Zum Hauptinhalt springe

Quantekernel-Training

Verbruchs-Schätzig: under ere Minuute ufeme Eagle r3 Prozässor (OBACHT: Das isch nume ne Schätzig. Eui Laufzyt chönt andersch sii.)

Hintergrund​

Das Tutorial zeigt, wie mer es Qiskit-Muster baut zum Uusrächne vo Iiträg i nere Quantekernel-Matrix, wo für binäri Klassifikatzioon bruucht wird. Für meh Informatzione über Qiskit-Muster und wie Qiskit Serverless cha bruucht wärde, zum die i d'Cloud uszrolle für verwalteti Uusfüehrig, bsueched üsi Dokumentatzioone-Siite über IBM Quantum® Platform.

Vorussetzige​

Bevor dihr mit däm Tutorial aafanged, stellet sicher, dass dihr das do het installiert:

  • Qiskit SDK v1.0 oder spöter, mit Visualisierig-Understützig
  • Qiskit Runtime v0.22 oder spöter (pip install qiskit-ibm-runtime)

Ufbau​

!wget https://raw.githubusercontent.com/qiskit-community/prototype-quantum-kernel-training/main/data/dataset_graph7.csv

# General Imports and helper functions

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

from qiskit.circuit import Parameter, ParameterVector, QuantumCircuit
from qiskit.circuit.library import UnitaryOverlap
from qiskit.transpiler.preset_passmanagers import generate_preset_pass_manager

from qiskit_ibm_runtime import QiskitRuntimeService, Sampler

# from qiskit_serverless import IBMServerlessClient, QiskitFunction
from qiskit_ibm_catalog import QiskitServerless, QiskitFunction

def visualize_counts(res_counts, num_qubits, num_shots):
    """Visualize the outputs from the Qiskit Sampler primitive."""
    zero_prob = res_counts.get(0, 0.0)
    top_10 = dict(
        sorted(res_counts.items(), key=lambda item: item[1], reverse=True)[
            :10
        ]
    )
    top_10.update({0: zero_prob})
    by_key = dict(sorted(top_10.items(), key=lambda item: item[0]))
    x_vals, y_vals = list(zip(*by_key.items()))
    x_vals = [bin(x_val)[2:].zfill(num_qubits) for x_val in x_vals]
    y_vals_prob = []
    for t in range(len(y_vals)):
        y_vals_prob.append(y_vals[t] / num_shots)
    y_vals = y_vals_prob
    plt.bar(x_vals, y_vals)
    plt.xticks(rotation=75)
    plt.title("Results of sampling")
    plt.xlabel("Measured bitstring")
    plt.ylabel("Probability")
    plt.show()

def get_training_data():
    """Read the training data."""
    df = pd.read_csv("dataset_graph7.csv", sep=",", header=None)
    training_data = df.values[:20, :]
    ind = np.argsort(training_data[:, -1])
    X_train = training_data[ind][:, :-1]

    return X_train
7[1A[1G[27G[Files: 0  Bytes: 0  [0 B/s] Re]87[2A[1G[27G[https://raw.githubusercontent.]87[1S[3A[1G[0JSaving 'dataset_graph7.csv.1'
87[2A[1Gdataset_graph7.csv.1 100% [=============================>]   20.25K    --.-KB/s87[1S[3A[1G[0JHTTP response 200  [https://raw.githubusercontent.com/qiskit-community/prototype-quantum-kernel-training/main/data/dataset_graph7.csv]
87[2A[1Gdataset_graph7.csv.1 100% [=============================>]   20.25K    --.-KB/s87[1A[1G[27G[Files: 1  Bytes: 20.25K [93.33]8[m[m[m[m

Schritt 1: Klassischi Iigabe uf es Quanteproblem abbildä​

  • Iigab: Trainingsdatesatz.
  • Uusgab: Abstrakte Schaltkreis zum Berächne vonere Kernelmatrix-Iitrag.

Bauet dä Quanteschaltkreis, wo bruucht wird zum Uusrächne vo eim einzige Iitrag i de Kernelmatrix. Mer bruuched d'Iigabe-Date zum z'bstimme, wie die Rotatzioons-Winkel für die parametrisiertä Gates sind. Mer wärdet d'Date-Proobe x1=14 und x2=19 verwände.

Obacht: Dä Datesatz, wo i däm Tutorial bruucht wird, cha do abeglade wärde.

# Prepare training data
X_train = get_training_data()

# Empty kernel matrix
num_samples = np.shape(X_train)[0]
kernel_matrix = np.full((num_samples, num_samples), np.nan)

# Prepare feature map for computing overlap
num_features = np.shape(X_train)[1]
num_qubits = int(num_features / 2)
entangler_map = [[0, 2], [3, 4], [2, 5], [1, 4], [2, 3], [4, 6]]
fm = QuantumCircuit(num_qubits)
training_param = Parameter("θ")
feature_params = ParameterVector("x", num_qubits * 2)
fm.ry(training_param, fm.qubits)
for cz in entangler_map:
    fm.cz(cz[0], cz[1])
for i in range(num_qubits):
    fm.rz(-2 * feature_params[2 * i + 1], i)
    fm.rx(-2 * feature_params[2 * i], i)

# Assign tunable parameter to known optimal value and set the data params for first two samples
x1 = 14
x2 = 19
unitary1 = fm.assign_parameters(list(X_train[x1]) + [np.pi / 2])
unitary2 = fm.assign_parameters(list(X_train[x2]) + [np.pi / 2])

# Create the overlap circuit
overlap_circ = UnitaryOverlap(unitary1, unitary2)
overlap_circ.measure_all()
overlap_circ.draw("mpl", scale=0.6, style="iqp")

Output of the previous code cell

Schritt 2: S'Problem für Quantehardware-Uusfüehrig optimiere​

  • Iigab: Abstrakte Schaltkreis, nöd optimiert für es bstimmts Backend
  • Uusgab: Ziil-Schaltkreis und Observable, optimiert für die uusgwäält QPU

Bruuched d'generate_preset_pass_manager-Funkzioon vo Qiskit zum ne Optimierigslauf für euse Schaltkreis z'spezifiziere, bezoge uf die QPU, wo mer s'Experimänt uf lönd laufe. Mer setzed optimization_level=3, was bedütet, dass mer dä vordefiniert Pass Manager bruuched, wo s'höchst Optimierigsniwo bringt.

service = QiskitRuntimeService()
backend = service.least_busy(
    operational=True, simulator=False, min_num_qubits=overlap_circ.num_qubits
)
pm = generate_preset_pass_manager(optimization_level=3, backend=backend)
overlap_ibm = pm.run(overlap_circ)
overlap_ibm.draw("mpl", scale=0.6, idle_wires=False, fold=-1, style="iqp")

Output of the previous code cell

Schritt 3: Uusfüehrig mit Qiskit-Primitive​

  • Iigab: Ziil-Schaltkreis
  • Uusgab: Quasi-Wahrscheinlichkeitsverteilig

Bruuched dä Sampler-Primitiv vo Qiskit Runtime zum e Quasi-Wahrscheinlichkeitsverteilig vo Zueständ z'rekonstruiere, wo usem Sample vom Schaltkreis usechömed. Für s'Erstelle vonere Kernelmatrix sind mer bsunders interessiert a de Wahrscheinlichkeit, dä |0>-Zuestand z'mässe.

Für das Demo lönds mer uf nere QPU mit qiskit-ibm-runtime-Primitive laufe. Zum s'uf qiskit-Statevector-basierte Primitive z'lah laufe, ersetzed dä Codeblock für Qiskit IBM® Runtime-Primitive dur dä kommentiert Block.

num_shots = 10_000

## Evaluate the problem using statevector-based primitives from Qiskit
# from qiskit.primitives import StatevectorSampler

# sampler = StatevectorSampler()
# results = sampler.run([overlap_circ]).result()
# counts = results[0].data.meas.get_int_counts()

# Evaluate the problem using a QPU via Qiskit IBM Runtime

sampler = Sampler(mode=backend)
results = sampler.run([overlap_ibm]).result()
counts = results[0].data.meas.get_int_counts()

visualize_counts(counts, num_qubits, num_shots)

Output of the previous code cell

Schritt 4: Nachbearbeitig und s'Resultat im gwünschte klassische Format zruggä​

  • Iigab: Wahrscheinlichkeitsverteilig
  • Uusgab: Es einzigs Kernelmatrix-Elemänt

Berächned d'Wahrscheinlichkeit zum |0> ufem Overlap-Schaltkreis z'mässe und füllid d'Kernelmatrix a de Positzioon, wo dä Proobe entspricht, wo dur dä bstimmt Overlap-Schaltkreis dargstellt wärdet (Reie 15, Kolone 20). I dere Visualisierig zeigt dünkleres Root Fidelitäte nöcher a 1.0. Zum d'ganzi Kernelmatrix uuszfülle, mües mer es Quanteexperimänt für jede Iitrag lah laufe.

# Calculate the fidelity, or the probability to measure 0
kernel_matrix[x1, x2] = counts.get(0, 0.0) / num_shots
print(f"Fidelity: {kernel_matrix[x1, x2]}")
Fidelity: 0.1279

kernel_matrix.png

S'Qiskit-Muster i d'Cloud usrolle​

Zum das z'mache, verschiebed dä Quellcode vo obe i ne Datei, ./source/generate_kernel_entry.py, päcked dä Code i es Skript, wo Iigabe nimmt und d'endgültigi Lösig zrugggit, und laded s'denn uf ne Remote-Cluster ufe mit de QiskitFunction-Klass vo Qiskit Serverless. Für Aleitige zum Spezifiziere vo externe Abhängigkeite, zum Übergä vo Iigab-Argumänt und meh, lueged i die Qiskit Serverless-Aleitige.

D'Iigab für s'Muster isch es Paar vo Date-Proobe, x1 und x2. D'Uusgab isch d'Fidelität zwüschet dä beide Proobe. Dä Wärt wird bruucht zum dä Kernelmatrix-Iitrag z'fülle, wo dä beide Proobe entspricht.

serverless = QiskitServerless()

kernel_entry_pattern = QiskitFunction(
    title="generate-kernel-entry",
    entrypoint="generate_kernel_entry.py",
    working_dir="./source/",
)

serverless.upload(kernel_entry_pattern)

S'Qiskit-Muster als verwaltete Dienst lah laufe​

Nachdem mer s'Muster i d'Cloud ufeglade händ, chönd mers eifach mit em IBMServerlessProvider-Client lah laufe. Für's eifacher z'mache, wärde mer en exakte Quantesimulator i de Cloud-Umgäbig bruuche, so dass d'Fidelität, wo mer berächned, exakt isch.

generate_kernel_entry = serverless.load("generate-kernel-entry")
job = generate_kernel_entry.run(
    sample1=list(X_train[x1]), sample2=list(X_train[x2])
)

kernel_matrix[x1, x2] = job.result()["fidelity"]
print(f"fidelity: {kernel_matrix[x1, x2]}")

Tutorial-Umfrag​

Bitte mached bi dere churze Umfrag mit, zum Feedback zu däm Tutorial z'gäh. Eui Iisichte wärdet üs hälfe, üsi Inhält und d'Benutzer-Erfahrig z'verbessere.

Link zur Umfrag