Benchmarking Circuits#
Mitiq benchmarks error mitigation techniques by evaluating improvements in metrics such as state fidelity (the closeness of the mitigated quantum state to the ideal state), output probability distributions, and logical error rates. The benchmarking process involves running diverse circuit types—such as GHZ, Mirror, Quantum Volume, and Randomized Benchmarking circuits—and comparing mitigated results against ideal theoretical outcomes. Additionally, Mitiq evaluates the overhead associated with each error mitigation technique, such as the increase in circuit depth or the number of samples required, as seen in methods like Zero Noise Extrapolation (ZNE) and Probabilistic Error Cancellation (PEC).
GHZ Circuits#
The generate_ghz_circuit() create the GHZ states that are highly sensitive to noise. A GHZ (Greenberger–Horne–Zeilinger) state is a maximally entangled quantum state involving multiple qubits. Thus, they make it easy to test error rates in entanglement creation and preservation, which is central for many quantum algorithms.
from mitiq.benchmarks import generate_ghz_circuit
circuit = generate_ghz_circuit(n_qubits=7)
print(circuit)
0: ───H───@───────────────────────
│
1: ───────X───@───────────────────
│
2: ───────────X───@───────────────
│
3: ───────────────X───@───────────
│
4: ───────────────────X───@───────
│
5: ───────────────────────X───@───
│
6: ───────────────────────────X───
Mirror Circuits#
The generate_mirror_circuit(), as defined in [1], involves running a quantum circuit forward and then “mirroring” it (applying the reverse operations). Ideally, this results in returning the system to the initial state, so they’re great for testing if the noise mitigation is effective in preserving information through complex sequences.
from mitiq.benchmarks import generate_mirror_circuit
import networkx as nx
topology = nx.complete_graph(7) # Provide appropriate topology
circuit, correct_bitstring = generate_mirror_circuit(nlayers=7, two_qubit_gate_prob=1.0, connectivity_graph=topology, return_type="cirq")
print(circuit)
┌──────┐ ┌──┐ ┌──────┐ ┌───────┐ ┌───────┐ ┌──────┐ ┌──────┐ ┌───────┐ ┌──┐ ┌───────┐
0: ───X^-0.5───Y^0.5────X────@─────────────X────@─────────Y────Y^0.5─────X^-0.5───Y────@──────────────────X────@──────────────────X───@─────────────────I───Y^-0.5───I───Y───I───Y^0.5───Y───────────@───────Z─────────────@─────────I─────────────@─────────Z───X^0.5────Y^-0.5─────Y────────@─────X────────@──────────Z───Y^-0.5───X^0.5────
│ │ │ │ │ │ │ │ │ │
1: ───X^-0.5───Y^-0.5───Z────┼────@────────X────X─────────Z────@──────────────────Y────X──────────────────Z────X──────────────────X───X─────────────────X───@────────────Y───────@───────Z───────────X───────I─────────────X─────────I─────────────X─────────Z────────────@──────────I────────X─────I────────┼─────@────X───Y^0.5────X^0.5────
│ │ │ │ │ │ │ │
2: ───X────────Y^-0.5───I────X────┼────────Y────@─────────X────X──────────────────Z────X^-0.5─────Y^0.5───X────@──────────────────Y───Y^-0.5───X^-0.5───I───X────────────X───────X───────Z───X^0.5───Y^0.5───Z─────────────@─────────Z───Y^-0.5────X^0.5─────Z────────────X──────────X────────@─────X────────X─────┼────I───Y^0.5────X────────
│ │ │ │ │ │
3: ───X────────Y^-0.5───I────Y^0.5┼────I───Z────┼Y────X───X────@──────────────────Y────@──────────────────X────┼X^-0.5────Y^0.5───Z───@─────────────────I───@────────────Z───────@───────X───────────@───────Z───Y^-0.5────┼X^0.5────Z─────────────@─────────I────────────@──────────X───X────┼Y────Y───I────Y^-0.5┼────X───Y^0.5────X────────
│ │ │ │ │ │ │ │ │ │ │ │ │ │
4: ───Y────────X^0.5────Z────@────┼────────Z────┼@────────Z────┼────@─────────────Y────┼─────@────────────X────┼@─────────────────I───X─────────────────Z───X────────────I───────X───────X───────────X───────Z─────────────┼@────────X─────────────┼────@────Y────────────┼─────@────Z────────┼@────X────────@─────┼────I───X^-0.5───Y────────
│ │ ││ │ │ │ │ ││ ││ │ │ │ │ ││ │ │
5: ───Y────────X────────X────X────┼────────I────┼X────────I────┼────X─────────────X────┼─────X────────────Z────X┼─────────────────X───@─────────────────X───@────────────I───────@───────X───────────@───────Y─────────────X┼────────Z─────────────┼────X────X────────────┼─────X────Y────────┼X────Y────────X─────┼────Z───X────────Y────────
│ │ │ │ │ │ │ │ │ │ │ │ │ │
6: ───X^0.5────Y^0.5────I─────────X────────I────X─────────Z────X──────────────────Y────X──────────────────Z─────X─────────────────X───X─────────────────I───X────────────I───────X───────I───────────X───────I──────────────X────────X─────────────X─────────Y────────────X──────────Y────────X─────Z──────────────X────X───Y^-0.5───X^-0.5───
└──────┘ └──┘ └──────┘ └───────┘ └───────┘ └──────┘ └──────┘ └───────┘ └──┘ └───────┘
Quantum Volume Circuits#
The generate_quantum_volume_circuit(), as defined in [2], tests the maximum achievable “volume” or computational capacity of a quantum processor. Running these circuits with error mitigation tests if mitiq’s techniques improve the effective quantum volume.
from mitiq.benchmarks import generate_quantum_volume_circuit
circuit,_ = generate_quantum_volume_circuit(num_qubits=4, depth=7)
print(circuit)
┌──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐ ┌──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐ ┌──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐ ┌──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐ ┌──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┐
┌ ┐ ┌ ┐ ┌ ┐ ┌ ┐
│-0.044-0.123j -0.402-0.504j 0.725+0.2j -0.036-0.004j│ │ 0.65 -0.407j 0.028+0.163j -0.274-0.153j 0.259+0.468j│ │ 0.011+0.102j -0.269-0.635j -0.136+0.248j -0.61 -0.25j │ │ 0.499-0.135j -0.022-0.341j -0.494+0.322j 0.506+0.106j│
0: ─────────────────────────────────────────────────────────────│ 0.099-0.66j -0.335+0.371j -0.119+0.362j 0.28 +0.286j│────#2────────────────────────────────────────────────────────────────────────────────────────────────────────────────────│ 0.296+0.26j 0.78 -0.032j -0.313+0.166j -0.036-0.33j │──────────────────────────────────────────────────────────────│-0.181+0.426j -0.171+0.643j -0.312+0.107j -0.241-0.42j │──────────────────────────────────────────────────────────────│-0.194+0.008j 0.193+0.513j -0.579-0.135j 0.178-0.526j│──────────────────────────────────────────────────────────────#2───────────────────────────────────────────────────────────#2──────────────────────────────────────────────────────────
│-0.009+0.545j -0.257-0.082j -0.108+0.138j 0.769+0.093j│ │ │ 0.298-0.402j -0.005+0.434j 0.414-0.091j -0.361-0.502j│ │ 0.568-0.431j -0.152+0.203j 0.258-0.322j -0.202-0.466j│ │-0.207-0.053j -0.638+0.006j -0.516+0.12j -0.462+0.23j │ │ │
│-0.402-0.281j -0.319-0.399j -0.497-0.11j 0.054-0.486j│ │ │ 0.019+0.074j 0.409-0.09j 0.763-0.121j 0.415+0.222j│ │-0.019-0.517j -0.046+0.124j -0.083+0.796j 0.214-0.165j│ │ 0.584-0.555j 0.144+0.393j 0.009-0.132j -0.383+0.107j│ │ │
└ ┘ │ └ ┘ └ ┘ └ ┘ │ │
│ │ │ │ │ │ │
│ ┌ ┐ │ ┌ ┐│ │ │ ┌ ┐
│ │ 0.362+0.43j -0.171+0.061j 0.216+0.606j 0.486+0.042j│ │ │-0.273-0.252j -0.039+0.009j -0.838-0.158j 0.183+0.315j││ │ │ │-0.068-0.438j 0.123+0.647j 0.359-0.139j -0.369+0.293j│
1: ────#2───────────────────────────────────────────────────────┼────────────────────────────────────────────────────────────│ 0.557-0.031j -0.518-0.547j -0.226-0.145j -0.222+0.021j│────#2───────────────────────────────────────────────────────┼─────────────────────────────────────────────────────────────│-0.382+0.177j -0.398-0.376j -0.183-0.083j -0.532-0.447j│┼─────────────────────────────────────────────────────────────#2───────────────────────────────────────────────────────┼─────────────────────────────────────────────────────────────#2───────────────────────────────────────────────────────┼────────────────────────────────────────────────────────────│-0.015-0.501j -0.002-0.025j 0.01 -0.525j 0.253-0.639j│───
│ │ │-0.393-0.092j -0.293-0.235j -0.234-0.01j 0.473-0.646j│ │ │ │-0.156+0.345j 0.761-0.297j -0.068+0.018j -0.336+0.266j││ │ │ │ │ │-0.111-0.284j -0.451+0.308j -0.561+0.065j 0.432+0.323j│
│ │ │-0.24 +0.391j -0.49 +0.136j 0.392-0.552j 0.137+0.23j │ │ │ │-0.641+0.361j -0.16 +0.068j 0.348-0.326j 0.364+0.262j││ │ │ │ │ │-0.624+0.266j -0.517-0.024j 0.473-0.181j 0.124+0.014j│
│ │ └ ┘ │ │ └ ┘│ │ │ │ │ └ ┘
│ │ │ │ │ │ │ │ │ │
┌ ┐│ │ │ │ │ │ │ ┌ ┐│
│-0.283-0.441j -0.453-0.544j 0.016+0.421j 0.149-0.155j││ │ │ │ │ │ │ │ 0.112-0.176j 0.422+0.802j -0.009+0.343j -0.132-0.011j││
2: ────│-0.344+0.643j 0.082-0.564j -0.099-0.007j -0.278+0.237j│┼────────────────────────────────────────────────────────────#2───────────────────────────────────────────────────────────┼────────────────────────────────────────────────────────#2────────────────────────────────────────────────────────────┼────────────────────────────────────────────────────────#2────────────────────────────────────────────────────────────┼────────────────────────────────────────────────────────#2────────────────────────────────────────────────────────────│-0.705-0.143j 0.035+0.198j -0.383-0.238j 0.284+0.396j│┼────────────────────────────────────────────────────────────#2──────────────────────────────────────────────────────────
│ 0.257-0.203j 0.048-0.354j 0.746-0.36j -0.28 +0.038j││ │ │ │ │ │-0.35 -0.059j -0.183+0.244j 0.698-0.124j 0.345-0.398j││ │
│ 0.292+0.023j -0.207-0.065j -0.349-0.073j -0.62 -0.596j││ │ │ │ │ │ 0.029-0.558j 0.129-0.168j -0.419-0.011j 0.218-0.648j││ │
└ ┘│ │ │ │ │ └ ┘│ │
│ │ │ │ │ │ │
│ ┌ ┐ ┌ ┐ │ ┌ ┐ ┌ ┐ ┌ ┐
│ │ 0.518-0.217j -0.125+0.221j 0.287+0.63j 0.372+0.044j│ │-0.382-0.405j -0.202-0.48j 0.158+0.349j 0.368-0.369j│ │ │ 0.14 +0.407j 0.111-0.15j 0.246+0.571j 0.596-0.198j│ │-0.095-0.059j 0.324-0.766j 0.123-0.427j 0.192-0.249j│ │ 0.111+0.779j 0.284+0.058j 0.136+0.167j -0.493-0.089j│
3: ─────────────────────────────────────────────────────────────#2───────────────────────────────────────────────────────────│ 0.01 +0.047j -0.453+0.401j -0.343-0.258j 0.388-0.544j│────│-0.105-0.714j -0.033+0.56j -0.019+0.184j -0.36 -0.01j │──────────────────────────────────────────────────────────────#2─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────│ 0.285+0.676j 0.353-0.154j -0.303-0.113j -0.441-0.122j│───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────│ 0.252+0.446j 0.04 -0.013j -0.406-0.303j 0.433+0.541j│────│ 0.236-0.281j -0.404-0.287j -0.103+0.362j -0.472-0.505j│───
│-0.58 -0.328j -0.567+0.109j -0.013+0.359j -0.258+0.167j│ │ 0.174+0.182j 0.372+0.502j 0.284+0.211j 0.441-0.476j│ │-0.01 +0.039j -0.011-0.61j -0.129-0.609j 0.484+0.068j│ │-0.015-0.246j -0.352-0.4j 0.391+0.384j 0.231+0.549j│ │ 0.024-0.485j 0.748+0.152j 0.18 -0.098j -0.245-0.282j│
│ 0.479-0.095j -0.336+0.351j 0.154-0.429j -0.473+0.307j│ │-0.165-0.28j -0.053+0.144j -0.071-0.83j 0.412-0.084j│ │ 0.431-0.298j 0.486+0.457j -0.306-0.169j 0.353-0.183j│ │ 0.7 -0.419j -0.123+0.087j 0.188-0.46j -0.236+0.103j│ │-0.101+0.004j 0.055-0.291j 0.721+0.501j 0.359-0.053j│
└ ┘ └ ┘ └ ┘ └ ┘ └ ┘
└──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘ └──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘ └──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘ └──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘ └──────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
Mirror Quantum Volume Circuits#
The generate_mirror_qv_circuit(), as defined in [3], is designed to test Quantum Volume, a metric combining circuit depth, number of qubits, and fidelity. These circuits run a quantum circuit forward and then “mirroring” it to check whether error mitigation techniques help achieve higher effective quantum volumes on noisy devices.
from mitiq.benchmarks import generate_mirror_qv_circuit
circuit = generate_mirror_qv_circuit(num_qubits=7, depth=2)
print(circuit)
┌ ┐ ┌ ┐
│-0.362+0.115j -0.102-0.47j 0.318-0.106j 0.675+0.238j│ │-0.362-0.115j -0.189+0.337j -0.104-0.714j 0.233+0.362j│
0: ───│-0.189-0.337j -0.359-0.23j -0.586+0.541j 0.143-0.111j│───│-0.102+0.47j -0.359+0.23j 0.081+0.491j 0.101+0.574j│───
│-0.104+0.714j 0.081-0.491j -0.196+0.158j -0.407+0.047j│ │ 0.318+0.106j -0.586-0.541j -0.196-0.158j 0.423-0.091j│
│ 0.233-0.362j 0.101-0.574j 0.423+0.091j -0.209-0.494j│ │ 0.675-0.238j 0.143+0.111j -0.407-0.047j -0.209+0.494j│
└ ┘ └ ┘
│ │
1: ───#2──────────────────────────────────────────────────────────#2──────────────────────────────────────────────────────────
2: ───#2──────────────────────────────────────────────────────────#2──────────────────────────────────────────────────────────
│ │
┌ ┐ ┌ ┐
│ 0.246+0.349j 0.551+0.323j -0.2 -0.039j -0.294+0.531j│ │ 0.246-0.349j 0.392-0.45j -0.309-0.5j 0.319+0.121j│
3: ───│ 0.392+0.45j -0.388-0.111j 0.161+0.653j -0.167+0.01j │───│ 0.551-0.323j -0.388+0.111j -0.274+0.073j -0.443+0.39j │───
│-0.309+0.5j -0.274-0.073j 0.309-0.312j 0.409+0.463j│ │-0.2 +0.039j 0.161-0.653j 0.309+0.312j -0.312+0.465j│
│ 0.319-0.121j -0.443-0.39j -0.312-0.465j -0.392+0.261j│ │-0.294-0.531j -0.167-0.01j 0.409-0.463j -0.392-0.261j│
└ ┘ └ ┘
5: ───#2──────────────────────────────────────────────────────────#2──────────────────────────────────────────────────────────
│ │
┌ ┐ ┌ ┐
│-0.266+0.187j 0.564-0.523j 0.024+0.163j -0.164+0.499j│ │-0.266-0.187j -0.537-0.496j 0.04 +0.518j -0.119+0.275j│
6: ───│-0.537+0.496j -0.103+0.004j -0.071-0.636j -0.116-0.179j│───│ 0.564+0.523j -0.103-0.004j -0.128+0.021j -0.293+0.544j│───
│ 0.04 -0.518j -0.128-0.021j -0.379-0.53j 0.025+0.537j│ │ 0.024-0.163j -0.071+0.636j -0.379+0.53j -0.333-0.167j│
│-0.119-0.275j -0.293-0.544j -0.333+0.167j -0.482-0.397j│ │-0.164-0.499j -0.116+0.179j 0.025-0.537j -0.482+0.397j│
└ ┘ └ ┘
Quantum Phase Estimation Circuits#
The generate_qpe_circuit(), as defined in Quantum phase estimation algorithm is used to the measure eigenvalues of unitary operators. Since accurate phase estimation requires precise control over operations, these circuits test the mitigation techniques’ ability to handle small noise effects over multiple gate sequences.
from mitiq.benchmarks import generate_qpe_circuit
circuit = generate_qpe_circuit(evalue_reg=7)
print(circuit)
0: ───H──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────×───────────H───@─────────────@───────────────────────@─────────────────────────────────@───────────────────────────────────────────@─────────────────────────────────────────────────────@───────────────────────────────────────────────────────────────
│ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │
1: ───H──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼───×───────────@^-0.25───H───┼─────────@─────────────┼─────────@───────────────────────┼─────────@─────────────────────────────────┼─────────@───────────────────────────────────────────┼─────────@─────────────────────────────────────────────────────
│ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │
2: ───H──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────@────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼───┼───×─────────────────────@^-0.25───@^-0.25───H───┼─────────┼─────────@─────────────┼─────────┼─────────@───────────────────────┼─────────┼─────────@─────────────────────────────────┼─────────┼─────────@───────────────────────────────────────────
│ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │
3: ───H──────────────────────────────────────────────────────────────────@────────@────────@────────@────────@────────@────────@────────@────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼───┼───┼─────────────────────────────────────────────@^-0.25───@^-0.25───@^-0.25───H───┼─────────┼─────────┼─────────@─────────────┼─────────┼─────────┼─────────@───────────────────────┼─────────┼─────────┼─────────@─────────────────────────────────
│ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │
4: ───H──────────────────────────────@────────@────────@────────@────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼───┼───×───────────────────────────────────────────────────────────────────────────────@^-0.25───@^-0.25───@^-0.25───@^-0.25───H───┼─────────┼─────────┼─────────┼─────────@─────────────┼─────────┼─────────┼─────────┼─────────@───────────────────────
│ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │
5: ───H────────────@────────@────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼───×───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────@^-0.25───@^-0.25───@^-0.25───@^-0.25───@^-0.25───H───┼─────────┼─────────┼─────────┼─────────┼─────────@─────────────
│ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │
6: ───H───@────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────┼────────×─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────@^-0.25───@^-0.25───@^-0.25───@^-0.25───@^-0.25───@^-0.25───H───
│ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │ │
7: ───────@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25───@^0.25─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────
Randomized Benchmarking Circuits#
The generate_rb_circuits() are sequences of random gates (generally Clifford gates), to estimate an average error rate. They’re standard in benchmarking for evaluating how well mitiq’s error mitigation reduces this error rate across different levels of noise.
from mitiq.benchmarks import generate_rb_circuits
circuits = generate_rb_circuits(n_qubits=1, num_cliffords=5)
circuit=circuits[0]
print(circuit)
0: ───Y^0.5───X^-0.5───Y^0.5───X^0.5───Y^0.5───X───I───Y^-0.5───I───X^-0.5───Y^-0.5───(Z^0.5-X^-0.5)───
Rotated Randomized Benchmarking Circuits#
The generate_rotated_rb_circuits() are sequences of random gates similar to generate_rb_circuits(), but with rotations added, that allows assessment of errors beyond just the standard Clifford gates. They’re useful to check how well Mitiq handles noise in scenarios with more diverse gates.
from mitiq.benchmarks import generate_rotated_rb_circuits
circuits = generate_rotated_rb_circuits(n_qubits=1, num_cliffords=5)
circuit=circuits[0]
print(circuit)
0: ───Y^-0.5───X^0.5───Y^-0.5───Y^0.5───I───Y^-0.5───Rz(0.775π)───X^0.5───Y^-0.5───Y^0.5───X^0.5───X^-0.5───Y^0.5───(Y-X^0.5)───
Randomized Clifford+T Circuits#
The generate_random_clifford_t_circuit() add the T gate to the standard Clifford set, adding more complex operations to the random benchmarking. This type evaluates Mitiq’s performance with gate sets that go beyond the Clifford gates, crucial for fault-tolerant computing.
from mitiq.benchmarks import generate_random_clifford_t_circuit
circuit = generate_random_clifford_t_circuit(num_qubits=7, num_oneq_cliffords=2, num_twoq_cliffords=2, num_t_gates=2)
print(circuit)
0: ───T───────
1: ───S───────
2: ───@───────
│
3: ───┼───@───
│ │
4: ───@───┼───
│
5: ───S───┼───
│
6: ───T───@───
W State Circuits#
The generate_w_circuit() are entangled circuits that distribute the entanglement across qubits differently than GHZ states. Testing with W state circuits can help explore how well a device maintains distributed entanglement in noisy environments.
A generalized multipartite \(N\)-qubit W-state is defined in equation (1):
(1)#\[
\ket{W_N} = \frac{1}{\sqrt{N}} \left( \ket{100 \dots 0} + \ket{010 \dots 0} + \dots + \ket{0 \dots 01}\right)
\]
Such a \(N\)-qubit W-state circuit can be generated through generate_w_circuit() as defined in
[4]. The construction relies on an initial state \(\ket{10 \dots 0}\) and a fundamental building block \(B(p)\) such that
\[
B(p) \ket{00} = \ket{00} , \,
B(p) \ket{10} = \sqrt{p} \ket{10} + \sqrt{1-p} \ket{01}
\]
This building block comprises of a controlled \(G(p)\) and an inverted CNOT where \(0 < p < 1\).
\[\begin{split}
G(p) = \begin{pmatrix}
\sqrt{p} & -\sqrt{1-p} \\
\sqrt{1-p} & \sqrt{p}
\end{pmatrix}
\end{split}\]
from mitiq.benchmarks import generate_w_circuit
circuit = generate_w_circuit(n_qubits=4)
print(circuit)
0: ───@────────────X───────────────────────────────────
│ │
1: ───Ry(0.667π)───@───@────────────X──────────────────
│ │
2: ────────────────────Ry(0.608π)───@───@──────────X───
│ │
3: ─────────────────────────────────────Ry(0.5π)───@───
We can also verify the final state of the circuit is equivalent to \(\ket{W_4}\).
\[
\ket{W_4} = \frac{1}{\sqrt{4}} \left( \ket{1000} + \ket{0100} + \ket{0010} + \ket{0001}\right)
\]
import cirq
w4_state_vector_transpose = (
cirq.Simulator()
.simulate(circuit, initial_state=1000)
.final_state_vector)