Técnicas avanzadas - Complementos de Qiskit (addons)

Los complementos de Qiskit (addons) son una colección de capacidades de investigación para permitir el descubrimiento de algoritmos a escala de utilidad. Estos componentes modulares de software se basan en la base de alto rendimiento de Qiskit y pueden integrarse en un flujo de trabajo (workflow) para escalar o diseñar nuevos algoritmos cuánticos. Esta página destaca las herramientas disponibles en categorías funcionales clave para ayudarte a elegir las capacidades relevantes al construir tus flujos de trabajo.

Mapear problemas del dominio

Estas capacidades se especializan en mapear problemas del dominio en operadores y circuitos cuánticos para su ejecución en una computadora cuántica.

Optimizador de mapeo

Modela problemas de optimización y mapéalos en representaciones que una computadora cuántica pueda entender.

Browse documentation →

Qiskit Fermions

Trabaja con sistemas fermiónicos usando estructuras de datos para operadores y circuitos fermiónicos, así como marcos de trabajo para codificaciones de fermión a qubit y síntesis de circuitos mediante la integración con el transpilador de Qiskit.

Explorar documentación →

AQC-Tensor

Construye circuitos de alta fidelidad con profundidad reducida usando compilación cuántica aproximada con redes tensoriales.

Browse documentation →

Fórmulas multiproducto

Reduce el error de Trotter de la dinámica Hamiltoniana mediante una combinación ponderada de varias ejecuciones del circuito.

Browse documentation →

Optimizar circuitos para ejecución en hardware

Estas capacidades son útiles para reducir la profundidad del circuito y suelen conllevar una mayor sobrecarga de muestreo.

Retropropagación de operadores

Reduce la profundidad del circuito en estimaciones de valores esperados retropropagando los observables a través del circuito.

Browse documentation →

Corte de circuitos

Reduce la profundidad de los circuitos transpilados descomponiendo las puertas entrelazadas entre qubits no adyacentes.

Browse documentation →

Aprende modelos de ruido

Usa las siguientes herramientas para aprender y refinar modelos de ruido como parte de tu estrategia de mitigación de errores

Aprendizaje de ruido

Construye experimentos de caracterización de ruido cuántico basados en aleatorización y flujos de análisis de ajuste de modelos

Explorar documentación →

Conos de luz sombreados

Reduce la sobrecarga de muestreo de la cancelación probabilística de errores (PEC) eliminando los términos del modelo de ruido que tienen poco impacto en la estimación del observable.

Explorar documentación →

Gestionar el ruido para la estimación de valores esperados

Usa los siguientes complementos para gestionar el ruido al construir cargas de trabajo cuánticas que estiman valores esperados de observables.

Absorción de ruido propagado

Mitiga los valores esperados midiendo un observable objetivo que ha absorbido información del modelo de ruido.

Explorar documentación →

Qiskit Mitigation

Crea flujos de mitigación de errores personalizados con técnicas como PEC, ZNE y TREX directamente con Samplomatic.

Explorar documentación →

Gestionar el ruido para resultados de muestreo

Estas técnicas son útiles para gestionar el ruido en los resultados de muestreo.

Diagonalización cuántica basada en muestras

Estima el espectro de Hamiltonianos cuánticos procesando muestras con ruido y diagonalizando en un subespacio reducido.

Browse documentation →

SQD para HPC

Una implementación de SQD lista para HPC, escrita en los estándares modernos C++17 y diseñada para habilitar flujos de trabajo y aplicaciones HPC.

Browse documentation →

Postselección con verificaciones de bit-flip

Filtra el ruido no markoviano en cadenas de bits muestreadas incorporando verificaciones de bit-flip en un circuito.

Read the documentation →

Mitigación de mediciones sin matrices (M3)

Mitiga errores de medición procesando en un subespacio reducido definido por cadenas de bits con ruido.

Browse documentation →

Paulice

Aumenta la fidelidad de las distribuciones muestreadas mediante comprobaciones de Pauli eficientes en hardware basadas en códigos de espacio-tiempo.

Explorar documentación →

Capacidades de soporte

Usa estas capacidades para dar soporte y componer tus flujos de trabajo que aprovechan otros complementos.

Utilidades para complementos

Construye flujos de trabajo con complementos más rápido usando esta colección de funciones para crear Hamiltonianos, generar circuitos de evolución temporal de Trotter y aplicar las últimas capacidades de mitigación de errores.

Browse documentation →

Propagación de Pauli

Un marco para aproximar la evolución de operadores, que puede usarse para simular valores esperados e implementar técnicas de mitigación de errores, como la absorción de ruido propagado (PNA) y los conos de luz sombreados.

Browse documentation →