qiskit

Qiskit

概要

Qiskitは、1,300万回以上のダウンロード数を誇る、世界で最も人気のあるオープンソース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て、シミュレーターや実機の量子コンピューターで実行し、結果を分析できます。IBM Quantum（100量子ビット以上のシステム）、IonQ、Amazon Braketなど、他のプロバイダーもサポートしています。

主な機能:

• 競合製品と比べて83倍速いトランスパイル
• 最適化された回路で2量子ビットゲートが29%削減
• 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上のハードウェア）
• 最適化、化学、機械学習向けの包括的なアルゴリズムライブラリ

クイックスタート

インストール

uv pip install qiskit
uv pip install "qiskit[visualization]" matplotlib

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

詳細なインストール、認証、IBM Quantumアカウントのセットアップについては、以下を参照してください:

• references/setup.md を参照

対象トピック:

• uvを使ったインストール
• Python環境のセットアップ
• IBM Quantumアカウントの設定とAPIトークンの構成
• ローカル実行とクラウド実行の違い

2. 量子回路の構築

ゲート、測定、および合成を使った量子回路の構築については、以下を参照してください:

• references/circuits.md を参照

対象トピック:

• QuantumCircuitによる回路の作成
• 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された回路

3. プリミティブ（SamplerとEstimator）

量子回路の実行と結果の計算については、以下を参照してください:

• references/primitives.md を参照

対象トピック:

• Sampler: ビット列の測定結果と確率分布の取得
• Estimator: オブザーバブルの期待値の計算
• V2インターフェース（StatevectorSampler、StatevectorEstimator）
• ハードウェア向けの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

回路の最適化とハードウェア実行の準備については、以下を参照してください:

• references/transpilation.md を参照

対象トピック:

• トランスパイルが必要な理由
• 最適化レベル（0〜3）
• 6つのトランスパイルステージ（init、layout、routing、translation、optimization、scheduling）
• 高度な機能（仮想置換の除去、ゲートのキャンセル）
• 共通パラメーター（initial_layout、approximation_degree、seed）
• 効率的な回路のためのベストプラクティス

5. 可視化

回路、結果、量子状態の表示については、以下を参照してください:

• references/visualization.md を参照

対象トピック:

• 回路の描画（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
• 出版品質の図の保存

6. ハードウェアバックエンド

シミュレーターと実機の量子コンピューターでの実行については、以下を参照してください:

• references/backends.md を参照

対象トピック:

• IBM Quantum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
• ジョブの管理とキューイング
• セッションモード（反復アルゴリズム向け）
• バッチモード（並列ジョブ向け）
• ローカルシミュレーター（StatevectorSampler、Aer）
• サードパーティプロバイダー（IonQ、Amazon Braket）
• エラー緩和戦略

7. Qiskit Patternsワークフロー

4ステップの量子コンピューティングワークフローの実装については、以下を参照してください:

• references/patterns.md を参照

対象トピック:

• Map: 問題を量子回路に変換する
• Optimize: ハードウェア向けにトランスパイルする
• Execute: プリミティブで実行する
• Post-process: 結果を抽出して分析する
• 完全なVQEの例
• セッション実行とバッチ実行の比較
• 一般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の実装については、以下を参照してください:

• references/algorithms.md を参照

対象トピック:

• 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

ワークフロー判断ガイド

次のことを行いたい場合:

• Qiskit のインストールまたは IBM Quantum アカウントのセットアップ → references/setup.md
• 新しい量子回路を構築する → references/circuits.md
• ゲートと回路操作を理解する → references/circuits.md
• 回路を実行して測定結果を取得する → 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
• 回路または結果を可視化する → references/visualization.md
• IBM Quantum ハードウェア上で実行する → references/backends.md
• サードパーティ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から始める: ハードウェアを使用する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用する:

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

4. 実行モードを選択する:

   • Session: 反復アルゴリズム（VQE、QAOA）
   • Batch: 独立した並列ジョブ
   • Single job: 単発の実験

パフォーマンス最適化

• 本番環境では optimization_level=3 を使用する
• 2 量子ビットゲートを最小限に抑える（主要な誤りの原因）
• ハードウェアを使用する前にノイズありシミュレーターでテストする
• トランスパイル済みの回路を保存して再利用する
• 変分アルゴリズムでは収束を監視する

ハードウェア実行

• 送信前にバックエンドのステータスを確認する
• テストには least_busy() を使用する
• 後で取得できるようにジョブ ID を保存する
• エラー緩和（resilience_level）を適用する
• ショット数は少なめに始め、最終実行で増やす

よくあるパターン

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: トランスパイルを伴うハードウェア実行

from qiskit_ibm_runtime import QiskitRuntimeService, SamplerV2 as Sampler
from qiskit import transpile

service = QiskitRuntimeService()
backend = service.backend("ibm_brisbane")

qc_optimized = transpile(qc, backend=backend, optimization_level=3)

sampler = Sampler(backend)
job = sampler.run([qc_optimized], shots=1024)
result = job.result()

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

with Session(backend=backend) as session:
    estimator = Estimator(session=session)

    def cost_function(params):
        bound_qc = ansatz.assign_parameters(params)
        qc_isa = transpile(bound_qc, backend=backend)
        result = estimator.run([(qc_isa, hamiltonian)]).result()
        return 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.ibm.com/docs
• Qiskit Textbook: https://qiskit.org/learn
• API リファレンス: https://docs.quantum.ibm.com/api/qiskit
• パターンガイド: https://quantum.cloud.ibm.com/docs/en/guides/intro-to-patterns