,
)

# Create the pass managers, need to first create then configure the SabreLayout passes
pm_1 = generate_preset_pass_manager(
    optimization_level=3, backend=backend, seed_transpiler=seed
)
pm_2 = generate_preset_pass_manager(
    optimization_level=3, backend=backend, seed_transpiler=seed
)
pm_3 = generate_preset_pass_manager(
    optimization_level=3, backend=backend, seed_transpiler=seed
)

כעת ניתן להגדיר את מעבר SabreLayout במנהלי המעברים המותאמים אישית. לשם כך, ידוע לנו שעבור generate_preset_pass_manager ברירת המחדל ב-optimization_level=3, מעבר SabreLayout נמצא באינדקס 2, מכיוון ש-SabreLayout מתרחש אחרי מעברי SetLayout ו-VF2Layout. ניתן לגשת למעבר זה ולשנות את הפרמטרים שלו.

pm_2.layout.replace(index=2, passes=sl_2)
pm_3.layout.replace(index=2, passes=sl_3)

כאשר כל מנהל מעברים מוגדר, נבצע כעת את תהליך הטרנספילציה לכל אחד. להשוואת תוצאות, נעקוב אחר מדדים מרכזיים, כולל זמן הטרנספילציה, עומק המעגל (הנמדד כעומק Gate דו-Qubit) ומספר ה-Gates הכולל במעגלים המטורנספלים.

# Transpile the circuit with each pass manager and measure the time
t0 = time.time()
tqc_1 = pm_1.run(qc)
t1 = time.time() - t0
t0 = time.time()
tqc_2 = pm_2.run(qc)
t2 = time.time() - t0
t0 = time.time()
tqc_3 = pm_3.run(qc)
t3 = time.time() - t0

# Obtain the depths and the total number of gates (circuit size)
depth_1 = tqc_1.depth(lambda x: x.operation.num_qubits == 2)
depth_2 = tqc_2.depth(lambda x: x.operation.num_qubits == 2)
depth_3 = tqc_3.depth(lambda x: x.operation.num_qubits == 2)
size_1 = tqc_1.size()
size_2 = tqc_2.size()
size_3 = tqc_3.size()

# Transform the observables to match the backend's ISA
operators_list_1 = [op.apply_layout(tqc_1.layout) for op in operators]
operators_list_2 = [op.apply_layout(tqc_2.layout) for op in operators]
operators_list_3 = [op.apply_layout(tqc_3.layout) for op in operators]

# Compute improvements compared to pass manager 1 (default)
depth_improvement_2 = ((depth_1 - depth_2) / depth_1) * 100
depth_improvement_3 = ((depth_1 - depth_3) / depth_1) * 100
size_improvement_2 = ((size_1 - size_2) / size_1) * 100
size_improvement_3 = ((size_1 - size_3) / size_1) * 100
time_increase_2 = ((t2 - t1) / t1) * 100
time_increase_3 = ((t3 - t1) / t1) * 100

print(
    f"Pass manager 1 (4,20,20)  : Depth {depth_1}, Size {size_1}, Time {t1:.4f} s"
)
print(
    f"Pass manager 2 (4,200,200): Depth {depth_2}, Size {size_2}, Time {t2:.4f} s"
)
print(f"  - Depth improvement: {depth_improvement_2:.2f}%")
print(f"  - Size improvement: {size_improvement_2:.2f}%")
print(f"  - Time increase: {time_increase_2:.2f}%")
print(
    f"Pass manager 3 (8,200,200): Depth {depth_3}, Size {size_3}, Time {t3:.4f} s"
)
print(f"  - Depth improvement: {depth_improvement_3:.2f}%")
print(f"  - Size improvement: {size_improvement_3:.2f}%")
print(f"  - Time increase: {time_increase_3:.2f}%")

Pass manager 1 (4,20,20)  : Depth 439, Size 2346, Time 0.5775 s
Pass manager 2 (4,200,200): Depth 395, Size 2070, Time 3.9927 s
  - Depth improvement: 10.02%
  - Size improvement: 11.76%
  - Time increase: 591.43%
Pass manager 3 (8,200,200): Depth 375, Size 1873, Time 2.3079 s
  - Depth improvement: 14.58%
  - Size improvement: 20.16%
  - Time increase: 299.67%

התוצאות מדגימות שהגדלת מספר הניסויים (layout_trials ו-swap_trials) יכולה לשפר משמעותית את איכות המעגל על ידי הפחתת העומק והגודל. עם זאת, שיפור זה מגיע לעתים קרובות במחיר של זמן ריצה מוגבר בשל החישוב הנוסף הנדרש לחקר יותר פריסות ונתיבי ניתוב פוטנציאליים.

הגדלת max_iterations יכולה לשפר עוד יותר את האופטימיזציה על ידי שיכלול הפריסה דרך מחזורי ניתוב קדימה-אחורה נוספים. במקרה זה, הגדלת max_iterations הביאה להפחתה המשמעותית ביותר בעומק המעגל ובגודלו, ואף הפחיתה את זמן הריצה בהשוואה ל-pm_2, ככל הנראה על ידי ייעול שלבי האופטימיזציה הבאים. חשוב לציין, עם זאת, שהיעילות של הגדלת max_iterations יכולה להשתנות משמעותית בהתאם למעגל. בעוד שיותר איטרציות עשויות להניב בחירות פריסה וניתוב טובות יותר, הן אינן מספקות ערבויות ותלויות במידה רבה במבנה המעגל ובמורכבות מגבלות הקישוריות.

# Plot the results of the metrics
times = [t1, t2, t3]
depths = [depth_1, depth_2, depth_3]
sizes = [size_1, size_2, size_3]
pm_names = [
    "pm_1 (4 iter, 20 trials)",
    "pm_2 (4 iter, 200 trials)",
    "pm_3 (8 iter, 200 trials)",
]
colors = plt.cm.viridis(np.linspace(0.2, 0.8, len(pm_names)))

# Create a figure with three subplots
fig, axs = plt.subplots(3, 1, figsize=(6, 9), sharex=True)
axs[0].bar(pm_names, times, color=colors)
axs[0].set_ylabel("Time (s)", fontsize=12)
axs[0].set_title("Transpilation Time", fontsize=14)
axs[0].grid(axis="y", linestyle="--", alpha=0.7)
axs[1].bar(pm_names, depths, color=colors)
axs[1].set_ylabel("Depth", fontsize=12)
axs[1].set_title("Circuit Depth", fontsize=14)
axs[1].grid(axis="y", linestyle="--", alpha=0.7)
axs[2].bar(pm_names, sizes, color=colors)
axs[2].set_ylabel("Size", fontsize=12)
axs[2].set_title("Circuit Size", fontsize=14)
axs[2].set_xticks(range(len(pm_names)))
axs[2].set_xticklabels(pm_names, fontsize=10, rotation=15)
axs[2].grid(axis="y", linestyle="--", alpha=0.7)

# Add some spacing between subplots
plt.tight_layout()
plt.show()

שלב 3: ביצוע באמצעות Qiskit primitives

בשלב זה, אנחנו משתמשים ב-primitive Estimator לחישוב ערכי הציפייה $\langle Z_0 Z_i \rangle$ עבור אופרטורי ZZ, להערכת השזירה ואיכות ביצוע המעגלים המטורנספלים. בהתאמה לתהליכי עבודה אופייניים של משתמשים, אנחנו מגישים את המשימה לביצוע ומיישמים דיכוי שגיאות באמצעות פענוח דינמי (dynamical decoupling), טכניקה שמפחיתה דה-קוהרנציה על ידי הוספת רצפי Gates לשמירה על מצבי Qubit. בנוסף, אנחנו מציינים רמת חוסן להתמודדות עם רעש, כאשר רמות גבוהות יותר מספקות תוצאות מדויקות יותר במחיר של זמן עיבוד מוגבר. גישה זו מעריכה את ביצועי כל הגדרת מנהל מעברים בתנאי ביצוע מציאותיים.

options = EstimatorOptions()
options.resilience_level = 2
options.dynamical_decoupling.enable = True
options.dynamical_decoupling.sequence_type = "XY4"

# Create an Estimator object
estimator = Estimator(backend, options=options)

# Submit the circuit to Estimator
job_1 = estimator.run([(tqc_1, operators_list_1)])
job_1_id = job_1.job_id()
print(job_1_id)

job_2 = estimator.run([(tqc_2, operators_list_2)])
job_2_id = job_2.job_id()
print(job_2_id)

job_3 = estimator.run([(tqc_3, operators_list_3)])
job_3_id = job_3.job_id()
print(job_3_id)

d5k0qs7853es738dab6g
d5k0qsf853es738dab70
d5k0qsf853es738dab7g

# Run the jobs
result_1 = job_1.result()[0]
print("Job 1 done")
result_2 = job_2.result()[0]
print("Job 2 done")
result_3 = job_3.result()[0]
print("Job 3 done")

Job 1 done
Job 2 done
Job 3 done

שלב 4: עיבוד לאחר ביצוע והחזרת התוצאה בפורמט קלאסי רצוי

לאחר השלמת המשימה, אנחנו מנתחים את התוצאות על ידי ציור גרף של ערכי הציפייה $\langle Z_0 Z_i \rangle$ עבור כל Qubit. בסימולציה אידיאלית, כל ערכי $\langle Z_0 Z_i \rangle$ אמורים להיות 1, המשקפים שזירה מושלמת על פני ה-Qubits. עם זאת, בשל רעש ומגבלות חומרה, ערכי הציפייה יורדים בדרך כלל ככל ש-i גדל, ומגלים כיצד השזירה מתדרדרת עם המרחק.

בשלב זה, אנחנו משווים את התוצאות מכל הגדרת מנהל מעברים לסימולציה האידיאלית. על ידי בחינת הסטיה של $\langle Z_0 Z_i \rangle$ מ-1 לכל הגדרה, אנחנו יכולים לכמת עד כמה כל מנהל מעברים משמר שזירה ומקטין את השפעות הרעש. ניתוח זה מעריך ישירות את ההשפעה של אופטימיזציות SABRE על נאמנות הביצוע ומדגיש איזו הגדרה מאזנת בצורה הטובה ביותר את איכות האופטימיזציה ואת ביצועי הביצוע.

התוצאות יוצגו חזותית להדגשת הבדלים בין מנהלי המעברים, תוך הצגה כיצד שיפורים בפריסה ובניתוב משפיעים על ביצוע המעגל הסופי על חומרה קוונטית רועשת.

data = list(range(1, len(operators) + 1))  # Distance between the Z operators

values_1 = list(result_1.data.evs)
values_2 = list(result_2.data.evs)
values_3 = list(result_3.data.evs)

plt.plot(
    data,
    values_1,
    marker="o",
    label="pm_1 (iters=4, swap_trials=20, layout_trials=20)",
)
plt.plot(
    data,
    values_2,
    marker="s",
    label="pm_2 (iters=4, swap_trials=200, layout_trials=200)",
)
plt.plot(
    data,
    values_3,
    marker="^",
    label="pm_3 (iters=8, swap_trials=200, layout_trials=200)",
)
plt.xlabel("Distance between qubits $i$")
plt.ylabel(r"$\langle Z_i Z_0 \rangle / \langle Z_1 Z_0 \rangle $")
plt.legend()
plt.show()

ניתוח התוצאות

הגרף מציג את ערכי הציפייה $\langle Z_0 Z_i \rangle / \langle Z_0 Z_0 \rangle$ כפונקציה של המרחק בין Qubits עבור שלוש הגדרות מנהל מעברים עם רמות אופטימיזציה הולכות וגדלות. במקרה האידיאלי, ערכים אלו נשארים קרובים ל-1, המציין קורלציות חזקות לאורך המעגל. ככל שהמרחק גדל, רעש ושגיאות מצטברות מובילות לדעיכה בקורלציות, ומגלות עד כמה כל אסטרטגיית טרנספילציה שומרת על המבנה הבסיסי של המצב.

בין שלוש ההגדרות, pm_1 מבצע בבירור את הביצועים הגרועים ביותר. ערכי הקורלציה שלו דועכים במהירות ככל שהמרחק גדל ומתקרבים לאפס הרבה לפני שתי ההגדרות האחרות. התנהגות זו עקבית עם עומק המעגל וספירת ה-Gates הגדולים יותר שלו, שבהם רעש מצטבר משחית במהירות קורלציות ארוכות-טווח.

גם pm_2 וגם pm_3 מייצגים שיפורים משמעותיים על פני pm_1 כמעט בכל המרחקים. בממוצע, pm_3 מציג את הביצועים הכוללים החזקים ביותר, שומר על ערכי קורלציה גבוהים יותר על פני מרחקים ארוכים יותר ומציג דעיכה הדרגתית יותר. זה עולה בקנה אחד עם האופטימיזציה האגרסיבית יותר שלו, המייצרת מעגלים רדודים יותר שבדרך כלל עמידים יותר לצבירת רעש.

עם זאת, pm_2 מציג דיוק טוב יותר במרחקים קצרים בהשוואה ל-pm_3, למרות שיש לו עומק וספירת Gates מעט גדולים יותר. זה מצביע על כך שעומק המעגל לבדו אינו קובע באופן מלא את הביצועים; המבנה הספציפי שנוצר על ידי הטרנספילציה, כולל אופן סידור ה-Gates המשזרים וכיצד שגיאות מתפשטות דרך המעגל, ממלא גם הוא תפקיד חשוב. במקרים מסוימים, הטרנספורמציות שמיישם pm_2 נראות כשומרות טוב יותר על קורלציות מקומיות, גם אם הן אינן מתקדמות באותה מידה למרחקים ארוכים יותר.

ביחד, תוצאות אלו מדגישות פשרה בין קומפקטיות המעגל למבנה המעגל. בעוד שאופטימיזציה מוגברת בדרך כלל משפרת את היציבות לטווח ארוך, הביצועים הטובים ביותר עבור observable נתון תלויים הן בהפחתת עומק המעגל והן בייצור מבנה המותאם היטב למאפייני הרעש של החומרה.

חלק ב׳. הגדרת ה-Heuristic ב-SABRE ושימוש ב-Serverless

בנוסף לכוונון מספר הניסיונות, SABRE תומך בהתאמה אישית של ה-heuristic הניתובי המשמש בתהליך ה-transpilation. כברירת מחדל, SabreLayout משתמש ב-heuristic מסוג decay, המשקלל באופן דינמי qubits על פי הסבירות שיבוצעו בהם פעולות swap. כדי להשתמש ב-heuristic שונה (כגון lookahead), ניתן ליצור pass מותאם אישית מסוג SabreSwap ולחברו ל-SabreLayout על ידי הרצת PassManager עם FullAncillaAllocation, EnlargeWithAncilla, ו-ApplyLayout. כאשר משתמשים ב-SabreSwap כפרמטר ל-SabreLayout, מתבצע כברירת מחדל ניסיון פריסה יחיד בלבד. כדי להריץ ניסיונות פריסה מרובים באופן יעיל, אנחנו מנצלים את זמן הריצה של serverless לצורך הרצה מקבילית. למידע נוסף על serverless, ראו את תיעוד Serverless.

כיצד לשנות את ה-Heuristic הניתובי

1. יצירת pass מותאם אישית מסוג SabreSwap עם ה-heuristic הרצוי.
2. שימוש ב-SabreSwap המותאם אישית כשיטת הניתוב עבור ה-pass של SabreLayout.

אמנם ניתן להריץ ניסיונות פריסה מרובים באמצעות לולאה, אך זמן הריצה של serverless הוא הבחירה המועדפת עבור ניסויים בקנה מידה גדול ויסודיים יותר. Serverless תומך בהרצה מקבילית של ניסיונות פריסה, ומאיץ משמעותית את אופטימיזציית המעגלים הגדולים ואת סריקות הניסויים הנרחבות. זה הופך אותו לבעל ערך במיוחד בעת עבודה עם משימות הדורשות משאבים רבים, או כאשר יעילות הזמן היא קריטית.

חלק זה מתמקד אך ורק בשלב 2 של האופטימיזציה: מזעור גודל המעגל ועומקו להשגת מעגל ה-transpilation הטוב ביותר האפשרי. תוך בניה על התוצאות הקודמות, אנחנו בוחנים כעת כיצד התאמת ה-heuristic וה-parallelization של serverless יכולים לשפר עוד יותר את ביצועי האופטימיזציה, ולהפוך אותה למתאימה ל-transpilation מעגלי קוונטי בקנה מידה גדול.

תוצאות ללא זמן ריצה של serverless (ניסיון פריסה אחד):

swap_trials = 1000

# Default PassManager with `SabreLayout` and `SabreSwap`, using heuristic "decay"
sr_default = SabreSwap(
    coupling_map=cmap, heuristic="decay", trials=swap_trials, seed=seed
)
sl_default = SabreLayout(
    coupling_map=cmap, routing_pass=sr_default, seed=seed
)
pm_default = generate_preset_pass_manager(
    optimization_level=3, backend=backend, seed_transpiler=seed
)
pm_default.layout.replace(index=2, passes=sl_default)
pm_default.routing.replace(index=1, passes=sr_default)

t0 = time.time()
tqc_default = pm_default.run(qc)
t_default = time.time() - t0
size_default = tqc_default.size()
depth_default = tqc_default.depth(lambda x: x.operation.num_qubits == 2)

# Custom PassManager with `SabreLayout` and `SabreSwap`, using heuristic "lookahead"
sr_custom = SabreSwap(
    coupling_map=cmap, heuristic="lookahead", trials=swap_trials, seed=seed
)
sl_custom = SabreLayout(coupling_map=cmap, routing_pass=sr_custom, seed=seed)
pm_custom = generate_preset_pass_manager(
    optimization_level=3, backend=backend, seed_transpiler=seed
)
pm_custom.layout.replace(index=2, passes=sl_custom)
pm_custom.routing.replace(index=1, passes=sr_custom)

t0 = time.time()
tqc_custom = pm_custom.run(qc)
t_custom = time.time() - t0
size_custom = tqc_custom.size()
depth_custom = tqc_custom.depth(lambda x: x.operation.num_qubits == 2)

print(
    f"Default (heuristic='decay')    : Depth {depth_default}, Size {size_default}, Time {t_default}"
)
print(
    f"Custom  (heuristic='lookahead'): Depth {depth_custom}, Size {size_custom}, Time {t_custom}"
)

Default (heuristic='decay')    : Depth 443, Size 3115, Time 1.034372091293335
Custom  (heuristic='lookahead'): Depth 432, Size 2856, Time 0.6669301986694336

כאן אנחנו רואים כי ה-heuristic מסוג lookahead מניב תוצאות טובות יותר מה-heuristic מסוג decay מבחינת עומק המעגל, גודלו וזמן הריצה. שיפורים אלה מדגישים כיצד ניתן לשפר את SABRE מעבר לכוונון ניסיונות ואיטרציות בלבד, בהתאם למאפייני המעגל ומגבלות החומרה הספציפיים. שימו לב שתוצאות אלה מבוססות על ניסיון פריסה יחיד. להשגת תוצאות מדויקות יותר, אנחנו ממליצים להריץ ניסיונות פריסה מרובים, דבר שניתן לעשות ביעילות באמצעות זמן הריצה של serverless.

תוצאות עם זמן ריצה של serverless (ניסיונות פריסה מרובים)

Qiskit Serverless דורש הגדרת קבצי .py של עומס העבודה לתוך ספרייה ייעודית. תא הקוד הבא הוא קובץ Python בספרייה source_files בשם transpile_remote.py. קובץ זה מכיל את הפונקציה שמריצה את תהליך ה-transpilation.

# This cell is hidden from users, it makes sure the `source_files` directory exists
from pathlib import Path

Path("source_files").mkdir(exist_ok=True)

%%writefile source_files/transpile_remote.py
import time
from qiskit.transpiler.preset_passmanagers import generate_preset_pass_manager
from qiskit.transpiler.passes import SabreLayout, SabreSwap
from qiskit.transpiler import CouplingMap
from qiskit_serverless import get_arguments, save_result, distribute_task, get
from qiskit_ibm_runtime import QiskitRuntimeService

@distribute_task(target={
    "cpu": 1,
    "mem": 1024 * 1024 * 1024
})
def transpile_remote(qc, optimization_level, backend_name, seed, swap_trials, heuristic):
    """Transpiles an abstract circuit into an ISA circuit for a given backend."""

    service = QiskitRuntimeService()
    backend = service.backend(backend_name)

    pm = generate_preset_pass_manager(
        optimization_level=optimization_level,
        backend=backend,
        seed_transpiler=seed
    )

    # Changing the `SabreLayout` and `SabreSwap` passes to use the custom configurations
    cmap = CouplingMap(backend().configuration().coupling_map)
    sr = SabreSwap(coupling_map=cmap, heuristic=heuristic, trials=swap_trials, seed=seed)
    sl = SabreLayout(coupling_map=cmap, routing_pass=sr, seed=seed)
    pm.layout.replace(index=2, passes=sl)
    pm.routing.replace(index=1, passes=sr)

    # Measure the transpile time
    start_time = time.time()  # Start timer
    tqc = pm.run(qc)  # Transpile the circuit
    end_time = time.time()  # End timer

    transpile_time = end_time - start_time  # Calculate the elapsed time
    return tqc, transpile_time  # Return both the transpiled circuit and the transpile time

# Get program arguments
arguments = get_arguments()
circuit = arguments.get("circuit")
backend_name = arguments.get("backend_name")
optimization_level = arguments.get("optimization_level")
seed_list = arguments.get("seed_list")
swap_trials = arguments.get("swap_trials")
heuristic = arguments.get("heuristic")

# Transpile the circuits
transpile_worker_references = [
    transpile_remote(circuit, optimization_level, backend_name, seed, swap_trials, heuristic)
    for seed in seed_list
]

results_with_times = get(transpile_worker_references)

# Separate the transpiled circuits and their transpile times
transpiled_circuits = [result[0] for result in results_with_times]
transpile_times = [result[1] for result in results_with_times]

# Save both results and transpile times
save_result({"transpiled_circuits": transpiled_circuits, "transpile_times": transpile_times})

Overwriting source_files/transpile_remote.py

התא הבא מעלה את הקובץ transpile_remote.py כתוכנית Qiskit Serverless תחת השם transpile_remote_serverless.

serverless = QiskitServerless()

transpile_remote_demo = QiskitFunction(
    title="transpile_remote_serverless",
    entrypoint="transpile_remote.py",
    working_dir="./source_files/",
)
serverless.upload(transpile_remote_demo)
transpile_remote_serverless = serverless.load("transpile_remote_serverless")

יצירת 20 seeds שונים לייצוג 20 ניסיונות פריסה שונים.

num_seeds = 20  # represents the different layout trials
seed_list = [seed + i for i in range(num_seeds)]

הרצת התוכנית שהועלתה ומסירת קלטים עבור ה-heuristic מסוג lookahead.

job_lookahead = transpile_remote_serverless.run(
    circuit=qc,
    backend_name=backend.name,
    optimization_level=3,
    seed_list=seed_list,
    swap_trials=swap_trials,
    heuristic="lookahead",
)

job_lookahead.job_id

'15767dfc-e71d-4720-94d6-9212f72334c2'

job_lookahead.status()

'QUEUED'

קבלת הלוגים והתוצאות מזמן הריצה של serverless.

logs_lookahead = job_lookahead.logs()
print(logs_lookahead)

No logs yet.

כאשר תוכנית מגיעה למצב DONE, ניתן להשתמש ב-job.results() לשליפת התוצאה השמורה ב-save_result().

# Run the job with lookahead heuristic
start_time = time.time()
results_lookahead = job_lookahead.result()
end_time = time.time()

job_lookahead_time = end_time - start_time

כעת בצעו את אותה הפעולה עבור ה-heuristic מסוג decay.

job_decay = transpile_remote_serverless.run(
    circuit=qc,
    backend_name=backend.name,
    optimization_level=3,
    seed_list=seed_list,
    swap_trials=swap_trials,
    heuristic="decay",
)

job_decay.job_id

'00418c76-d6ec-4bd8-9f70-05d0fa14d4eb'

logs_decay = job_decay.logs()
print(logs_decay)

No logs yet.

# Run the job with the decay heuristic
start_time = time.time()
results_decay = job_decay.result()
end_time = time.time()

job_decay_time = end_time - start_time

# Extract transpilation times
transpile_times_decay = results_decay["transpile_times"]
transpile_times_lookahead = results_lookahead["transpile_times"]

# Calculate total transpilation time for serial execution
total_transpile_time_decay = sum(transpile_times_decay)
total_transpile_time_lookahead = sum(transpile_times_lookahead)

# Print total transpilation time
print("=== Total Transpilation Time (Serial Execution) ===")
print(f"Decay Heuristic    : {total_transpile_time_decay:.2f} seconds")
print(f"Lookahead Heuristic: {total_transpile_time_lookahead:.2f} seconds")

# Print serverless job time (parallel execution)
print("\n=== Serverless Job Time (Parallel Execution) ===")
print(f"Decay Heuristic    : {job_decay_time:.2f} seconds")
print(f"Lookahead Heuristic: {job_lookahead_time:.2f} seconds")

# Calculate and print average runtime per transpilation
avg_transpile_time_decay = total_transpile_time_decay / num_seeds
avg_transpile_time_lookahead = total_transpile_time_lookahead / num_seeds
avg_job_time_decay = job_decay_time / num_seeds
avg_job_time_lookahead = job_lookahead_time / num_seeds

print("\n=== Average Time Per Transpilation ===")
print(f"Decay Heuristic (Serial)    : {avg_transpile_time_decay:.2f} seconds")
print(f"Decay Heuristic (Serverless): {avg_job_time_decay:.2f} seconds")
print(
    f"Lookahead Heuristic (Serial)    : {avg_transpile_time_lookahead:.2f} seconds"
)
print(
    f"Lookahead Heuristic (Serverless): {avg_job_time_lookahead:.2f} seconds"
)

# Calculate and print serverless improvement percentage
decay_improvement_percentage = (
    (total_transpile_time_decay - job_decay_time) / total_transpile_time_decay
) * 100
lookahead_improvement_percentage = (
    (total_transpile_time_lookahead - job_lookahead_time)
    / total_transpile_time_lookahead
) * 100

print("\n=== Serverless Improvement ===")
print(f"Decay Heuristic    : {decay_improvement_percentage:.2f}%")
print(f"Lookahead Heuristic: {lookahead_improvement_percentage:.2f}%")

=== Total Transpilation Time (Serial Execution) ===
Decay Heuristic    : 112.37 seconds
Lookahead Heuristic: 85.37 seconds

=== Serverless Job Time (Parallel Execution) ===
Decay Heuristic    : 5.72 seconds
Lookahead Heuristic: 5.85 seconds

=== Average Time Per Transpilation ===
Decay Heuristic (Serial)    : 5.62 seconds
Decay Heuristic (Serverless): 0.29 seconds
Lookahead Heuristic (Serial)    : 4.27 seconds
Lookahead Heuristic (Serverless): 0.29 seconds

=== Serverless Improvement ===
Decay Heuristic    : 94.91%
Lookahead Heuristic: 93.14%

תוצאות אלה מדגימות את הרווחים המשמעותיים ביעילות שמושגים מהרצה בסביבת serverless עבור transpilation של מעגלים קוונטיים. בהשוואה להרצה סדרתית, הרצת serverless מצמצמת באופן דרמטי את זמן הריצה הכולל עבור ה-heuristic מסוגי decay ו-lookahead כאחד, על ידי הרצה מקבילית של ניסיוני transpilation עצמאיים. בעוד שהרצה סדרתית משקפת את העלות המצטברת המלאה של בחינת ניסיונות פריסה מרובים, זמני ריצת ה-serverless מדגישים כיצד ביצוע מקבילי מכווץ עלות זו לזמן ריצה בשעון קיר קצר בהרבה. כתוצאה מכך, זמן ה-transpilation האפקטיבי לכל ניסיון מצטמצם לשבריר קטן מהנדרש בסביבה הסדרתית, ללא תלות ב-heuristic המשמש. יכולת זו חשובה במיוחד לאופטימיזציה של SABRE עד לפוטנציאלו המלא. רבים מהשיפורים החזקים ביותר בביצועי SABRE נובעים מהגדלת מספר ניסיונות הפריסה והניתוב, דבר שעלול להיות יקר מאוד בעת ביצוע רצף. הרצת serverless מסירה את צוואר הבקבוק הזה, ומאפשרת סריקות פרמטרים בקנה מידה גדול ובחינה מעמיקה של תצורות heuristic עם תקורה מינימלית.

בסך הכל, ממצאים אלה מראים כי הרצת serverless היא המפתח להרחבת אופטימיזציית SABRE, והופכת ניסויים אגרסיביים ועיצוב מדויק לפרקטיים בהשוואה להרצה סדרתית.

יש לקבל את התוצאות מזמן הריצה של serverless ולהשוות את תוצאות ה-heuristic מסוגי lookahead ו-decay. נשווה את הגדלים והעומקים.

# Extract sizes and depths
sizes_lookahead = [
    circuit.size() for circuit in results_lookahead["transpiled_circuits"]
]
depths_lookahead = [
    circuit.depth(lambda x: x.operation.num_qubits == 2)
    for circuit in results_lookahead["transpiled_circuits"]
]
sizes_decay = [
    circuit.size() for circuit in results_decay["transpiled_circuits"]
]
depths_decay = [
    circuit.depth(lambda x: x.operation.num_qubits == 2)
    for circuit in results_decay["transpiled_circuits"]
]

def create_scatterplot(x, y1, y2, xlabel, ylabel, title, labels, colors):
    plt.figure(figsize=(8, 5))
    plt.scatter(
        x, y1, label=labels[0], color=colors[0], alpha=0.8, edgecolor="k"
    )
    plt.scatter(
        x, y2, label=labels[1], color=colors[1], alpha=0.8, edgecolor="k"
    )
    plt.xlabel(xlabel, fontsize=12)
    plt.ylabel(ylabel, fontsize=12)
    plt.title(title, fontsize=14)
    plt.legend(fontsize=10)
    plt.grid(axis="y", linestyle="--", alpha=0.7)
    plt.tight_layout()
    plt.show()

create_scatterplot(
    seed_list,
    sizes_lookahead,
    sizes_decay,
    "Seed",
    "Size",
    "Circuit Size",
    ["lookahead", "Decay"],
    ["blue", "red"],
)
create_scatterplot(
    seed_list,
    depths_lookahead,
    depths_decay,
    "Seed",
    "Depth",
    "Circuit Depth",
    ["lookahead", "Decay"],
    ["blue", "red"],
)

כל נקודה בגרפי הפיזור לעיל מייצגת ניסיון פריסה, כאשר ציר ה-x מציין את עומק המעגל וציר ה-y מציין את גודל המעגל. התוצאות מגלות כי ה-heuristic מסוג lookahead עולה בביצועיו בדרך כלל על ה-heuristic מסוג decay במזעור עומק המעגל וגודלו. ביישומים מעשיים, המטרה היא לזהות את ניסיון הפריסה האופטימלי עבור ה-heuristic שנבחר, בין אם עדיפות ניתנת לעומק ובין אם לגודל. ניתן להשיג זאת על ידי בחירת הניסיון עם הערך הנמוך ביותר עבור המדד הרצוי. חשוב לציין כי הגדלת מספר ניסיונות הפריסה משפרת את הסיכויים להשגת תוצאה טובה יותר מבחינת הגודל או העומק, אך כרוכה בעלות חישובית גבוהה יותר.

min_depth_lookahead = min(depths_lookahead)
min_depth_decay = min(depths_decay)
min_size_lookahead = min(sizes_lookahead)
min_size_decay = min(sizes_decay)
print(
    "Lookahead: Min Depth",
    min_depth_lookahead,
    "Min Size",
    min_size_lookahead,
)
print("Decay:     Min Depth", min_depth_decay, "Min Size", min_size_decay)

Lookahead: Min Depth 399 Min Size 2452
Decay:     Min Depth 415 Min Size 2611

בהשוואה הראשונית שלנו תוך שימוש בניסיון פריסה יחיד, ה-heuristic מסוג lookahead הראה ביצועים טובים במעט הן בעומק המעגל והן בגודלו. על ידי הרחבת מחקר זה לניסיונות פריסה מרובים באמצעות QiskitServerless, יכולנו לחקור מרחב הרבה יותר רחב של אתחולי SABRE, מה שאיפשר השוואה מייצגת יותר בין ה-heuristics.

מגרפי הפיזור ומהתוצאות הטובות ביותר שנצפו, ברור כי הביצועים משתנים באופן משמעותי עם ה-seed האקראי שבו משתמש SABRE. שני ה-heuristics מציגים פיזור רחב בעומק המעגל ובגודלו על פני seeds שונים, מה שמעיד כי ריצה יחידה לרוב אינה מספיקה לתפיסת תוצאות קרובות לאופטימום. שונות זו מדגישה את חשיבות הרצת ניסיונות רבים עם seeds שונים בעת שאיפה למזעור עומק ו/או מספר שערים. על פני מכלול הניסיונות, גם ה-heuristic מסוג lookahead וגם זה מסוג decay היו מסוגלים לייצר תוצאות תחרותיות. במקרים מסוימים, ה-heuristic מסוג decay השיג תוצאות דומות ואף עולות על אלה של lookahead עבור seeds ספציפיים. עם זאת, עבור מעגל זה במיוחד, התוצאות הכוללות הטובות ביותר הושגו באמצעות ה-heuristic מסוג lookahead, אם כי בפער צנוע. זה מרמז כי בעוד lookahead סיפק את התוצאה החזקה ביותר כאן, יתרונו על פני decay אינו מוחלט.

בסך הכל, תוצאות אלה מחזקות שתי נקודות מפתח. ראשית, מינוף seeds רבים חיוני לחילוץ הביצועים הטובים ביותר האפשריים מ-SABRE, ללא קשר ל-heuristic המשמש. שנית, בעוד שבחירת ה-heuristic חשובה, מבנה המעגל ממלא תפקיד דומיננטי, והביצועים היחסיים של lookahead ו-decay עשויים להיות שונים עבור מעגלים אחרים. לפיכך, ניסויים בקנה מידה גדול עם seeds מרובים הם קריטיים ל-transpilation יעיל ואמין של מעגלים קוונטיים.

# This cell is hidden from users, it cleans up the `source_files` directory
from pathlib import Path

Path("source_files/transpile_remote.py").unlink()
Path("source_files").rmdir()

סיכום

במדריך זה, בחנו כיצד לאופטם מעגלים גדולים באמצעות SABRE ב-Qiskit. הדגמנו כיצד להגדיר את ה-pass של SabreLayout עם פרמטרים שונים כדי לאזן בין איכות המעגל לזמן ריצה של ה-transpilation. כמו כן, הראינו כיצד להתאים אישית את ה-heuristic הניתובי ב-SABRE ולהשתמש בזמן הריצה של QiskitServerless להרצה מקבילית יעילה של ניסיונות פריסה כאשר מעורב SabreSwap. על ידי כוונון פרמטרים ו-heuristics אלה, תוכלו לאופטם את הפריסה והניתוב של מעגלים גדולים, ולהבטיח את ביצועם היעיל על חומרה קוונטית.

סקר המדריך

מלאו סקר קצר זה כדי לספק משוב על מדריך זה. התובנות שלכם יסייעו לנו לשפר את תוכן ההצעות שלנו ואת חווית המשתמש.

Link to survey

Note: This survey is provided by IBM Quantum and relates to the original English content. To give feedback on doQumentation's website, translations, or code execution, please open a GitHub issue.