技術要約：ディスカバリー・モードにおける量子コンピュータの実行

問題提起

量子ハードウェアが「物理的メガクオップ（physical megaquops）」（$\sim$1000量子ビット、深さ$\sim$1000のデバイス）へと急速にスケールアップする中で、根本的な課題が生じている。それは、膨大な量子回路の空間（$\sim 10^{105.8}$ 個の異なる回路）をいかに効果的に探索するかという問題である。従来のアプローチは、ユニバーサルなデジタル量子計算（誤り訂正を必要とする）か、あるいは既知のモデルを調査するアナログ量子シミュレーションのいずれかに依存している。本論文は、第3のパラダイムとして「ディスカバリー・モード（発見モード）」を提案する。ここでは、特定の物理的実現に関する事前知識を持たずに、興味深いダイナミクスを示すインスタンスを見出すために、量子回路の空間を探索することを目的とする。

特定された主な課題は以下の通りである：

1. 何をもって「興味深い」回路インスタンスとするかの定義。
2. 変分量子アルゴリズムでよく見られる「バレン・プラトー（不毛な高原）」問題（最適化信号が指数関数的に消失する問題）を回避しつつ、これらのインスタンスを効率的に特定する手順の確立。
3. 小規模なシステムから、より大規模で複雑なものへと探索をスケールアップさせるための組織化。

手法

提案されるフレームワークは、量子プロセッサと古典的な機械学習エージェントを、閉ループのフィードバックシステム（図1に示される）内で統合したものである。

1. 関心関数（Interest Functions）: 中心となる要素は、「関心関数」$f(U)$ の定義である。これは、ユニタリ回路 $U$（および特定の状態に対するその作用）をスカラー値に写像する。この関数は、ダイナミクスの「興味深さ」を定量化する。
2. ハイブリッド最適化ループ:
   • 量子プロセッサは、パラメータ化された回路を実行してデータ（測定結果）を生成する。
   • 古典エージェントは、このデータに基づいて関心関数を評価し、最適化アルゴリズム（COBYLA、Nelder-Meadなど）を用いて、$f(U)$ を最大化するように回路パラメータを更新する。
3. カリキュラム学習: スケーラビリティと最適化のランドスケープに対処するため、探索はカリキュラムとして組織される。すなわち、小さなシステムと制限された回路ファミリーから開始し、学習されたパラメータを段階的により大きなシステムへと転移させていく。

本論文は、以下の2つの異なる例を通じてこのアプローチの妥当性を検証している。

例1：離散時間結晶（DTC）の発見

• 関心関数: 状態の時系列 $S = \{U^t|\psi\rangle\}$ の**二値分類可能性（binary classifiability）**に基づいている。
  • 状態はクラシカル・シャドウ（ランダムなパウリ測定）を用いて表現される。
  • 次元削減は**カーネル主成分分析（Kernel PCA）**によって行われる。
  • **階層的凝集クラスタリング（HAC）**が、縮小されたデータに適用される。「興味深さ」は、デンドログラムにおける最終的な2つのマージされたクラスター間の距離として定義される。大きな分離は、明確で熱化しないクラスター（すなわち、高い分類可能性）を示唆する。
• 実装: IBMの超伝導量子プロセッサ（12、24、36量子ビット）上で、Floquetユニタリ回路（キック・イジング・モデル）を用いて実行された。
• 最適化: 横磁場強度 $\{h_i\}$ およびイジング結合 $\{J_i\}$ をチューニングするために、勾配フリーの最適化手法（COBYLA）が使用された。

例2：デュアル・ユニタリ回路の発見

• 関心関数: ユニタリ $U$ のスペクトル特性、特に $U$ のべき乗のトレースの変動 $z_t(U) = \text{tr}(U^t)/D$ の最小化に基づいている。
  • これは、量子カオスをプローブする**スペクトル形式因子（SFF）**に関連している。
  • 関心関数は、負のポテンシャル $f(U) = -\sum V_t(z_t(U))$ として構築され、様々な $t$ に対して $|z_t(U)|$ を最小化することを目的とする。
• 実装: ランドスケープを滑らかにするためのHaarランダムな単一量子ゲートの平均化に伴う計算コストのため、$n=14$ 量子ビットまでの系を古典的にシミュレートした。
• 目標: 極端なスペクトル相関（最大限にカオス的な挙動）を持ち、摂動に対して頑健な回路を見出すこと。

主な結果

1. 離散時間結晶の発見

• 実験的検証: 36量子ビットのデバイスにおいて、関心関数はDTC相を正常に特定した。平均キック強度 $\langle h \rangle$ が $\pi/2$ に向かってチューニングされるにつれ、関心関数はピークに達し、周期倍増の秩序の出現に対応した。
• 最適化の成功: 24量子ビットの最適化ランにおいて、エージェントはDTCに類似した構成へと自律的に収束した。
  • あるランでは、$h \approx 0$ のサイトによって分離された、不連続なDTC領域を持つ「バイモーダル（二峰性）」なプロファイルが生成された。
  • 別のランでは、$h \approx \pi/2$ を持つ大規模でコヒーレントなDTCバルクへと収束し、より高い関心スコアを達成した。
• スケーリング: 関心関数は、DTC相においては強度的（システムサイズ $n$ に依存しない）であるが、観測窓 $T$ に対しては $\sim \sqrt{T}$ でスケールすることが判明した。自明な相においては、関数は小さく、$T$ への依存性は弱かった。
• 汎用性: より一般的な回路ファミリー（$Z_2$ 対称性を持たないもの）を用いたシミュレーションにより、分類可能性の最大化が、一貫して $Z_2$ 対称性を持つDTC構成へとシステムを導くことが示され、相互作用と回転軸の直交性が回収された。

2. デュアル・ユニタリ回路の発見

• ランドスケープ解析: 数値シミュレーションにより、スペクトル最小化に関する関心ランドスケープが局所的に凹であることを明らかにした。
• 収束: 最適化は、パラメータがデュアル・ユニタリ条件（$J_x = J_y = J_z = \pi$）を満たす部分多様体へと、パラメータ化されたブリックワーク回路を駆動する。
• 意義: この最大値は、有限の深さの制約があるにもかかわらず、理論的な完全ランダムユニタリ（Circular Unitary Ensemble）の値と一致する。ランドスケープは、デュアル・ユニタリ回路がこの関心関数に対する頑健なアトラクターであり、逆「ドメイン壁テンション」 $\tau = 0$ によって特徴付けられることを示唆している。
• 実現可能性: 直接的なSFFの測定は、大規模な系ではサンプル複雑性の制限を受けるが、本論文では**部分スペクトル形式因子（pSFF）**が、この発見プロトコルにおけるより効率的なプロキシ（代理指標）となることが述べられている。

意義と主張

本論文は、ハイブリッドな古典・量子システムが、自律的に非自明な多体系現象を特定するという、「ディスカバリー・モード」の最初の実証を提供すると主張している。

• パラダイムシフト: 本研究は、既知のハミルトニアンをシミュレートすることから、未知の「興味深い」ダイナミクスを探索することへと、関心関数の設計を多体系物理学の主要な活動へとシフトさせるものである。
• 自律性: 結果は、量子リソースにアクセスできる学習エージェントが、かつては人間の直感や特定の理論的洞察によって特定されていた現象（DTC、デュアル・ユニタリ）を、最小限の出力エンコーディングで発見できることを示唆している。
• スケーラビリティ: 「カリキュラム」アプローチ（小さな系から大きな系へのパラメータ転移）は、バレン・プラトーを克服し、発見をより大きなデバイスへとスケールアップさせるための実行可能な戦略として提案されている。
• 反事実的検証: デュアル・ユニタリの発見は（現在のハードウェアの制限により）シミュレーションを通じて検証されたが、DTCの発見は実際のノイズのあるハードウェア上で実験的に検証されており、プロトコルの実現可能性を証明している。
• 将来の展望: 著者らは、このアプローチが新しい相や論理ゲートの発見につながると予想しており、最先端の量子プラットフォームと強力な古典的インフラストラクチャを組み合わせた、多体系物理学のための「CERNのような施設」を構想している。

結論として、現在の例は一部のターゲットに対する反事実的な検証としての役割を果たすものの、このアプローチは堅牢であり、高次元のデータを用いて新しい物理学を発見するための魅力的な道筋を提供するものである。