SampledExpectation layer seems to recompute the same circuits for different measurement ops
Mantenedores costumam responder em até 21 dias
@MichaelBroughton já está trabalhando nisso.
Desde 20/6/2020.
Avaliação
Esta issue ainda não foi avaliada.
Descrição
Example
c = cirq.Circuit()
qubits = cirq.GridQubit.rect(2, 1)
c.append(cirq.rz(0.)(qubits[0]))
c.append(cirq.H(qubits[1]))
sampled_expectation_layer = tfq.layers.SampledExpectation()
output = sampled_expectation_layer(
[c],
operators=[cirq.Z(qubits[0]), cirq.Z(qubits[1]), cirq.Z(qubits[0]) * cirq.Z(qubits[1])],
repetitions=1)
print(output) # we have [1, -1, 1] sometimes
assert output[0,0]*output[0,1] == output[0,2] # and this may fail
It is unnatural to me that, when repetitions=1 (1 sample), we have inconsistent measurement results between Z1, Z2 and Z1*Z2.
And from code here https://github.com/tensorflow/quantum/blob/db2eac4e598f614a8c0e157c56313a23ef1943fb/tensorflow_quantum/core/ops/batch_util.py#L554-L561, this may be due to that each circuit, batch, measurement ops combination is simulated separately on backends. If it is so, it is not only unnatural but also inefficient since one can measure all ops for one circuit simulation.
My understanding may be wrong somewhere, any ideas on this?
- Linguagem predominante
- Python
- Estrelas
- 2.2k
- Forks
- 675
- Merge médio
- 15d 11h
- PRs com merge (30d)
- 3
Preparar o ambiente
- Sem Dockerfile nem arquivo Docker Compose
- Sem modelo de pull request
- Ler o guia de contribuição
Primeiros passos
- Leia a issue inteira e depois o guia de contribuição do projeto.
- Comente na issue dizendo que vai assumir — evita que duas pessoas façam o mesmo trabalho.
- Faça um fork do repositório e trabalhe em uma branch.
- Abra um pull request que referencie o número da issue.
Mais de tensorflow/quantum
-
area/c++ area/core kind/bug-report
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 78/100
tensorflow/quantum#1140 ·
Mantenedores costumam responder em até 21 dias
-
area/c++ area/core kind/bug-report
Dificuldade 3/5 1-2 dias Facilidade para iniciantes 74/100
tensorflow/quantum#1141 ·
Mantenedores costumam responder em até 21 dias
-
Support Keras 3Talvez livre de novo @rosspeili assumiu há 127 dias e não há nenhum pull request aberto. Abertaarea/keras help wanted skill-level/intermediate
tensorflow/quantum#1090 · 5 comentários · 1 responsável ·
Mantenedores costumam responder em até 21 dias
-
area/circuits priority/after-0.7.7 skill-level/expert
Dificuldade 5/5 Mais de uma semana Facilidade para iniciantes 25/100
tensorflow/quantum#1087 ·
Mantenedores costumam responder em até 21 dias
-
Efficiently handle circuit sizes 10x or more of today's circuitsTalvez livre de novo @SripriyaDevarapalli assumiu há 47 dias e não há nenhum pull request aberto. Abertaarea/circuits area/performance help wanted priority/after-0.7.7 skill-level/expert
Dificuldade 5/5 Mais de uma semana Facilidade para iniciantes 25/100
tensorflow/quantum#1086 · 1 comentário ·
Mantenedores costumam responder em até 21 dias
Todas as issues de tensorflow/quantum
Issues semelhantes
-
[dbt] exported dataset keys reference physical columnsTalvez já em andamento @WilliamKelley assumiu hoje. Abertaneeds-triage
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 68/100
apache/ossie-converters#251 ·
Mantenedores costumam responder em até 2 dias
-
cli difficulty: easy enhancement
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 82/100
Mantenedores costumam responder em até 2 dias
-
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 62/100
desec-io/desec-stack#1312 ·
Mantenedores costumam responder em até 14 dias
-
needs-triage
Dificuldade 2/5 1-3 horas Facilidade para iniciantes 82/100
aws/aws-durable-execution-sdk-python#977 ·
Mantenedores costumam responder em até 1 dia
-
needs-triage
Dificuldade 1/5 Menos de uma hora Facilidade para iniciantes 88/100
flashinfer-ai/flashinfer#9803 ·
Mantenedores costumam responder em até 1 dia