練習 - 開始使用 Azure Quantum Resource Estimator

8 分鐘

讓我們使用 Azure Quantum Resource Estimator 來進行一些練習。在下列範例中，您會估計 Shor 演算法範例的實體資源。

安裝 qsharp 和 qsharp-widgets

首先，安裝最新的 Azure Quantum qsharp 和 qsharp-widgets 套件。

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

建立量子演算法

在 Visual Studio Code 中，選取 [檢視]>[命令選擇區]，然後選取 [建立:新增 Jupyter Notebook]。
在筆記本的第一個儲存格中，匯入 qsharp 套件：
```
import qsharp
from qsharp_widgets import EstimateDetails
```

新增儲存格並複製下列程式碼：

%%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;
    }

估計量子演算法

現在，使用預設假設來估計 RandomBit 作業的實體資源。新增儲存格並複製下列程式碼：
```
result = qsharp.estimate("RandomBit()")
result
```
qsharp.estimate 函式會建立結果物件，可用來顯示具有整體實體資源計數的資料表。第一個資料表會顯示主要實體資源估計值。此 RandomBit 作業需要 300 個量子位元，並在量子計算機上執行 2 微秒。

實體資源估計值值

執行階段 2 微秒

rQOPS 3.00M

實際量子位元 300

實體資源估計值	值
執行階段	2 微秒
rQOPS	3.00M
實際量子位元	300

您可以藉由折迭群組來檢查成本詳細資料，這些群組具有詳細資訊。例如，摺疊 [邏輯量子位元參數] 群組，以查看程式碼距離為 5，而每邏輯量子位元的實體量子位元的數目為 50。

邏輯量子位元參數	值
QEC 配置	surface_code
程式碼距離	5
實際量子位元	50
邏輯週期時間	2 微秒
邏輯量子位元錯誤率	3.00E-5
交叉前置要素	0.03
錯誤修正臨界值	0.01
邏輯週期時間公式	(4 * `twoQubitGateTime` + 2 * `oneQubitMeasurementTime`) * `codeDistance`
實體量子位元公式	2 * `codeDistance` * `codeDistance`

您可以使用 jobParams 欄位來存取可傳遞至作業執行的所有目標參數，並查看假設的預設值:

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'}}

您可以看到資源估算器會採用 qubit_gate_ns_e3 量子位模型、surface_code 錯誤更正碼和 0.001 錯誤預算作為估計的預設值。

變更預設值並估計演算法

提交計劃的資源估計要求時，您可以指定一些選擇性參數。以下是您可以自訂的目標參數：

errorBudget：演算法的整體允許錯誤預算
qecScheme：量子誤差修正 (QEC) 配置
qubitParams：實體量子位元參數
constraints：元件層級的條件約束
distillationUnitSpecifications：T Factory 擷取演算法的規格
estimateType：單一或前沿

變更量子位元模型

您可以使用以 Majorana 為基礎的量子位元參數，qubitParams，qubit_maj_ns_e6 來估計相同演算法的成本。

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

變更量子誤差修正配置

您可以在 Majorana 型的量子位元參數上，使用浮點 QEC 配置，qecScheme，重新執行相同範例的資源估計作業。

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

變更錯誤預算

接下來，使用 10% 的 errorBudget，重新執行相同的量子線路。

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