Qiskit'in Yeni Estimator'ında PEC Gürültü Modelini Güncel Tutmak

15 Ekim 20264 dakikalık okumaMert Efe Şensoy

kuantum-bilgisayar hata-azaltma Qiskit IBM Quantum

Qiskit'in istemci taraflı Estimator'ına geçtiğinizde, probabilistic error cancellation (PEC) ve probabilistic error amplification (PEA) için gürültü modelini sizin sağlamanız gerekiyor. IBM araştırmacıları, öğrenme ile hata azaltma arasındaki kaymayı PEC sonuçlarındaki dalgalanmanın başlıca kaynaklarından biri olarak gösteriyor (Kim vd.). Bu aralığı yönetmek için üç pratik öneri var.

qiskit-ibm-runtime 0.50.0 neyi istemci tarafına taşıdı

24 Eylül 2026'da yayımlanan 0.50.0 sürümü, ön ve son işlemeyi yerelde yapıp yürütmeyi Executor primitive'ine devreden istemci taraflı Sampler ve Estimator sınıflarını ekledi (sürüm notları). Sunucu taraflı EstimatorV2 ve SamplerV2 artık deprecated. Deprecation süresi dolduğunda üst düzey import'lar istemci taraflı sınıflara yönlenecek; yalnızca 0.50.0'a yükseltmek mevcut kodu bu sınıflara geçirmiyor.

IBM'in duyurusu, hata azaltma adımlarının incelenip özelleştirilebilmesini vurguluyor ve çoğu kodda yalnızca import satırının değişmesi gerektiğini söylüyor (IBM Quantum blog):

# eski, sunucu taraflı: from qiskit_ibm_runtime import Estimator
from qiskit_ibm_runtime.executor_estimator import Estimator

PEA ve PEC ayrı bir gürültü öğrenme işi gerektiriyor

PEA ve PEC için import'u değiştirmek yetmiyor. IBM'in geçiş rehberi, katman gürültüsü modellerinin ayrı öğrenilmesini gerektiriyor. Devrenin benzersiz katmanlarını buluyor, gürültülerini NoiseLearnerV3 ile öğreniyor, sonucu Pauli-Lindblad map'lerine çevirip resilience.layer_noise_model seçeneğine aktarıyorsunuz.

Aşağıdaki PEC örneğinde mode gerçek bir backend veya etkin bir Batch ya da Session; pubs ise ISA'ya transpile edilmiş devreleri ve bunlara eşlenmiş gözlenebilirleri içeriyor:

from qiskit_ibm_runtime import NoiseLearnerV3
from qiskit_ibm_runtime.executor_estimator import Estimator

estimator = Estimator(mode=mode)
estimator.options.resilience.pec_mitigation = True

layers = estimator.find_unique_layers(pubs)
learning_job = NoiseLearnerV3(mode=mode).run(layers)
maps = learning_job.result().to_pauli_lindblad_maps()
estimator.options.resilience.layer_noise_model = zip(layers, maps)
job = estimator.run(pubs)

learning_job_id = learning_job.job_id()

Twirled readout error extinction (TREX) için ölçüm gürültüsü öğrenimi hâlâ örtük yapılıyor. Sunucu taraflı Estimator katman gürültüsünü otomatik öğrenebiliyor ve modeli sonuç metaverisinde sunabiliyordu (PEA eğitimi); dışarıdan sağlanan modelleri de kabul ediyordu (0.28.0 sürüm notları). İstemci taraflı Estimator, PEA ve PEC için modeli açıkça sağlamanızı zorunlu kılıyor. Modelin yeniden kullanımını ve güncelliğini kodunuz yönetmeli.

Gürültü modelindeki kayma PEC sonuçlarını nasıl saptırabilir

PEC, öğrenilmiş seyrek bir Pauli-Lindblad modelini tersine çevirir. Her Pauli terimi k bir λk oranı taşır; kanallar bağımsız olarak tersine çevrilebilir ve γ = exp(Σ 2λk) için, sabit hassasiyette PEC örnekleme maliyeti γ² ile orantılıdır (Kim vd., Nature Communications 16, 8439). Model hatası yoksa tahmin yansızdır; model, hata azaltma sırasında var olan gürültüyü temsil etmelidir.

Tamamı IBM Quantum'dan olan Kim ve ekibi, kusur kaynaklı iki seviyeli sistemlerle (TLS) etkileşimleri elektrotlarla ayarlanabilen altı qubit içeren bir cihaz kullandı. T1 değerleri 60 saat boyunca ortalamada %300'ün üzerinde dalgalandı. Yaklaşık 50 saatlik takipte, sabit ayarlı kontrol deneyinin model parametreleri 13. saat civarında belirgin biçimde dalgalandı; bu durum güçlü bir qubit-TLS etkileşimiyle korelasyon gösterdi.

Yazarlar, hata azaltma uygulanmış sonuçlardaki dalgalanmanın başlıca kaynaklarından birini öğrenme ile hata azaltma arasında gürültünün kaymasına bağlıyor. Gözlenebilirin ideal değerinden öngörülen ve gözlenen sapmalar birbiriyle korelasyonluydu. Yarı statik gürültü dahil başka yanlılık kaynakları da belirtiyorlar; bu yüzden aralığı kısaltmak doğruluğu garanti etmiyor.

Gürültü düzeyi maliyeti de etkiliyor. En kötü ve en iyi γ değerleri yaklaşık 1,13 ve 1,06 oldu. Makale, kıyaslama devresindeki birim katmanın tekrar derinliği N = 20 olduğunda en kötü durumda yaklaşık 13 kat, N = 40 olduğunda ise yaklaşık 167 kat daha fazla PEC devresi gerektiğini hesaplıyor.

Kayma tek bir IBM cihazına özgü değil

Google ve UCSB'den Klimov ve ekibi, TLS kusurlarını superconducting qubit'lerin gevşeme sürelerindeki büyük dalgalanmalara bağlayan doğrudan kanıt buldu (Physical Review Letters 121, 090502).

Tecnun (Navarra Üniversitesi) ve Delaware Üniversitesi'nden araştırmacılar, T1 ve T2'nin ortalamanın %50'sine varan oranda değiştiğini bildiren çalışmaları özetliyor (npj Quantum Information 7, 115). Modelledikleri T1 süreci, dakikalar mertebesindeki korelasyon süresinin çok altındaki aralıklarda neredeyse sabit kalıyor. Bu, PEC modelleri için evrensel bir son kullanma süresi belirlemiyor.

Makale kanal modelleri ve hata düzeltme üzerine. PEC için buradan çıkardığım sonuç şu: bir öğrenme aralığında ölçülen gürültüye uydurulan sabit model, donanım gürültüsü kaydıkça onu temsil edemez hale gelebilir.

Yerel mod gürültü öğrenme adımını prova edemiyor

İstemci taraflı Estimator, resilience_level = 1 ayarıyla yerelde TREX uyguluyor; sunucu taraflı sürüm simülatörlerde resilience seçeneklerini yok sayıyordu (IBM Quantum blog). Böylece bu hata azaltma yolunu yerelde test edebilirsiniz.

Ancak NoiseLearnerV3'ün yerel test modu yok; yalnızca gerçek bir Backend, Session veya Batch kabul ediyor (geçiş rehberi). Yerel gürültülü simülasyon donanım sonuçlarını yeniden üretmiyor. Rehber, seed_estimator seçeneğinin istemci taraflı karşılığı olmadığını da doğruluyor; bu seed artık tekrarlanabilirlik sağlamıyor.

Öğrenilen modeli kullanılacağı koşular için güncel tutun

IBM, katmanların birleşimi üzerinde bir kez öğrenip map'leri aynı Batch içindeki bölünmüş Estimator işlerinde yeniden kullanmayı öneriyor. Batch beklemeleri azaltabilir, ancak araya başka işler ve kalibrasyonlar girebilir. Etkin bir Session özel erişim sağlıyor; yine de gürültü bu sırada da kayabilir (yürütme modları).

Benim pratik önerilerim:

Gürültüyü Estimator işlerine yakın zamanda öğrenin. Uygun olduğunda aynı Batch veya Session'ı kullanın; aynı batch içinde bile gecikme veya yeniden kalibrasyon sonrasında modeli tekrar kontrol edin.
Öğrenme işinin ID'sini ve yürütme aralığını map'lerle birlikte kaydedin; backend kimliğini ve asıl işlerin yürütme zamanlarını da tutun. Yalnızca gönderim zamanı modelin yaşını ölçmez.
Modelin öngörülerini PEC uygulanmamış bir kontrolle karşılaştırın. Kim vd. PEC uygulanmamış Clifford kıyaslama devrelerini hata azaltma devrelerinin arasına yerleştirdi; her iki gruba da okuma hatası azaltma uygulandı.

Bu kontrolde bir karşılık devre üretmek için ConvertISAToClifford kullanmak benim önerim. Pass, RX, RZ ve RZZ açılarını yuvarlıyor (API referansı); dolayısıyla modelin karşılık devrenin katmanlarına uygulanabildiğini doğrulayın ve örnekleme belirsizliğini hesaba katın. Karşılık devredeki uyum, asıl devrenin sonucunun doğruluğunu kanıtlamaz.

Kim vd. bağımsız öğrenme ve hata azaltma döngülerinin ortalamasını alarak da dalgalanmayı azaltıyor; bu yaklaşım büyük devrelerde giderek pahalılaşıyor. Hata tespiti ile PEC'i birleştiren yazı örnekleme maliyetini açıklıyor. Bir modeli farklı koşularda veya kalibrasyon değişikliklerinden sonra yeniden kullanmadan önce SuperconducTED'in kalibrasyon kayması yaklaşımını okuyun.