Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

qBraidサポート - QBraidExecutor

タグ: integration optimization variational

このページでは、QamomileのqBraidサポートを紹介し、QBraidExecutorを使ってQamomileのワークフローを実行する方法を説明します。現状のQamomileはQiskit経由でqBraidと連携するため、基本的な流れは qkernel -> QiskitTranspiler -> QBraidExecutor です。

このノートで扱う内容

このノートは、MaxCutを題材にした QBraidExecutorのチュートリアルです。主な目的は、QBraidExecutorを設定し、QiskitTranspilerでqkernelをトランスパイルし、同じexecutorを最適化ループ全体で再利用しながら、最後にqBraidから返るサンプルを確認する流れを示すことです。

インストール

qBraid連携を使うには、オプションのqbraid依存グループを含めてインストールします。

pip install "qamomile[qbraid]"

これにより、Qamomile本体に加えてqBraidパッケージと、そのQiskit連携に必要な依存関係がインストールされます。

qBraidのセットアップ

qBraidは、対応するシミュレータや量子ハードウェアを統一的なインターフェースで扱える実行基盤です。Qamomileでは、QBraidExecutorがQiskit回路をqBraidのデバイスへ送信し、リモートジョブの完了を待ち、他のQamomile executorと同じ形式で結果を返します。

このノートでは、最初にexecutorを作成し、それをパラメータ最適化と最後の評価の両方で使い回します。下のwarning filterはこのセットアップ用セルだけに作用するため、既知のpyqir runtime warningのみを抑制し、それ以外のwarningには影響しません。

注意: 下のセルの "YOUR_API_KEY" をご自身のqBraid APIキーに置き換えてください。APIキーは qBraidアカウントページ から取得できます。

MaxCut例

qBraid executorの準備ができたので、次にMaxCut用のパラメータ付きQAOAプログラムを1つ用意し、最適化の中でqBraidから繰り返しサンプリングします。全体の流れは、グラフ生成 -> Ising モデル化 -> パラメータ付きQAOA qkernel -> Qiskitへのトランスパイル -> qBraidでのサンプリング -> 解の解析、という順番です。

問題の構築

networkx.random_regular_graph を使って、8ノードの小さな3-正則ランダムグラフをMaxCutのインスタンスとして生成します。このグラフが、後でQAOA回路にエンコードされてqBraid上でサンプリングされる古典入力データになります。図は問題構造を可視化しているだけで、最適化で実際に使うのはgraphに入っているデータです。

<Figure size 600x500 with 1 Axes>

Isingハミルトニアンの構築

MaxCutは、両端点が異なるスピン状態にあるときに辺が寄与するIsing最適化問題として書けます。この構成では、各辺が二次の相互作用項を追加し、定数項は「Isingエネルギーを最小化すること」が「cut値を最大化すること」に対応するように目的関数をずらしています。さらに、normalize_by_rms()で係数のスケールを揃えておきます。この前処理はQAOA回路でパラメータ最適化を行うための前処理としてしばしば上手く機能します。

BinaryExpr(vartype=<VarType.SPIN: 'SPIN'>, constant=np.float64(-12.0), coefficients={(0,): np.float64(0.0), (1,): np.float64(0.0), (2,): np.float64(0.0), (3,): np.float64(0.0), (4,): np.float64(0.0), (5,): np.float64(0.0), (6,): np.float64(0.0), (7,): np.float64(0.0), (0, 7): np.float64(1.0), (0, 3): np.float64(1.0), (0, 2): np.float64(1.0), (1, 4): np.float64(1.0), (1, 6): np.float64(1.0), (1, 3): np.float64(1.0), (2, 4): np.float64(1.0), (2, 5): np.float64(1.0), (3, 6): np.float64(1.0), (4, 7): np.float64(1.0), (5, 7): np.float64(1.0), (5, 6): np.float64(1.0)})

QAOA回路の構築

qaoa_state(...)はIsingモデルに対するQAOA ansatzを構築し、qmc.measure(q)はその状態準備回路を測定ビットを返すsampling qkernelに変換します。その後、量子回路の構造に影響するパラメータだけを先に束縛し、gammasとbetasは変分パラメータとして残したままQiskitTranspilerでトランスパイルします。

最適化

目的関数は、一度に1つの候補パラメータベクトルを評価します。各試行では、gammasとbetasを束縛した実行可能プログラムをQBraidExecutor経由でqBraidに送り、得られたビット列サンプルを二値エネルギーに変換して平均を取り、その値を目的関数として使います。外側の古典最適化はscipy.optimize.minimize(...)が担当し、各更新を支える測定データはqBraidのサンプリングから得られます。同じexecutorを全反復で使い回します。

p=5 層でQAOAの最適化を開始します...
初期パラメータ: gammas=[ 0.35076764  0.685864   -0.23260876  0.55643368  0.13513932], betas=[-0.51593692  0.46886025 -0.72964494 -0.30084649 -0.58317504]
Return from COBYLA because the trust region radius reaches its lower bound.
Number of function values = 88   Least value of F = -8.382
The corresponding X is:
[ 1.45802969  0.66918056  0.53326241  1.61889244  0.05980886 -0.08431889
  0.3452794  -0.77868898  0.79537386 -0.66914409]


最適化後のパラメータ:
  gammas: [1.45802969 0.66918056 0.53326241 1.61889244 0.05980886]
  betas: [-0.08431889  0.3452794  -0.77868898  0.79537386 -0.66914409]
最終エネルギー: -8.3820
<Figure size 1000x500 with 1 Axes>

評価

最適化が終わったら、最適化済みパラメータでもう一度qBraidを呼び出し、より多くの測定結果を集めます。これにより、最終的なエネルギー分布を確認し、サンプルの中で最も低いエネルギーを与えたビット列を見つけて、それを元のグラフに対するMaxCut解として解釈できます。

<Figure size 1200x500 with 1 Axes>
<Figure size 600x500 with 1 Axes>

任意: 古典最適化との比較

メインのqBraidワークフローはここまでです。最後の節では、JijModeling と OMMXPySCIPOptAdapter を使った古典最適化と比較します。これにより、同じMaxCutインスタンスに対して得られたQAOAの結果がどの程度良いかを判断しやすくなります。

Loading...
{'V': 8, 'E': EdgeView([(0, 7), (0, 3), (0, 2), (1, 4), (1, 6), (1, 3), (2, 4), (2, 5), (3, 6), (4, 7), (5, 7), (5, 6)])}
SCIPの解: [0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0]
<Figure size 600x500 with 1 Axes>
<Figure size 600x500 with 1 Axes>