Cirq量子体积误差分析：理解量子计算基准测试的关键指标-CSDN博客

本文链接：https://blog.csdn.net/gitblog_00703/article/details/148524147

Cirq量子体积误差分析：理解量子计算基准测试的关键指标

Cirq A python framework for creating, editing, and invoking Noisy Intermediate Scale Quantum (NISQ) circuits. 项目地址: https://gitcode.com/gh_mirrors/ci/Cirq

量子体积简介

量子体积(Quantum Volume)是衡量量子计算机性能的重要指标，它综合考虑了量子比特数量、门保真度、连接性和错误率等多个因素。Cirq作为谷歌开发的量子计算框架，提供了完整的量子体积计算工具链。

实验设置与参数配置

在Cirq中进行量子体积误差分析时，我们需要配置几个关键参数：

num_circuits = 10       # 生成的随机电路数量
depth = 4               # 电路深度(也等于使用的量子比特数)
num_samplers = 50       # 不同错误率采样器数量
repetitions = 10_000    # 每个电路运行次数
device = cirq_google.Sycamore  # 使用Sycamore处理器拓扑结构

这些参数决定了实验的规模和精度。深度(depth)同时代表电路层数和使用的量子比特数，这是量子体积测试的核心参数。

错误率模型构建

量子体积测试的关键在于分析不同错误率下的表现：

errors = np.logspace(-1, -4, num=num_samplers)  # 从10^-1到10^-4的50个对数间隔错误率
samplers = [
    cirq.DensityMatrixSimulator(
        noise=cirq.ConstantQubitNoiseModel(
            qubit_noise_gate=cirq.DepolarizingChannel(p=error))
    ) for error in errors
]

这里使用了密度矩阵模拟器和恒定量子比特噪声模型，通过DepolarizingChannel模拟退极化噪声。对数间隔的错误率让我们能够全面观察系统在不同噪声水平下的表现。

量子体积计算过程

Cirq提供了专门的量子体积计算函数：

result = quantum_volume.calculate_quantum_volume(
    num_circuits=num_circuits,
    depth=depth,
    num_qubits=depth,
    device_graph=routing.gridqubits_to_graph_device(device.metadata.qubit_set),
    samplers=samplers,
    compiler=optimize,
    repetitions=repetitions,
)

这个函数完成了以下工作：

生成指定数量的随机电路
为每个电路创建理想状态下的重输出概率
在不同噪声水平的模拟器上运行这些电路
统计实际重输出概率

结果可视化与分析

通过Matplotlib我们可以直观地看到错误率与重输出概率(HOG)的关系：

plt.xscale('log')  # x轴使用对数坐标
axs.axhline((1 + np.log(2)) / 2, color='tab:green', linestyle='dashed')  # 理想渐近线
axs.axhline(2 / 3, color='k', linestyle='dotted')  # HOG阈值线

图表中两条水平参考线非常重要：