qiskit_noise_learning.analysis.LegacySolve

class qiskit_noise_learning.analysis.LegacySolve

ベース： AnalysisStage

従来のペア・フィデリティ法 ModelData を用いて、を解く。

このクラスは、他のモデルソルバーよりも専門性が高いです。 他の段階は一般的なモデルやパスセットに対応するように設計されているのに対し、この段階には以下の制約や制限があります：

• ここでは、ゲートセットが純粋な準備、測定、および自己逆ユニタリゲートのみで構成されていると仮定する。
• ここでは PauliLindbladModel 、モデルが、ユニタリゲートノイズが2局所的であり、測定ノイズが1局所的であり、かつ準備が完全であると仮定される。 さらに、特定のゲートについて、フィッティングの過程では、「共役パウリ」（そのゲートによって互いに写像されるパウリ）のフィデリティが等しいと仮定される。
• 解析対象として、および EvenDepthVanillaPaths の SPAMPaths パスのみを受け付けます。
• ユニタリーゲートモデルのフィッティングは、指数関数的な減衰データのみに基づいて行われるため、この段階は…の後に実行する必要があります CurveFitObservables。

フィッティングのプロセスは、各ユニタリーゲートについて個別に減衰曲線を解析することで進められ、SPAM実験についても同様に処理される。

• ユニタリゲートについては、共役パウリ演算子を用いたフィデリティの等式に基づいて構築された、より制限された設計行列が構築され、解かれる。 重み > 2 の忠実度は考慮されません。
• SPAMの場合、準備状態が完全であると仮定されるため、すべてのノイズは測定に起因するとみなされる。したがって、対応する単一量子ビット $X$ 発生器の発生率は、測定された忠実度 $F$ に対して $-\ln(F)/2$ として直接計算され、ゼロでクリップされ、その分散は当該忠実度の不確実性から伝播される。

いずれの場合も、返されるジェネレータの集合は、パスで遭遇したフィデリティにどのパウリ状態が現れるかに基づいて構築され、適合させられて返されます。

補足：

• ユニタリーゲートの発生率は、共分散がゼロであることが報告されている。
• 同じパウリが複数の経路に現れる場合、フィデリティの推定値は等しくなければなりません。そうでない場合、このソルバーはエラーを発生させます。

__init__

方法

input_level

output_level