Quantum Encoding of Structured Data with Matrix Product States

量子コンピュータは、現在の古典的なマシンでは不可能な問題を解決することを約束していますが、本格的な運用を開始する前に、根本的な障害に直面しています。それは、正しい情報を中に入れることです。計算を実行するために、量子コンピュータはまず、古典的なデータ（数値、画像、または関数）をその量子状態にロードしなければなりません。このプロセスは「状態準備（state preparation）」として知られていますが、非常に困難なことで有名です。量子システムの可能性の空間は、粒子が一つ増えるごとに指数関数的に増大するため、複雑で構造化されていないデータセットをロードしようとすると、通常、現在のハードウェアで実行するには宇宙の年齢よりも長い時間がかかるほど、回路が深く複雑になってしまいます。このボトルネックは、金融、医療、機械学習などの分野で量子コンピュータが提供するスピードの優位性を無効にしてしまう恐れがあります。したがって、課題は単に、より高速なマシンを構築することではなく、膨大な量のデータを、迅速かつ正確にロードできるほど単純な量子形式へと圧縮する方法を見つけることなのです。

西オーストラリア大学の研究者たちは、多くの現実世界のデータセットに見られる「隠れた構造」を利用することで、このボトルネックを回避する新しい手法を開発しました。量子コンピュータに画像の全ピクセルや複雑な関数の全数値を無理やり記憶させる代わりに、彼らは「行列積状態（matrix product state）」と呼ばれる数学的手法を用いています。これは、長い複雑なデータの列を、全体を一気に覚えるのではなく、隣接する部分のみを記憶する小さな連結された塊に分解して記述する方法だと考えてください。このアプローチが機能するのは、数学関数の滑らかな曲線から医療スキャンのパターンに至るまで、多くの自然現象はランダムで混沌としたつながりを持っているわけではなく、フルスケールの無構造な記述よりもはるかに少ないリソースで捉えることができる、限定的で局所的な構造を持っているからです。

ジョシュ・グリーンとジンボ・ワン率いるチームは、この圧縮技術を用いることで、複雑な関数や画像を驚異的な速度と精度で量子状態として準備できることを実証しました。彼らは、「マトリックス・プロダクト・ディスエンタングラー（Matrix Product Disentangler）」として知られる特定のアルゴリズムに焦点を当てました。これは、ターゲットとなるデータセットを取り込み、それを生成するために必要な最も単純な量子操作のシーケンスを導き出す、いわば「逆エンジニアリング」のツールの役割を果たします。しかし、この初期ツール単体では完璧ではありません。結果を洗練させるために、研究者たちは「テンソルネットワーク最適化（tensor network optimization）」と呼ばれる第二のステップを組み合わせました。このプロセスは微調整メカニッチとして機能し、誤差を最小限に抑え、精度をほぼ完璧にまで押し上げるために量子回路のパラメータを調整します。その結果、現在の不完全なマシン、いわゆるNISQデバイス上で実行できるほど浅い回路を用いて、データを量子コンピュータにロードできる手法が実現しました。

研究者たちは、量子アルゴリズムを混乱させる典型的な要素である、急激な変化、突然の跳躍、あるいは不規則な形状を持つものを含む、幅広い数学的関数を用いて彼らの手法をテストしました。その結果、完全にランダムではない関数（低次多項式、根関数、対数曲線など）に対して、彼らの手法は99.99パーセントを超える精度で量子状態を準備できることがわかりました。このレベルの精密さは、わずか数百ステップ程度の深さの回路によって達成されており、通常必要とされる数百万ステップと比較すると大幅な削減となっています。チームは、値が急激に変化する不連続点を持つ関数であっても、データの全体的な構造がそれほど混沌としていなければ、手法が堅牢であることを示しました。

この能力の最も顕著な実証は、現実世界の医療画像を用いたものでした。研究者たちは、肺疾患の診断に使用される胸部X線写真を含むChestMNISTデータセットから、128×128ピクセルの画像を取り出しました。彼らはわずか14個の量子ビットを使用して、この画像を量子状態にエンコードすることに成功しました。わずか425個の基本操作で構成された結果の量子回路は、99.2パーセント以上の忠実度（fidelity）で画像の再構成を実現しました。これは、量子状態が元の医療スキャンとほぼ完璧なコピーを保持していることを意味します。この実験の成功は、この手法が単純な一次元の数学的曲線だけでなく、画像のような構造化された二次元データを扱えることを証明しており、非常に重要です。

しかし、本研究は、このアプローチの限界についても明確に定義しています。この手法は、データの異なる部分間のつながりが急速に減衰するという、特定の種類の秩序があるデータに依存しています。研究者が完全にランダムなデータや、高度に複雑で構造化されていないノイズに対してこの手法をテストしたところ、精度は著しく低下しました。アルゴリズムは、基礎となるパターンを持たない情報を魔法のように圧縮することはできません。データが真に混沌としている場合、それを表現するために必要な量子回路は、元の問題と同じくらい深く、構築が困難なものになります。この区別は極めて重要です。この技術は構造化されたデータには強力なツールですが、あらゆる種類の情報に対する普遍的な解決策ではありません。

研究者たちはまた、データをロードするための他の既知の手法と比較も行いました。彼らは、他の手法も理論的には同等の精度を達成できるものの、多くの場合、より深い回路を必要とするか、現在のハードウェアではサポートできない追加の「アンシラ（ancilla）」量子ビット（一時的なストレージとして機能するもの）を必要とすることを突き止めました。対照的に、この新しい手法は追加の量子ビットなしで高い精度を達成し、回路の深さがデータのサイズに対して線形にスケールするため、近い将来において非常に実用的です。チームは、彼らの最適化された手法が、ChestMNISTの画像において、理論的な「厳密な（exact）」手法と同レベルの精度に到達しながら、回路の深さはそれよりも約4倍浅かったと述べています。

より広い文脈において、この研究は量子コンピューティングの応用への明確な道筋を示唆しています。これは、物理方程式を解くための境界条件の設定、金融シミュレーションのための確率分布の準備、あるいは機械学習のための画像エンコーディングといった、構造化されたデータを扱うタスクにおいて、量子コンピュータが予想よりもずっと早く有用になることを示しています。浅い回路を用いて高精度にデータをロードできる能力は、多くの量子アルゴリズムを実際のハードウェアでテストすることを妨げてきた大きな障壁を取り除きます。この手法は、完全に非構造化されたデータのロード問題を解決するものではありませんが、科学者やエンジニアが実際に使用する膨大な量の構造化データセットを扱うための、非常に効率的でリソース消費の少ない方法を提供します。

研究は、ディスエンタリング・アルゴリズムとその後の最適化の組み合わせが、現在の量子技術の時代における多才なツールを生み出すと結論付けています。これにより、研究者は状態準備の理論的な限界を乗り越え、現実世界のデータを用いた実践的な実験を開始できるようになります。128×128の画像がこれほど高い忠実度で少数の量子ビットにエンコードできることを示すことで、この研究は、量子コンピュータがいかにして近くに医療データや金融モデルを処理できるようになるかという具体的な例を提示しています。これらの知見は、あらゆる種類の量子状態準備の問題を解決したと主張するものではありませんが、最も近い将来のアプリケーションに関連する特定のクラスの構造化された問題に対して、信頼性が高く、効率的で、正確な手法を確立したものです。