Quantum State Preparation with the QNN-based SRBB Algorithm

技術要約：QNNベースのSRBBアルゴリズムによる量子状態準備

問題提起
量子状態準備（QSP）は、量子機械学習（QML）、線形方程式ソルバー、ハミルトニアンシミュレーションを含む数多くの量子アルゴリズムにおける基本的なサブルーチンである。目的は、$U|0\rangle^{\otimes n} = |\psi\rangle$ となるようなユニタリ演算子 $U$ を構築することである（ここで $|\psi\rangle$ は所望の $n$ 量子ビット状態である）。一様制御回転（Uniformly Controlled Rotations）などを用いた厳密なQSPアルゴリズムは存在するが、それらはしばしば指数関数的な深さとゲート数（$O(2^n)$）に苦しむため、近未来のハードウェアでは実行不可能となる。さらに、既存の多くのアプローチは、より優れた時空トレードオフを実現するために補助量子ビット（ancillary qubits）に依存しており、これがハードウェア要件を増大させている。課題は、補助量子ビットに頼ることなく、高い精度を維持しながらリソース（具体的にはCNOTカウントと回路深さ）を最小化する近似的QSP手法を開発することにある。

手法
著者らは、$SU(2^n)$ 群の行列代数の階層的構成である Standard Recursive Block Basis (SRBB) に基づく、新しい変分量子アルゴリズムを提案している。この手法は、リー群のトポロジカルおよび代数的性質を利用して、変分量子回路（VQC）を設計するものである。

1. 理論的枠組み（SRBBとリー代数）:

   • 本アルゴリズムは、ユニタリ群 $U(2^n)$ を $U(1)$ と $SU(2^n)$ の局所的な積へと分解することに基づいている。SRBBは、リー代数 $\mathfrak{su}(2^n)$ に対する再帰的な基底を提供する。
   • 決定的な点として、著者らは変分アンザッツを 対角部分代数（diagonal sub-algebra）（$Z$ ファクター）に制限している。完全なSRBBには、一般的なユニタリ合成に必要な非対角成分（$\Psi$ および $\Phi$ ファクター）が含まれるが、対角成分のみで対角ユニタリ行列をパラメータ化するには十分である。
   • $R_y(\gamma) = SH \cdot R_z(\gamma) \cdot HS^\dagger$ という恒等式を利用することで、著者らは従来のQSPの「ラダー（梯子）」構造（一様制御ゲート（UCG）で構成されるもの）を、$S$、$H$、および $R_z$ ゲートのみで構成される回路へとマッピングしている。これにより、対角SRBB $Z$ ファクターがターゲット状態の振幅の絶対値を近似し、別のブロックが位相を処理することが可能となる。

2. アルゴリズム・アーキテクチャ:

   • 提案された量子ニューラルネットワーク（QNN）は、最適化の衝突を避けるために、2つの明確な学習ステージで動作する。
     • 絶対値学習（Modulus Learning）: 回路の第一部分は、対角SRBB $Z$ ファクターを用いて、ターゲット状態の実振幅（絶対値）を近似する。
     • 位相学習（Phase Learning）: 第二部分は、ターゲット状態の複素位相を近似する。
   • 回路の深さは、Gray Codeパターンを用いてCNOTゲートを最小化するSRBB $Z$ ファクターの再帰的構造を活用することで最適化されている。結果として得られる深さ $D(n) \approx 6 \cdot 2^n - n^2/2 + 7n/2 - 3$ は、補助量子ビットを使用しない他の手法によって達成される漸近的に最適な境界と比較しても競争力がある。

3. 最適化と損失関数:

   • アルゴリズムは、Adam（FidelityおよびTrace Distance損失関数と共に使用）と Nelder-Mead（Frobenius Normと共に使用）の2つのオプティマイザを用いてテストされている。
   • 学習は、VQCによって生成された状態とターゲット状態（または理想的なユニタリ行列）との間の距離を最小化するように行われる。

主な貢献
本論文には主に4つの貢献がある：

1. 新しいアルゴリズム: 近似的QSPのための具体的なユースケースとしてSRBB階層を提案し、これを変分問題として定式化した。
2. 深さの削減: 従来のQSPのラダー構造を、CNOTが最適化された対角SRBB部分代数のみを用いて実装した。これにより、全代数を使用する場合と比較して、回路の深さとCNOTカウントを指数関数的に削減し、補助量子ビットなしで漸近的に最適な境界に近づけている。
3. 包括的な評価: 2から8量子ビットのシステムにおいて、ランダムな状態、スパースな状態、および一様な確率分布を用いて性能を評価した。
4. 実機検証: ノイズ環境下での性能を評価するため、実機（IQM Deneb, IQM Garnet, Rigetti Anke-3, IonQ Forte1）を用いてアルゴリズムをテストした。

結果

• シミュレーション:

  • 最大4量子ビットまで、Nelder-Meadオプティマイザを用いて $10^{-13}$ から $10^{-15}$ の範囲のエラーで高い精度を達成した。
  • Adamオプティマイザは、小規模な量子ビット数において長い学習時間を要するが、時間は指数関数的にスケールせず、4量子ビットまで高い精度を維持している。
  • 量子ビット数が4を超えると性能が低下し、8量子ビットではエラーは約 $10^{-3}$ まで上昇する。
  • ネットワークは、シミュレーションにおいてBell状態やGHZ状態などの特定の状態を高フィデリティで再現することに成功した。

• 実機ハードウェア:

  • 実機（2–5量子ビット）において、アルゴリズムは小規模な量子ビット数に対して良好な結果を示すが、その性能はターゲットとする状態によって大きく異なる。
  • 一様重ね合わせ状態やBell状態のような特定の状態については、Hellinger距離が比較的低い（例：2量子ビットで $\sim 0.01$ から $0.12$）。
  • スパースな状態やより複雑な分布の場合、エラーは著しく増大する（例：IQM Denebにおける4量子ビットのスパース状態ではHellinger距離 $\sim 0.74$）。
  • Rigettiデバイスにおいてショット数（1024から8192へ）を増やしても、性能の有意な改善は見られなかった。これは、限界要因がショットノイズではなく、ノイズと回路の深さであることを示唆している。

意義と主張
著者らは、本研究が、変分パラメータをユニタリ群の幾何学に明示的に結びつける、近似的量子状態準備のための新しいスキームを提供すると主張している。主な意義は、SRBBの対角部分代体を利用することで、精度を維持しながら回路リソース（CNOTおよび深さ）を削減できる点にあり、これはリソースを最小化しつつ精度を維持するという「緩和原理」に従っている。

論文では、現在の限界についても謙虚に認めている：

• スケーラビリティ: アルゴリズムは量子ビット数の増加に伴う課題に直面しており、パラメータ空間の複雑さ（潜在的なバレン・プラトー）により、オプティマイザが効果的に収束することに苦慮している。
• ハードウェアノイズ: 実機においては、エラーは固定されたものではなく、特定のターゲット状態に応じて大きく変動しており、ノイズと状態の複雑さに対する敏感さを示している。
• 今後の展望: 著者らは、将来の研究において、このフレームワークを確立されたQSPアルゴリズムやエンコーディング技術（振幅エンコーディングなど）と比較し、回転ゲートをさらに最適化し、より大きなシステムにおける収束問題を軽減するために最適化のランドスケープを分析することを提案している。

本研究は、大規模なシステムに対するQSP問題を即座に解決すると主張しているのではなく、リー代数理論と実用的な変分量子回路を橋渡しする、小規模から中規模の量子ビット数に対して実行可能でリソース効率の高いアプローチを実証している。