Я пытаюсь изучить алгоритм QAOA и пытаюсь программировать, прочитав ссылку https://learning.quantum.ibm.com/tutorial/quantum-approximate-optimization-algorithm Код, который я пишу симулировать на моей локальной машине: [code]'import numpy as np from qiskit_aer import Aer from qiskit_aer.primitives import sampler from qiskit_algorithms import QAOA, NumPyMinimumEigensolver from qiskit_algorithms.optimizers import optimizer from qiskit_optimization.algorithms import MinimumEigenOptimizer from qiskit_optimization.applications import Tsp from qiskit_optimization.converters import QuadraticProgramToQubo from qiskit.circuit.library.n_local.qaoa_ansatz import QAOAAnsatz from qiskit_ibm_runtime import Session
# transform the observable defined on virtual qubits to # an observable defined on all physical qubits isa_hamiltonian = hamiltonian.apply_layout(ansatz.layout)
return cost from qiskit_ibm_runtime import Session, EstimatorV2 as Estimator from scipy.optimize import minimize from qiskit_ibm_runtime import SamplerV2 as Sampler
objective_func_vals = [] # Global variable with Session(backend=backend) as session: # If using qiskit-ibm-runtime
Я хочу запустить этот код, но последняя версия qiskit содержит несколько обновлений в расположении библиотек. Может ли кто-нибудь помочь мне правильно запустить код, совместимый с последней версией qiskit?
Самая важная проблема — проблема с...
Я пытаюсь решить проблему Vertex Cover с помощью QAOA на серверной части IBM Quantum. Я успешно преобразовал свой график в формулировку QUBO, а затем в формат гамильтониана Изинга. Однако когда я пытаюсь запустить свою квантовую схему на сервере,...
Я пытаюсь решить проблему Vertex Cover с помощью QAOA на серверной части IBM Quantum. Я успешно преобразовал свой график в формулировку QUBO, а затем в формат гамильтониана Изинга. Однако когда я пытаюсь запустить свою квантовую схему на сервере,...
I'm working on my PHD and need an (well known and tested) C/C++ library that gives an exact solution for the TSP problem to compare with my heuristics.
Я пытаюсь использовать Travel_salesman_problem NetworkX, чтобы найти кратчайший путь между узлами, но, похоже, он возвращает более длинный путь, чем необходимо. Вот минимальный пример:
import shapely
import networkx as nx
import matplotlib.pyplot...