alterlab-qiskit

Qiskit

概要

Qiskit はオープンソースの量子コンピューティングフレームワークです。量子回路を構築し、ハードウェア向けに最適化し、シミュレーターまたは実際の量子コンピューターで実行して、結果を分析できます。IBM Quantum（100 量子ビットを超える Heron および Nighthawk システム）、IonQ、Amazon Braket、その他のプロバイダーに対応しています。

バージョンに関する注意： 例は Qiskit SDK 2.x（qiskit>=2,<3、Python 3.10 以降。2026-09 時点の最新バージョンは 2.5.x）および qiskit-ibm-runtime ≥ 0.40（最新バージョンは 0.49）を対象としています。古いチュートリアルはこれらの変更により動作しないため、参考にするコードは必ず次の変更点を確認してください。

• Qiskit 1.0 では execute()、BasicAer、qiskit.tools（tools.jupyter、job_monitor などを含む）、および bind_parameters が削除されました。プリミティブ、qiskit.providers.basic_provider.BasicSimulator、assign_parameters を使用してください。
• Qiskit 2.0 では qiskit.pulse、BackendV1、V1 参照プリミティブ（qiskit.primitives.Sampler／Estimator）、および Instruction.c_if が削除されました（with qc.if_test(...) を使用してください）。
• Qiskit 2.1 では ライブラリー回路のクラス形式（RealAmplitudes、EfficientSU2、TwoLocal、ZZFeatureMap、QFT など）が非推奨になりました（3.0 で削除予定）。real_amplitudes()、efficient_su2()、n_local()、zz_feature_map()、QFTGate を使用してください。
• Runtime V2 プリミティブでは mode=（バックエンド、Session、または Batch）を指定します。従来の session=／backend= キーワードを使うと TypeError が発生します。Options クラスと channel="ibm_quantum" は廃止されました。現在のプラットフォームは quantum.cloud.ibm.com です（API キーとインスタンス CRN を使用し、チャンネルは "ibm_quantum_platform"）。

このスキルを使用する場面

ユーザーが次のことを希望する場合に、このスキルを使用してください。

• IBM Quantum ハードウェアまたはローカルシミュレーターで、ゲートモデル回路を構築、トランスパイル、実行する
• ジョブ、バッチ、セッションモードで Qiskit Runtime プリミティブ（SamplerV2／EstimatorV2）を使用する
• エラー抑制／緩和（トワーリング、動的デカップリング、TREX、ZNE）を適用する
• Qiskit エコシステム（Nature、Machine Learning、Optimization）を使って、変分アルゴリズムや教科書的なアルゴリズム（VQE、QAOA、Grover、QPE）を実行する

対象外

シナリオ	代わりに使用
Google Quantum AI プロセッサー、Cirq ネイティブ回路、または Cirq での XEB／RB 特性評価	alterlab-cirq
PyTorch／JAX の自動微分で勾配を学習するハイブリッド量子古典モデル	alterlab-pennylane
開放系のダイナミクス — Lindblad マスター方程式、デコヒーレンス、空洞 QED	alterlab-qutip
量子回路を使わない古典的な量子化学（DFT、配座、pKa）	alterlab-rowan

主な機能：

• 複数の最適化レベルを備えた、設定可能なトランスパイル
• 2 量子ビットゲート数を削減する回路最適化
• バックエンドに依存しない実行（ローカルシミュレーターまたはクラウドハードウェア）
• 最適化、化学、ML 向けの包括的なアルゴリズムライブラリー

クイックスタート

インストール

uv pip install "qiskit>=2,<3"
uv pip install "qiskit[visualization]" matplotlib   # circuit/result plotting
uv pip install qiskit-ibm-runtime                   # IBM hardware + Runtime primitives

最初の回路

from qiskit import QuantumCircuit
from qiskit.primitives import StatevectorSampler

# Create Bell state (entangled qubits)
qc = QuantumCircuit(2)
qc.h(0)           # Hadamard on qubit 0
qc.cx(0, 1)       # CNOT from qubit 0 to 1
qc.measure_all()  # Measure both qubits

# Run locally
sampler = StatevectorSampler()
result = sampler.run([qc], shots=1024).result()
counts = result[0].data.meas.get_counts()
print(counts)  # {'00': ~512, '11': ~512}

可視化

from qiskit.visualization import plot_histogram

qc.draw('mpl')           # Circuit diagram
plot_histogram(counts)   # Results histogram

主な機能

1. セットアップとインストール

インストール、認証、IBM Quantum アカウントの設定について詳しくは、次を参照してください。

• references/setup.md を参照

取り上げる内容：

• uv を使用したインストール
• Python 環境のセットアップ
• IBM Quantum アカウントと API トークンの設定
• ローカル実行とクラウド実行

2. 量子回路の構築

ゲート、測定、合成を使った量子回路の構築については、次を参照してください。

• references/circuits.md を参照

取り上げる内容：

• QuantumCircuit を使った回路の作成
• 1 量子ビットゲート（H、X、Y、Z、回転、位相ゲート）
• 多量子ビットゲート（CNOT、SWAP、Toffoli）
• 測定とバリア
• 回路の合成とプロパティ
• 変分アルゴリズム向けのパラメーター化回路

3. プリミティブ（Sampler と Estimator）

量子回路を実行し、結果を計算する方法については、次を参照してください。

• references/primitives.md を参照

取り上げる内容：

• Sampler：ビット列の測定値と確率分布を取得
• Estimator：オブザーバブルの期待値を計算
• V2 インターフェイス（StatevectorSampler、StatevectorEstimator）
• ハードウェア向け IBM Quantum Runtime プリミティブ
• セッションモードとバッチモード
• パラメーターのバインド

4. トランスパイルと最適化

回路を最適化し、ハードウェアでの実行に備えるには：

• references/transpilation.md を参照してください

取り上げるトピック：

• トランスパイルが必要な理由
• 最適化レベル（0～3）
• トランスパイルの6つのステージ（初期化、レイアウト、ルーティング、変換、最適化、スケジューリング）
• 高度な機能（仮想置換の省略、ゲートのキャンセル）
• 主なパラメーター（initial_layout、approximation_degree、seed）
• 効率的な回路を作るためのベストプラクティス

5. 可視化

回路、結果、量子状態を表示するには：

• references/visualization.md を参照してください

取り上げるトピック：

• 回路図（テキスト、matplotlib、LaTeX）
• 結果のヒストグラム
• 量子状態の可視化（ブロッホ球、State City、QSphere）
• バックエンドのトポロジーとエラーマップ
• カスタマイズとスタイル設定
• 論文掲載に適した品質の図の保存

6. ハードウェアバックエンド

シミュレーターや実際の量子コンピューターで実行するには：

• references/backends.md を参照してください

取り上げるトピック：

• IBM Quantum のバックエンドと認証
• バックエンドのプロパティとステータス
• Runtime プリミティブを使った実機での実行
• ジョブ管理とキューイング
• セッションモード（反復アルゴリズム）
• バッチモード（並列ジョブ）
• ローカルシミュレーター（StatevectorSampler、Aer）
• サードパーティープロバイダー（IonQ、Amazon Braket）
• エラー緩和の手法

7. Qiskit Patterns ワークフロー

量子コンピューティングの4段階ワークフローを実装するには：

• references/patterns.md を参照してください

取り上げるトピック：

• マップ：問題を量子回路に変換する
• 最適化：ハードウェア向けにトランスパイルする
• 実行：プリミティブを使って実行する
• 後処理：結果を抽出して分析する
• VQE の完全な例
• セッション実行とバッチ実行
• 代表的なワークフローパターン

8. 量子アルゴリズムと応用

特定の量子アルゴリズムを実装するには：

• references/algorithms.md を参照してください

取り上げるトピック：

• 最適化：VQE、QAOA、Grover のアルゴリズム
• 化学：分子の基底状態、励起状態、ハミルトニアン
• 機械学習：量子カーネル、VQC、QNN
• アルゴリズムライブラリ：Qiskit Nature、Qiskit ML、Qiskit Optimization
• 物理シミュレーションとベンチマーク

ワークフロー選択ガイド

必要な作業に応じて、以下を参照してください：

• Qiskit をインストールする、または IBM Quantum アカウントを設定する → references/setup.md
• 新しい量子回路を構築する → references/circuits.md
• ゲートと回路操作について理解する → references/circuits.md
• 回路を実行して測定値を取得する → references/primitives.md
• 期待値を計算する → references/primitives.md
• ハードウェア向けに回路を最適化する → references/transpilation.md
• 回路や結果を可視化する → references/visualization.md
• IBM Quantum ハードウェアで実行する → references/backends.md
• サードパーティープロバイダーに接続する → references/backends.md
• エンドツーエンドの量子ワークフローを実装する → references/patterns.md
• 特定のアルゴリズム（VQE、QAOA など）を構築する → references/algorithms.md
• 化学または最適化の問題を解く → references/algorithms.md

ベストプラクティス

開発ワークフロー

1. まずシミュレーターを使う：ハードウェアを使う前にローカルでテストします

   from qiskit.primitives import StatevectorSampler
   sampler = StatevectorSampler()
   

2. 必ずトランスパイルする：実行前に回路を最適化します

   from qiskit import transpile
   qc_optimized = transpile(qc, backend=backend, optimization_level=3)
   

3. 適切なプリミティブを使う：

   • ビット列には Sampler（最適化アルゴリズム）
   • 期待値には Estimator（化学、物理）

4. 実行モードを選ぶ：

   • セッション：反復アルゴリズム（VQE、QAOA）
   • バッチ：独立した並列ジョブ
   • 単一ジョブ：単発の実験

パフォーマンスの最適化

• 本番環境では optimization_level=3 を使います
• 2量子ビットゲート（主なエラー源）を最小限に抑えます
• ハードウェアを使う前にノイズありシミュレーターでテストします
• トランスパイル済みの回路を保存して再利用します
• 変分アルゴリズムの収束を監視します

ハードウェアでの実行

• 送信する前にバックエンドのステータスを確認します
• QPU 名をハードコードするのではなく、least_busy() を使用するか、service.backends() の一覧を確認します。QPU は時間の経過とともに廃止されます（例：すべての 127 量子ビットの Eagle システム（ibm_brisbane など）は廃止されています）
• セッションモードには有料プランが必要です。Open Plan ユーザーはジョブモードまたはバッチモードで実行します
• 後で取得できるようにジョブ ID を保存します
• エラー緩和を適用します。Estimator では resilience_level を使用します（Sampler に resilience_level はありません。twirling ／ dynamical_decoupling を使用します）
• ショット数を少なくして開始し、最終実行では増やします

一般的なパターン

パターン 1：シンプルな回路の実行

from qiskit import QuantumCircuit, transpile
from qiskit.primitives import StatevectorSampler

qc = QuantumCircuit(2)
qc.h(0)
qc.cx(0, 1)
qc.measure_all()

sampler = StatevectorSampler()
result = sampler.run([qc], shots=1024).result()
counts = result[0].data.meas.get_counts()

パターン 2：トランスパイルを使用したハードウェアでの実行

from qiskit_ibm_runtime import QiskitRuntimeService, SamplerV2 as Sampler
from qiskit.transpiler import generate_preset_pass_manager

service = QiskitRuntimeService()
backend = service.least_busy(operational=True, simulator=False)

# Hardware only accepts ISA circuits (native gates + connectivity)
pm = generate_preset_pass_manager(backend=backend, optimization_level=3)
qc_isa = pm.run(qc)

sampler = Sampler(mode=backend)          # job mode; pass a Session/Batch for other modes
job = sampler.run([qc_isa], shots=1024)
counts = job.result()[0].data.meas.get_counts()

パターン 3：変分アルゴリズム（VQE）

from qiskit_ibm_runtime import Session, EstimatorV2 as Estimator
from scipy.optimize import minimize

# Transpile once, then lay the observable out on the same physical qubits —
# an un-mapped observable does not match the ISA circuit's width.
ansatz_isa = pm.run(ansatz)
hamiltonian_isa = hamiltonian.apply_layout(ansatz_isa.layout)

with Session(backend=backend) as session:      # paid plans; use Batch on the Open Plan
    estimator = Estimator(mode=session)

    def cost_function(params):
        # parameter values travel in the PUB — no re-transpiling per iteration
        result = estimator.run([(ansatz_isa, hamiltonian_isa, params)]).result()
        return float(result[0].data.evs)

    result = minimize(cost_function, initial_params, method='COBYLA')

追加リソース

• 公式ドキュメント：https://quantum.cloud.ibm.com/docs
• IBM Quantum Learning（Qiskit Textbook の後継）：https://quantum.cloud.ibm.com/learning
• API リファレンス：https://quantum.cloud.ibm.com/docs/en/api/qiskit
• パターンガイド：https://quantum.cloud.ibm.com/docs/en/guides/intro-to-patterns
• コミュニティパッケージ：Nature、機械学習、最適化

AlterLab Academic Skills スイートの一部です。