Bülten

Her güncellemeyi e-postayla alın

Yeni bir şey yayımladığımızda kısa bir e-posta. Buttondown önce onayınızı ister ve her e-postada abonelikten çıkma bağlantısı vardır.

Neredeyse bitti.

SuperconducTED · https://superconducted.github.io/tr/how-it-works/

Yöntem

Nasıl çalışır

İlk dört bölüm fikri sade bir dille anlatır. Ardından denklemler gelir; matematiği motorun koduyla karşılaştırabilirsiniz.

Değişen bir makine

IBM, kuantum bilgisayarlarının her biri için kalibrasyon verisi yayımlar: her kübitin durumunu ne kadar süre koruduğu (T1 ve T2), bir kapının ne sıklıkla hata yaptığı, bir ölçümün ne sıklıkla yanlış okunduğu.

  • Bu sayılar sürüklenir; çip ve soğutucusu değiştikçe bazen yavaşça, bazen sıçramalarla.
  • Kanıtı ana sayfada: ibm_fez üzerindeki bir kübitin Mayıs’tan Ekim 2026’ya kadar gerçek T1 kalibrasyonları.

Qiskit’in NoiseModel.from_backend fonksiyonu en son kalibrasyonu bir gürültü modeline kopyalar. Model alındığı an için doğrudur ve simülasyonunuzdaki hiçbir şey makinenin o andan beri ne kadar değiştiğini göstermez.

Yedi aşamalı hat

SuperconducTED, kalibrasyon verisi ile simülatör Qiskit Aer arasında durur. Her anlık görüntü yedi aşamadan geçer:

  1. Alma. Zamanlanmış bir iş, Mayıs 2026’dan beri IBM’in ibm_fez makinesinin kalibrasyonlarını herkese açık biçimde arşivliyor.
  2. Özetleme. Anlık görüntüyü üç öznitelik tanımlar: ortalama T1, ortalama T2 ve ortalama okuma hatası.
  3. Bulanıklaştırma. Her öznitelik birbiriyle örtüşen bulanık kümelerle (“düşük”, “olağan”, “yüksek”) tanımlanır. Kümelerin her birleşimi bir kuraldır ve her kural, anlık görüntü ona ne kadar uyuyorsa o kadar güçlü ateşlenir.
  4. Birleştirme. Her kural, gürültü parametrelerini özniteliklerin doğrusal bir fonksiyonu olarak önerir; motor bu önerilerin, ateşlenme gücüyle ağırlıklı ortalamasını alır.
  5. Sıkıştırma. Sonuç, fiziksel parametrenin alabileceği aralığa eşlenir.
  6. Uygunluk denetimi. Yalnızca anlık görüntünün raporladığı kapılar bir gürültü kanalı alır.
  7. İzdüşüm. Parametreler, Aer’in simüle ettiği genlik ve faz sönümü kanallarına dönüşür.

Kural tabanı bir Takagi-Sugeno-Kang (TSK) bulanık sistemidir. ANFIS bu tabanı küçük bir sinir ağının eğitildiği gibi eğitir.

Neden bir aralık

Tek bir kalibrasyon, sürekli değişen bir makineden alınmış tek bir örnektir.

  • Aralık tip-2 bulanık kümenin bir alt ve bir üst üyeliği vardır. İkisinin arasındaki boşluk, girdi hakkında bilinmeyeni taşır.
  • Bu belirsizliği kapsayan bir gürültü modeli topluluğu, tek bir simülasyonu bir sonuç aralığına dönüştürür.
  • Amaç, donanımın kalibrasyon döngüleri boyunca yaptığını kapsayan bir aralıktır.

Şu anki durum

Araştırma önizlemesi. Bu bölüm bir sonucu değil, motorun durumunu anlatır.

  • Çalışanlar: kalibrasyon arşivi, öznitelik çıkarımı, uçtan uca bulanık hat, kanal izdüşümü ve bir Aer gürültü modeli topluluğu. Test takımında 859 NC-021 test var.
  • Sürenler: eğitim. Kural çıktılarının ridge en küçük kareler uydurması 15 Ekim 2026’da birleştirildi PR #114. Eğitim, eğitilebilir parametre başına beş farklı cihaz durumu, toplam 1.170 NC-045 durum gerektirir; 868 NC-069 tanesi arşivde.
  • Açık olanlar: topluluk üyelerinin nasıl farklılaşacağı ADR-015, sonuçlarının bir aralıkta nasıl birleşeceği ADR-016 ve tip-1 mi aralık tip-2 mi ADR-009. Bunlar netleşene kadar çıktılar nokta tahminleridir.

Her tasarım kararı motorun karar kaydında, tasarımın kendisi mimari belgesinde, her sayı da sayısal iddialar kaydında yer alır.

Denklemler

Tanımlar motorun kodundakilerle aynıdır (fuzzy/membership.py, fuzzy/tsk.py, fuzzy/defuzzification.py, channels/kraus.py).

Öznitelikler. Bir anlık görüntü x=(x1,x2,x3)x = (x_1, x_2, x_3) verir: ortalama T1, ortalama T2 ve ortalama okuma hatası.

Üyelik. Her rr kuralının her öznitelik için, merkezi cc ve genişliği σ\sigma eğitimle öğrenilen bir Gauss kümesi vardır:

μr,i(xi)=exp⁡(−12(xi−cr,iσr,i)2) \mu_{r,i}(x_i) = \exp\left(-\frac{1}{2}\left(\frac{x_i - c_{r,i}}{\sigma_{r,i}}\right)^{2}\right)

Ateşleme gücü. Kuralın üyeliklerinin çarpımı:

wr(x)=∏i=13μr,i(xi) w_r(x) = \prod_{i=1}^{3} \mu_{r,i}(x_i)

Kural çıktısı. Birinci dereceden TSK: her kural iki gürültü parametresini özniteliklerin doğrusal bir fonksiyonu olarak önerir:

yr(x)=Ar[x1],Ar∈R2×4 y_r(x) = A_r \begin{bmatrix} x \\ 1 \end{bmatrix}, \qquad A_r \in \mathbb{R}^{2 \times 4}

Birleştirme. Önerilerin RR kural üzerinden, ateşleme gücüyle ağırlıklı ortalaması:

y(x)=∑r=1Rwr(x) yr(x)∑r=1Rwr(x) y(x) = \frac{\sum_{r=1}^{R} w_r(x)\, y_r(x)}{\sum_{r=1}^{R} w_r(x)}

Öznitelik başına üç kümeyle R=33=27R = 3^3 = 27 kural ve 234 NC-045 eğitilebilir parametre vardır: 216’sı ArA_r matrislerinde, 18’i merkez ve genişliklerde NC-037.

Kanal. Sıkıştırma yy‘yi, ikisi de [0,1][0, 1] aralığında olan bir genlik sönümü parametresi γ\gamma ile bir faz sönümü parametresi λ\lambda‘ya dönüştürür. Her uygun kapı, Kraus operatörleri

K0=[1001−γ],K1=[0γ00] K_0 = \begin{bmatrix} 1 & 0 \\ 0 & \sqrt{1-\gamma} \end{bmatrix}, \qquad K_1 = \begin{bmatrix} 0 & \sqrt{\gamma} \\ 0 & 0 \end{bmatrix}

olan genlik sönümünü, λ\lambda parametreli faz sönümüyle birleşik olarak alır.

Tip-2 yolu. Aralıklı bir Gauss kümesinin iki genişliği vardır, σlow<σhigh\sigma^{\mathrm{low}} < \sigma^{\mathrm{high}}; böylece her üyelik bir aralık olur ve her kural bir alt güç w‾r\underline{w}_r ile bir üst güç w‾r\overline{w}_r ile ateşlenir. Motorun Nie-Tan durulaştırıcısı iki ağırlıklı ortalamanın ortalamasını alır:

y(x)=12(∑rw‾r(x) yr(x)∑rw‾r(x)+∑rw‾r(x) yr(x)∑rw‾r(x)) y(x) = \frac{1}{2}\left( \frac{\sum_{r} \underline{w}_r(x)\, y_r(x)}{\sum_{r} \underline{w}_r(x)} + \frac{\sum_{r} \overline{w}_r(x)\, y_r(x)}{\sum_{r} \overline{w}_r(x)} \right)

Aralık. Aralığın topluluktan gelmesi planlanıyor: NN gürültü modeli (varsayılan olarak 32 NC-018) ayrı ayrı simüle edilir ve sonuçları bir aralıkta birleştirilir. Üyelerin nasıl farklılaşacağı ve sonuçlarının nasıl birleşeceği yukarıdaki açık kararlardır.

GitHub'da herkese açık yanıt veriyoruz; böylece sizin yanıtınız bir sonraki okura da yarar.

En az iki harf yazın. Sürüklenme, ANFIS ya da Kraus yazmayı deneyin.