练习 - Azure Quantum 资源估算器入门

8 分钟

让我们来进行一些使用 Azure Quantum 资源估算器的练习。在以下示例中，估算 Shor 算法示例的物理资源。

安装 qsharp 和 qsharp 小组件

首先，安装最新的 Azure Quantum qsharp 和 qsharp-widgets 包。

python -m pip install --upgrade qsharp qsharp-widgets

创建量子算法

在 Visual Studio Code 中，选择“视图”>“命令面板”，然后选择“创建：新 Jupyter Notebook”。

在笔记本的第一个单元格中，导入 qsharp 包：

import qsharp
from qsharp_widgets import EstimateDetails

添加新单元格并复制以下代码：

%%qsharp
/// # Sample
/// Random Bit
///
/// # Description
/// This Q# program generates a random bit by setting a qubit in a superposition
/// of the computational basis states |0〉 and |1〉, and returning the measurement
/// result.

    operation RandomBit() : Result {
        // Qubits are only accesible for the duration of the scope where they
        // are allocated and are automatically released at the end of the scope.
        use qubit = Qubit();

        // Set the qubit in superposition by applying a Hadamard transformation.
        H(qubit);

        // Measure the qubit. There is a 50% probability of measuring either 
        // `Zero` or `One`.
        let result = M(qubit);

        // Reset the qubit so it can be safely released.
        Reset(qubit);
        return result;
    }

估计量子算法

现在使用默认假设来估算 RandomBit 操作的物理资源。添加新单元格并复制以下代码：
```
result = qsharp.estimate("RandomBit()")
result
```
qsharp.estimate 函数创建一个结果对象，可用于显示整体物理资源计数的表。第一个表显示了主要物理资源估计值。 RandomBit 操作需要 300 个量子比特，在量子计算机上运行需要 2 微秒。

物理资源估计值

运行时 2 微秒

rQOPS 3.00M

物理量子比特 300

物理资源估计	值
运行时	2 微秒
rQOPS	3.00M
物理量子比特	300

可以通过折叠包含更多信息的组来检查成本详细信息。例如，折叠“逻辑量子比特参数”组可看到代码距离为 5，每个逻辑量子比特的物理量子比特数为 50。

逻辑量子比特参数	值
QEC 方案	surface_code
码距	5
物理量子比特	50
逻辑周期时间	2 微秒
逻辑量子比特错误率	3.00E-5
交叉预制	0.03
错误更正阈值	0.01
逻辑周期时间公式	(4 * `twoQubitGateTime` + 2 * `oneQubitMeasurementTime`) * `codeDistance`
物理量子比特公式	2 * `codeDistance` * `codeDistance`

可以使用 jobParams 字段访问可传递给作业执行的所有目标参数，并查看假定的默认值：

result['jobParams']

{'errorBudget': 0.001,
 'qecScheme': {'crossingPrefactor': 0.03,
  'errorCorrectionThreshold': 0.01,
  'logicalCycleTime': '(4 * twoQubitGateTime + 2 * oneQubitMeasurementTime) * codeDistance',
  'name': 'surface_code',
  'physicalQubitsPerLogicalQubit': '2 * codeDistance * codeDistance'},
 'qubitParams': {'instructionSet': 'GateBased',
  'name': 'qubit_gate_ns_e3',
  'oneQubitGateErrorRate': 0.001,
  'oneQubitGateTime': '50 ns',
  'oneQubitMeasurementErrorRate': 0.001,
  'oneQubitMeasurementTime': '100 ns',
  'tGateErrorRate': 0.001,
  'tGateTime': '50 ns',
  'twoQubitGateErrorRate': 0.001,
  'twoQubitGateTime': '50 ns'}}

可以看到，资源估算器采用了 qubit_gate_ns_e3 量子比特模型、surface_code 纠错代码和 0.001 错误预算作为估算的默认值。

更改默认值并估计算法

为程序提交资源估算请求时，可以指定一些可选参数。以下是可以自定义的目标参数：

errorBudget：算法的总体允许错误预算
qecScheme：量子纠错 (QEC) 方案
qubitParams：物理量子比特参数
constraints：组件级别的约束
distillationUnitSpecifications：T 工厂蒸馏算法的规范
estimateType：单一或边界

更改量子比特模型

可以使用基于 Majorana 的量子比特参数 qubitParams、qubit_maj_ns_e6 估算同一算法的成本。

result_maj = qsharp.estimate("RandomBit()", params={
                "qubitParams": {
                    "name": "qubit_maj_ns_e6"
                }})
EstimateDetails(result_maj)

更改量子纠错方案

对于基于 Majorana 的量子比特参数上的同一示例，可以使用已 floque 的 QEC 方案 qecScheme 重新运行资源估算作业。

result_maj = qsharp.estimate("RandomBit()", params={
                "qubitParams": {
                    "name": "qubit_maj_ns_e6"
                },
                "qecScheme": {
                    "name": "floquet_code"
                }})
EstimateDetails(result_maj)

更改错误预算

接下来，使用 10% 的 errorBudget 重新运行同一量子线路。

result_maj = qsharp.estimate("RandomBit()", params={
                "qubitParams": {
                    "name": "qubit_maj_ns_e6"
                },
                "qecScheme": {
                    "name": "floquet_code"
                },
                "errorBudget": 0.1})
EstimateDetails(result_maj)