结果类型列表 - Amazon Braket

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

结果类型列表

使用测量电路时，Amazon Braket 可以返回不同类型的结果。ResultType电路可以返回以下类型的结果。

  • AdjointGradient返回所提供的可观测值的期望值的梯度（向量导数）。该可观察对象使用伴随微分法根据指定参数作用于提供的目标。只有在 shots=0 时才能使用此方法。

  • Amplitude返回输出波函数中指定量子态的振幅。它可在以下网址获得 SV1 仅限本地模拟器。

  • Expectation返回给定可观察对象的期望值，该值可以通过本章后面介绍的Observable类来指定。目标 qubits 必须指定用于测量可观察对象的数量，并且指定目标的数量必须等于其数量 qubits 可观察到的行为就是在此基础上进行的。如果未指定目标，则可观察对象只能在 1 上运行 qubit 它适用于所有人 qubits 并行地。

  • Probability返回测量计算基态的概率。如果未指定目标，则Probability返回测量所有基态的概率。如果指定了目标，则仅指定基向量的边际概率 qubits 被退回。

  • Reduced density matrix返回指定目标子系统的密度矩阵 qubits 来自一个系统 qubits。 为了限制此结果类型的大小，Braket 限制了目标的数量 qubits 最大值为 8。

  • StateVector返回完整的状态向量。它可在本地模拟器上使用。

  • Sample返回指定目标的测量次数 qubit 设定且可观察。如果未指定目标，则可观察对象只能在 1 上运行 qubit 它适用于所有人 qubits 并行地。如果指定了目标，则指定目标的数量必须等于目标的数量 qubits 可观察到的行为就是在此基础上进行的。

  • Variance返回指定目标的方差 (mean([x-mean(x)]2)) qubit 设置和可观察作为请求的结果类型。如果未指定目标，则可观察对象只能在 1 上运行 qubit 它适用于所有人 qubits 并行地。否则，指定的目标数量必须等于目标的数量 qubits 可以将可观测值应用于其中。

不同设备支持的结果类型：

本地模拟卡

SV1

DM1

TN1

Rigetti

IonQ

IQM

伴随渐变

否

Y

否

否

否

否

否

Amplitude

Y

Y

否

否

否

否

否

期望

Y

Y

Y

Y

Y

Y

Y

Probability

Y

Y

Y

否

是*

Y

Y

低密度矩阵

Y

否

Y

否

否

否

否

状态向量

Y

否

否

否

否

否

否

样本

Y

Y

Y

Y

Y

Y

Y

方差

Y

Y

Y

Y

Y

Y

Y
注意

* Rigetti 仅支持最多 40 的概率结果类型 qubits.

您可以通过检查设备属性来检查支持的结果类型，如以下示例所示。

device = AwsDevice("arn:aws:braket:us-west-1::device/qpu/rigetti/Ankaa-2")

# print the result types supported by this device
for iter in device.properties.action['braket.ir.openqasm.program'].supportedResultTypes:
    print(iter)
name='Sample' observables=['x', 'y', 'z', 'h', 'i'] minShots=10 maxShots=50000
name='Expectation' observables=['x', 'y', 'z', 'h', 'i'] minShots=10 maxShots=50000
name='Variance' observables=['x', 'y', 'z', 'h', 'i'] minShots=10 maxShots=50000
name='Probability' observables=None minShots=10 maxShots=50000

要调用 aResultType，请将其附加到电路中，如以下示例所示。

from braket.circuits import Observable

circ = Circuit().h(0).cnot(0, 1).amplitude(state=["01", "10"])
circ.probability(target=[0, 1])
circ.probability(target=0)
circ.expectation(observable=Observable.Z(), target=0)
circ.sample(observable=Observable.X(), target=0)
circ.state_vector()
circ.variance(observable=Observable.Z(), target=0)

# print one of the result types assigned to the circuit
print(circ.result_types[0])
注意

有些设备提供测量（例如 Rigetti) 作为结果，而其他则提供概率作为结果（例如 IonQ)。 为结果SDK提供了测量属性，但对于返回概率的设备，则该属性是事后计算的。因此，诸如由提供的设备之类的设备 IonQ 由于不返回每次射击的测量值，因此测量结果由概率确定。您可以通过查看结果对象measurements_copied_from_device上的结果来检查结果是否经过后期计算，如本文件所示。

可观察对象

Amazon Braket 包括一个Observable类，该类可用于指定要测量的观测值。

您最多可以对每个应用一个可观察到的唯一非身份 qubit。 如果你为同一个指定两个或多个不同的非身份可观察对象 qubit，你会看到一个错误。为此，张量乘积的每个因子都算作一个单独的可观察对象，因此允许使用多个张量乘积作用于同一个因子 qubit，前提是对此起作用的因素 qubit 是一样的。

您还可以缩放可观测值并添加可观察对象（无论是否缩放）。Sum这将创建可在AdjointGradient结果类型中使用的。

该Observable类包括以下可观察对象。

Observable.I()
Observable.H()
Observable.X()
Observable.Y()
Observable.Z()

# get the eigenvalues of the observable
print("Eigenvalue:", Observable.H().eigenvalues)
# or whether to rotate the basis to be computational basis
print("Basis rotation gates:",Observable.H().basis_rotation_gates)

# get the tensor product of observable for the multi-qubit case
tensor_product = Observable.Y() @ Observable.Z()
# view the matrix form of an observable by using
print("The matrix form of the observable:\n",Observable.Z().to_matrix())
print("The matrix form of the tensor product:\n",tensor_product.to_matrix())

# also factorize an observable in the tensor form
print("Factorize an observable:",tensor_product.factors)

# self-define observables given it is a Hermitian
print("Self-defined Hermitian:",Observable.Hermitian(matrix=np.array([[0, 1],[1, 0]])))

print("Sum of other (scaled) observables:", 2.0 * Observable.X() @ Observable.X() + 4.0 * Observable.Z() @ Observable.Z())
Eigenvalue: [ 1 -1]
Basis rotation gates: (Ry('angle': -0.7853981633974483, 'qubit_count': 1),)
The matrix form of the observable:
 [[ 1.+0.j  0.+0.j]
 [ 0.+0.j -1.+0.j]]
The matrix form of the tensor product:
 [[ 0.+0.j  0.+0.j  0.-1.j  0.-0.j]
 [ 0.+0.j -0.+0.j  0.-0.j  0.+1.j]
 [ 0.+1.j  0.+0.j  0.+0.j  0.+0.j]
 [ 0.+0.j -0.-1.j  0.+0.j -0.+0.j]]
Factorize an observable: (Y('qubit_count': 1), Z('qubit_count': 1))
Self-defined Hermitian: Hermitian('qubit_count': 1, 'matrix': [[0.+0.j 1.+0.j], [1.+0.j 0.+0.j]])
Sum of other (scaled) observables: Sum(TensorProduct(X('qubit_count': 1), X('qubit_count': 1)), TensorProduct(Z('qubit_count': 1), Z('qubit_count': 1)))

参数

电路可能包含自由参数，您可以以 “构造一次——运行多次” 的方式使用这些参数并计算梯度。自由参数具有字符串编码的名称，您可以使用该名称来指定其值或确定是否对其进行区分。

from braket.circuits import Circuit, FreeParameter, Observable
theta = FreeParameter("theta")
phi = FreeParameter("phi")
circ = Circuit().h(0).rx(0, phi).ry(0, phi).cnot(0, 1).xx(0, 1, theta)
circ.adjoint_gradient(observable=Observable.Z() @ Observable.Z(), target=[0, 1], parameters = ["phi", theta]

对于要区分的参数，请使用其名称（作为字符串）或通过直接引用来指定它们。请注意，使用AdjointGradient结果类型计算梯度是相对于可观测值的期望值完成的。

注意：如果您通过将自由参数的值作为参数传递给参数化电路来固定这些值，则运行指定了结果类型和参数的电路将产生错误。AdjointGradient这是因为我们用来区分的参数已不复存在。请参阅以下示例。

device.run(circ(0.2), shots=0) # will error, as no free parameters will be present
device.run(circ, shots=0, inputs={'phi'=0.2, 'theta'=0.2) # will succeed