Heisenberg-Limited Quantum Hamiltonian Learning via Randomly Spread Product-States

技術要約：ランダムに拡散された積状態によるハイゼンベルク限界の量子ハミルトニアン学習

問題提起
ハミルトニアン学習（HL）は、未知のシステムダイナミクスを実験データから推定することで、未知のハミルトニアンパラメータを特性化することを目的とした、量子情報処理における重要なサブルーチンである。HLにおける主要な課題は、最小限のリソース、具体的には総実験時間（$T_{tot}$）を用いて、いかに高い推定効率を達成するかである。標準量子限界（SQL）は、推定誤差のスケールが $\Delta\theta \propto T_{tot}^{-1/2}$ となることを予測するが、ハイゼンベルク限界は、より優れた $\Delta\theta \propto T_{tot}^{-1}$ というスケーリングを提供する。

ハイゼンベルク限界のスケーリングを実現する既存の手法は、通常、連続的な動的制御またはコヒーレントなもつれ測定に依存している。しかし、これらのアプローチは重大な実用的障壁に直面している。連続制御には、システムサイズに対してスケーリングが悪く、固有のコヒーレンス時間を上回る高フィデリティの場が必要となる。また、もつれ測定は脆弱であり、デコヒーレンスの影響を受けやすい。さらに、多体ハミルトニアン学習では、パラメータを逐次的に孤立させるか、構造的な事前知識（例：スパース性）に頼る必要がある場合が多く、これは同時推定能力を制限する。本研究は、局所的な操作、可分なプローブ状態、および動的制御を必要とせずに、ハイゼンベルク限界のスケーリングを実現するプロトコルの必要性に対処するものである。

手法
著者らは、短時間の量子進化において自然に発生する二次的なフィッシャー情報領域を活用しつつ、その実用的なアクセシビリティを拡張する学習プロトコルを提案している。この手法の核となる構成要素は以下の通りである：

1. 拡散状態（Spread States）: 固定された初期状態の代わりに、本プロトコルは局所的にランダム化された積状態を用いて実験を開始する。具体的には、固定された基底状態に対し、独立したハール・ランダムな単一量子ビット回転（$U_{spread} = \bigotimes_i R_z(\xi_i)R_y(\chi_i)R_z(\phi_i)$）を適用する。この「拡散」により、初期状態はハミルトニアンのすべての固有状態に対して非ゼロのオーバーラップを持つようになり、これにより全スペクトルギャップ構造が活性化され、状態に起因するスペクトル成分の抑制が防止される。
2. ランダム化測定: プロトコルは、ランダムなワンショット・パウリ積測定のアンサンブルを採用する。このランダム化により、アンサンブル全体を通じて異なるスペクトル周波数が測定統計の中に現れることが保証される。
3. アンサンブル平均化: プロトコルは、多くの独立して準備されたプローブ構成（拡散状態）および測定基底に対する古典的な平均化に依存している。このアンサンブルアプローチは、同一の実験を繰り返す必要性を代替する。
4. 非一様時間スケジューリング: 複数のタイムスタンプからのデータを集計する際に超線形な学習率が劣化する問題に対処するため、著者らは非一様測定スケジュール（$t_k = \Delta t \cdot k^\alpha$）を導入している。このスケジューリングは、総実験時間に対するフィッシャー情報の蓄積を最適化する。

主な貢献および理論的結果

• 二次的スケーリングの拡張: 著者らは、二次的なフィッシャー情報スケーリング（$I(t) \propto t^2$）は通常、無限小の極限（$t \to 0$）においてのみ存在することを証明したが、拡散状態の使用によって、この領域を有限かつ実験的にアクセス可能な時間窓へと拡張することに成功した。この窓内では、フィッシャー情報は $I(t) = \Omega(t^2)$ として成長し、これは進化時間に対するハイゼンベルク限界の感度に相当する。
• フィッシャー情報の対角化: 理論的な重要な貢献は、局所的にランダム化された積状態によるアンサンブル平均化によって、フィッシャー情報行列が漸近的に対角化されることを示した点である。アンサンブルサイズ $R \to \infty$ のとき、異なるハミルトニアンパラメータ間の相互相関は消失する。これにより、単一のデータセットからすべてのハミルトニアンパラメータを同時かつ不偏に推定することが可能となり、パラメータの孤立や構造的事前知識の必要性が排除される。
• 総時間に対するスケーリング: 本論文では、マルチタイムスタンプ・シナリオにおける累積フィッシャー情報を分析している。単一の冪乗の和は、単一時刻のスケーリングの指数を自然には保持しないことを示しているが、適切な非一様スケジューリング（指数 $\alpha$ の調整）を用いることで、$\alpha \to \infty$ のとき、累積フィッシャー情報が漸近的にハイゼンベルク限界のスケーリング（$I_{tot} \propto T_{tot}^2$）を回復できることを示している。
• スケーラビリティ: 理論的な議論によれば、このメカニズムは局所的な操作とハミルトニアン項の局所性に依存しているため、その有効性はヒルベルト空間の次元が増大しても劣化しないことが示唆されている。

数値結果
理論的な主張は、様々な無秩序多体系ハミルトニアン（最近接、次近接、および3体相互作用を含む異方性ハイゼンゼンモデル、およびギャップレスXXZモデルを含む）を用いた5量子ビット系での数値シミュレーションを通じて検証されている。

• SQLを超える性能: シミュレーションでは、フルハミルトニアン行列の再構成誤差が $\varepsilon \propto T_{tot}^{-\beta}$ （$\beta \approx 0.66$ から $0.75$）でスケールし、SQLの限界（$\beta = 0.5$）を上回ることが示されている。
• アンサンブルサイズの役割: 拡散状態の数（$R$）を増やすことは、学習プロセスの安定性を向上させる。$R$ が大きくなるにつれて、適合されたスケーリング指数 $\beta$ は理論的な予測値へと収束し、フィッシャー情報行列の非対角要素は抑制される。これは対角化メカニズムを裏付けている。
• 単一状態レジーム: フィッシャー情報診断により、十分な数の測定基底が使用される限り、単一の拡散状態（$R=1$）であっても二次的な短時間感度領域が存在することが明らかになった。$R$ を増やす主な目的は、二次的な領域自体を作ることではなく、フィッシャー行列を対角化し、多パラメータ推定問題の条件付けを改善することにある。
• システムサイズへの独立性: 2から6量子ビットのシステムに対して行われた診断は、二次的なスケーリングと対角化メカニズムがシステムサイズが増加しても効果的に機能し続けることを確認している。

意義および主張
本論文は、もつれ、グローバルなコヒーレント測定、または複雑な動的制御を必要とせずに、ハイゼンベルク限界のハミルトニアン学習への実用的な経路を提供すると主張している。局所的な量子操作（ランダム化された状態準備と局所測定）と古典的なデータ集約を利用することで、本プロトコルは二次的なフィッシャー情報領域を現実的な進化時間において利用可能にする。

著者らは、このアプローチが、構造的な孤立や適応制御を必要とせずに、単一のデータセットからすべてのハミルトニアンパラメータを同時に学習することを可能にすると強調している。本研究は、強化された学習率が、再構成アルゴリズムのアーティファクトではなく、測定統計の固有の情報量に由来すること（直接的なフィッシャー情報診断により検証済み）を実証している。これは、近未来の量子デバイスに適応可能な、リソース効率の高い量子特性評価および適応型メトロロジーの手法を確立するものである。