リソース推定

量子カーネルを実機で実行する前に、必要なリソース（量子ビット数、ゲート数等）を把握しておきたい場合や、そもそも定義した量子カーネルを実行するために必要なリソースを知りたい場合があります。Qamomileのestimate_resources()は量子カーネルを実行せずにリソース推定が可能です。具体的な（パラメータ固定の）量子カーネルにも、シンボリック（パラメータ付き）な量子カーネルにも対応しています。

この章では以下を扱います：

固定量子カーネルの基本的なリソース推定
パラメータ付き量子カーネルのシンボリックなリソース推定
ResourceEstimateフィールドリファレンス
.substitute()によるスケーリング分析

# 最新のQamomileをpipからインストールします！
# !pip install qamomile

import qamomile.circuit as qmc

固定量子カーネルのリソース推定¶

パラメータを持たない量子カーネルに対しては、estimate_resources()は具体的な数値を返します。

@qmc.qkernel
def fixed_circuit() -> qmc.Vector[qmc.Bit]:
    q = qmc.qubit_array(3, name="q")

    q[0] = qmc.h(q[0])
    q[0], q[1] = qmc.cx(q[0], q[1])
    q[1], q[2] = qmc.cx(q[1], q[2])

    return qmc.measure(q)

fixed_circuit.draw()

est = fixed_circuit.estimate_resources()
print("qubits:", est.qubits)
print("total gates:", est.gates.total)
print("single-qubit gates:", est.gates.single_qubit)
print("two-qubit gates:", est.gates.two_qubit)

qubits: 3
total gates: 3
single-qubit gates: 1
two-qubit gates: 2

シンボリックなリソース推定¶

量子カーネルに未バインドのパラメータ（例：n: qmc.UInt）がある場合、estimate_resources()はSymPy式を返します。特定の値を選ばなくてもコストのスケーリングが分かります。

@qmc.qkernel
def scalable_circuit(n: qmc.UInt, theta: qmc.Float) -> qmc.Vector[qmc.Bit]:
    q = qmc.qubit_array(n, name="q")

    for i in qmc.range(n):
        q[i] = qmc.h(q[i])
        q[i] = qmc.ry(q[i], theta)

    for i in qmc.range(n - 1):
        q[i], q[i + 1] = qmc.cx(q[i], q[i + 1])

    return qmc.measure(q)

scalable_circuit.draw(n=4, fold_loops=False)

est = scalable_circuit.estimate_resources()
print("qubits:", est.qubits)
print("total gates:", est.gates.total)
print("single-qubit gates:", est.gates.single_qubit)
print("two-qubit gates:", est.gates.two_qubit)
print("rotation gates:", est.gates.rotation_gates)
print("parameters:", est.parameters)

qubits: n
total gates: 3*n - 1
single-qubit gates: 2*n
two-qubit gates: n - 1
rotation gates: n
parameters: {'n': n}

出力には、量子ビット数を表すnや総ゲート数を表す3*n - 1のようなSymPy式が含まれます。これらは近似ではなく厳密な値です。

`ResourceEstimate`フィールドリファレンス¶

フィールド	説明
`est.qubits`	論理量子ビット数
`est.gates.total`	総ゲート数
`est.gates.single_qubit`	単一量子ビットゲート数
`est.gates.two_qubit`	2量子ビットゲート数
`est.gates.multi_qubit`	多量子ビットゲート数（3量子ビット以上）
`est.gates.t_gates`	Tゲート数
`est.gates.clifford_gates`	Cliffordゲート数
`est.gates.rotation_gates`	回転ゲート数
`est.gates.oracle_calls`	オラクル呼び出し回数（名前別の辞書）
`est.parameters`	シンボル名からSymPyシンボルへの辞書

すべてのフィールドはSymPy式です。固定量子カーネルの場合は通常の整数に評価されます。

`.substitute()`によるスケーリング分析¶

シンボリック式は数式を示してくれますが、特定のサイズでの具体的な数値も確認したい場合.substitute()で評価できます：

for n_val in [4, 8, 16, 32]:
    c = est.substitute(n=n_val)
    print(
        f"n={n_val:2d}: {int(c.gates.total):>3} gates total, {int(c.gates.two_qubit):>2} two-qubit"
    )

n= 4:  11 gates total,  3 two-qubit
n= 8:  23 gates total,  7 two-qubit
n=16:  47 gates total, 15 two-qubit
n=32:  95 gates total, 31 two-qubit

まとめ¶

estimate_resources()は実行せずに量子ビット数とゲートコストを算出します。
パラメータ付き量子カーネルでは、結果は厳密なスケーリングを示すSymPy式になります。
.substitute(n=...)で特定のサイズに代入し、実行可能性を確認できます。

次へ：実行モデル — sample()とrun()、オブザーバブル、ビット順序について。

固定量子カーネルのリソース推定¶

シンボリックなリソース推定¶

ResourceEstimateフィールドリファレンス¶

.substitute()によるスケーリング分析¶

まとめ¶

`ResourceEstimate`フィールドリファレンス¶

`.substitute()`によるスケーリング分析¶