在Qiskit中从已完成的真实量子计算机作业获取QAOA优化结果属性

问题原因 #

• 真实量子设备的作业是异步远程执行的，运行速度远慢于模拟器，若优化过程中脚本中断（比如超时、连接断开），minimize函数无法正常完成迭代，导致res变量未被定义。
• job.result()仅返回量子计算的原始结果，而res.x、res.fun是经典优化器（COBYLA）的输出，这些数据不会自动存储在量子作业中——因为优化迭代的逻辑是在本地经典环境执行的，量子作业仅负责每一轮的采样计算。

解决方案 #

1. 提前保存优化过程状态（避免丢失res） #

在运行minimize时，通过回调函数实时保存每一轮迭代的参数和对应的cost值，同时持久化到本地文件，防止脚本中断导致数据丢失。

示例代码：

import json
from scipy.optimize import minimize

# 存储优化过程的列表
optimization_history = []

def qaoa_callback(xk):
    # 计算当前参数对应的cost值
    current_cost = cost_func(xk, ansatz, hamiltonian, estimator)
    # 记录参数和cost
    optimization_history.append({
        "params": xk.tolist(),
        "cost": current_cost
    })
    # 保存到本地文件
    with open("qaoa_optimization_history.json", "w") as f:
        json.dump(optimization_history, f)

# 运行优化时添加回调参数
res = minimize(
    cost_func, 
    x0, 
    args=(ansatz, hamiltonian, estimator), 
    method="COBYLA",
    callback=qaoa_callback
)

之后即使脚本中断，也可以从qaoa_optimization_history.json文件中读取所有迭代数据，找到最优参数。

2. 从已完成的作业中恢复优化数据 #

如果已经出现res未定义的情况，需要从已提交的量子作业中反向推导优化结果，前提是你在提交作业时给作业添加了元数据（保存对应迭代的参数）。

步骤1：提交作业时添加元数据

修改你的cost_func，在提交量子作业时，将当前迭代的参数存入作业元数据：

def cost_func(params, ansatz, hamiltonian, estimator):
    bound_ansatz = ansatz.bind_parameters(params)
    # 提交作业并添加元数据，保存当前参数
    job = estimator.run(bound_ansatz, hamiltonian, shots=1024)
    job.update_metadata({"qaoa_params": params.tolist()})
    # 获取计算结果并返回cost
    result = job.result()
    return result.values[0]

步骤2：筛选并提取作业数据

通过IBM Provider获取所有已完成的QAOA相关作业，提取元数据中的参数和计算得到的cost：

from qiskit_ibm_provider import IBMProvider

provider = IBMProvider()
# 获取账号下最近的作业，按创建时间倒序
all_jobs = provider.jobs(limit=100, sort_by='creation_date', descending=True)
# 筛选QAOA相关作业（可根据你给作业的命名调整筛选条件）
qaoa_jobs = [job for job in all_jobs if job.status().name == 'DONE' and "qaoa" in job.name()]

# 收集参数和对应的cost值
optimization_data = []
for job in qaoa_jobs:
    metadata = job.metadata()
    params = metadata.get("qaoa_params")
    if params is None:
        continue  # 跳过未保存参数的作业
    result = job.result()
    cost = result.values[0]
    optimization_data.append({
        "params": params,
        "cost": cost
    })

步骤3：找到最优结果

从收集到的数据中筛选出cost最小的条目，对应的参数就是res.x，cost值就是res.fun：

if optimization_data:
    # 按cost从小到大排序，取第一个
    optimization_data.sort(key=lambda item: item["cost"])
    best_result = optimization_data[0]
    best_x = best_result["params"]
    best_fun = best_result["cost"]
    print(f"最优参数: {best_x}")
    print(f"最小cost值: {best_fun}")
else:
    print("未找到包含QAOA参数的已完成作业")

3. 避免脚本中断的建议 #

• 运行真实设备的优化任务时，使用后台进程执行（如Linux的nohup命令），避免终端断开导致脚本终止。
• 优化过程中增加日志输出，实时监控迭代进度和作业状态。

内容的提问来源于stack exchange，提问作者Jane G