Tensor Train Quantum State Tomography using Compressed Sensing

技術要約：圧縮センシングを用いたテンソルネットワーク・トレインによる量子状態トモグラフィー

問題提起
量子状態トモグラフィー（QST）は、測定データから量子系の密度行列を推定することにより、量子デバイスのベンチマークや検証を行うために不可欠である。しかし、標準的な推定手法は「次元の呪い」に直面する。すなわち、量子ビット数（$N$）が増加するにつれ、密度行列のパラメータ数（$D = 2^N$）が指数関数的に増大する（$O(D^2)$ 個のパラメータが必要となる）。多くの関心対象となる量子状態（局所的なハミルトニアンの基底状態や、ほぼ純粋な状態など）は、効率的な回復を可能にする低ランク構造を持っているが、既存のスケーラブルな手法には限界がある。核ノルム正則化を用いた凸最適化アプローチは、大規模なシステムに対しては計算量的に極めて困難になる。また、Burer-Monteiro法などの因子分解法は効率性は向上するものの、複雑な投影操作なしに、必要な物理的制約（エルミート性、半正定値性、およびトレースが1であること）を課すことが困難である場合が多い。さらに、テンソルネットワーク表現である行列積状態（MPS）は純粋状態には効率的であるが、これらの制約を維持しながら混合状態へと拡張することは依然として困難である。

手法
著者らは、密度行列 $\rho$ を**ブロック・テンソル・トレイン（Block-TT）**分解を用いてパラメータ化する、新しいQSTフレームワークを提案している。このアプローチは、圧縮センシングの原理とテンソルネットワーク代数を組み合わせたものである。

1. パラメータ化: 本手法では、密度行列全体を最適化する代わりに、密度行列 $\rho$ をブロック-TTネットワーク $A$ とそのエルミート共役 $A^H$ の縮約（すなわち、$\hat{\rho}_{TT} = A \bullet_n A^H$）として表現する。

   • ネットワーク $A$ は $(N+1)$ 次のテンソルであり、特定の位置 $n$ に補助インデックス $K$ を持つ4次のコアを除いて、ほとんどのコアは3次である。
   • この構成により、最適化中に明示的な制約を課すことなく、結果として得られる密度行列が**半正定値（PSD）**かつエルミートであることが本質的に保証される。これは行列のコレスキー分解に類似している。
   • トレースが1であるという制約は、因子 $A$ に対するフロベニウスノルム制約（$\|A\|_F \leq 1$）によって管理される。

2. 最適化: QST問題を、観測された測定結果とモデルの予測との間の最小二乗誤差を最小化する非凸最適化問題として再定式化する。

   • 目的関数: $\min_A \frac{1}{2} \|y - \mathcal{M}(\hat{\rho}_{TT})\|_2^2$ ただし $\|A\|_F \leq 1$。
   • アルゴリズム: 単純な勾配降下法（GD）が採用されている。各反復において、勾配はテンソルネットワークの縮約を用いて計算され、更新された因子は、直交性を維持しランクを制御するために、截断SVD（TT-SVD）を用いてブロック-TT形式へと投影される。収束性を向上させるためにモーメンタム係数が使用される。

3. 効率性: 本手法は、期待値（$\text{Tr}(\rho E_m)$）を効率的に計算するためにTT代数を利用する。測定値の評価に関する計算複雑性は、$O((4R^2 + 2R^3)(\log_2 D + K))$ となる（ここで $R$ はTTランク）。これは、状態が低ランクのTT構造を持つ場合、標準的な行列のトレース計算の複雑さである $O(D^2)$ よりも大幅に効率的である。

主要な貢献

• ブロック-TTパラメータ化: 半正定値性を本質的に保持する密度行列のブロック-TT表現の導入。これにより、他の因子分解法で必要とされる複雑な投影ステップを排除した。
• スケーラビリティ: 本手法が、システムサイズに対してパラメータ数を指数関数的から対数的スケールへと減少させることで、広範なクラスの量子状態（純粋状態、準純粋状態、基底状態）に対して次元の呪いを緩和できることを示した。
• アルゴリズムの枠組み: ランク截断のためのTT-SVDを利用した、ブロック-TTネットワークに特化した勾配ベースの最適化アルゴリズムの開発。
• 比較分析: 凸最適化（CVX）、最大尤度推定（MLE）、および低ランク投影勾配（LR）法を含む、最先端の手法との包括的な比較。

結果
3から12量子ビットのシステムに対し、ランダムなパウリ測定とガウスノイズ（SNR = 60 dB）を用いて数値実験が行われた。

• 精度: 提案されたブロック-TT法は、混合状態の回復において競争力のある精度を達成した。忠実度（Fidelity）およびトレース距離（Trace Distance）の観点において、MLEを上回り、低ランク（LR）投影勾配法と同様の性能を示した。
• サンプリング効率: 低サンプリング比率（$M/D^2 < 0.3$）においては、凸最適化（CVX）法が最も優れた性能を示したが、ブロック-TT法も競争力のある結果を維持した。
• 計算効率: 最も重要な発見は、計算時間における特性であった。行列ベースの測定評価は量子ビット数に対して指数関数的にスケールするが、ブロック-TTアプローチはほぼ線形に近いスケールを示す。これにより、行列ベースの手法では計算が困難となる大規模なシステム（例：12量子ビット）を扱うことが可能となる。

意義と主張
本論文は、提案されたブロック-TT QSTアプローチが、メモリ効率、計算速度、および物理的妥当性のバランスを取ることで、大規模な量子状態推定のための実用的な解決策を提供すると主張している。

• 控えめな主張: 著者らは、本手法が特に低ランクのテンソルネットワークによって良好に近似できる量子状態に対して効率的であることを明示している。また、現在のアルゴリズムは単純な勾配降下法であり、TT多様体上のより高度な最適化によってさらなる改善が可能であることも認めている。
• 今後の方向性: 今後の課題として、回復の保証に関する厳密な理論的分析や、決定論的な回復のための構造化されたテンソル補完アプローチの開発が挙げられている。
• 結論: 本研究は、密度行列をブロック-TTネットワークでパラメータ化することが、従来のトモグラフィーに代わる、メモリおよび計算量的に効率的な選択肢となり得ることを示しており、分解の固有の構造による追加の制約を課すことなく、正確な混合状態を回復できることを実証している。