Scalable Quantum State Preparation for Encoding Genomic Data with Matrix Product States

技術要約：行列積状態を用いたゲノムデータのエンコーディングのためのスケーラブルな量子状態準備

問題提起
量子ハードウェアが進歩するにつれ、量子バイオインフォマティクスにおける重要なボトルネックは、古典的なゲノムデータを量子状態へ効率的にロードすることである。量子配列アライメント（QSA）や、パンゲノムグラフ解法のための量子近似最適化アルゴリズム（QAOA）といった多くの有望な量子アルゴリズムは、実行前にデータを重ね合わせ状態にエンコードすることを必要とする。しかし、これらの状態を準備するための量子回路を構築することは、回路の深さを制限するハードウェアノイズのために困難を伴う。余弦・正弦分解（決定論的）や、状態準備のための遺伝的アルゴリズム（GASP、確率論的）といった既存の手法は、スケーラビリティの問題や計算の非効率性に直面している。さらに、テンソルネットワーク（特に行列積状態：MPS）は量子回路の「シミュレーション」には広く用いられているが、任意のデータ（ゲノム配列など）のMPS表現を量子回路を用いて「準備」するためのスケーラブルな手法は不足している。

手法
著者らは、任意の正規化された量子状態ベクトル（特にゲノムデータに特化したもの）を生成するための、行列積状態（MPS）形式を利用したスケーラブルな量子回路生成手法を提案している。

1. データエンコーディング: ゲノムリードを量子状態ベクトルにマッピングする。長さ $L$ のゲノムリードは、位置レジスタと塩基レジスタに分解される。$k$-mer エンコーディング（$k=1$ は単一塩基の場合）を用いることで、状態は位置とヌクレオチド型の重ね合わせとして表現される。例えば、バクテリオファージ $\Phi$X174 ゲノム（5,386 塩基対）は、15 量子ビットの状態にエンコードされる。
2. MPS 表現: ターゲットとなる状態ベクトルを左標準形（left-canonical）の MPS に変換する。これには、状態テンソルを再形成するために特異値分解（SVD）を反復的に適用することが含まれ、その結果、内部次元（ボンド次元 $\chi$）がサイト間の絡み合い（エンタングルメント）を表す一連の行列 $A^{\sigma_i}$ が得られる。
3. 回路構築（逆問題）: ゼロ状態からターゲットへと進化させるのではなく、アルゴリズムはターゲット状態からゼロ状態 $|0\rangle$ へと進化させる逆問題を解く。
   • MPS はボンド次元 $\chi=2$ に切り詰められ、単一層の 2 量子ビット・ユニタリゲート（$U_{\sigma_k, \sigma_{k-1}}$）と最終的な 1 量子ビットゲートを構成する。
   • 反復手順が用いられる：現在のターゲット状態を $\chi=2$ に切り詰め、この切り詰められた状態を $|0\rangle$ に写像する回路 $C_q$ を生成し、元のターゲット状態に逆回路 $C_q^\dagger$ を適用する。
   • このプロセスを繰り返し、ユニタリ層を累積しながら、進化した状態と $|0\rangle$ とのフィデリティが規定の閾値を満たすまで繰り返す。最終的な回路は、この累積された一連の操作の逆、すなわち $|0\rangle$ をターゲットへと進化させるものである。
4. トランスパイル: 生成された回路は、隣接する量子ビット間の 2 量子ビットゲートの逐次的な層で構成されているため、線形であり、複雑な量子ビットルーティングを必要とせずに、あらゆるハードウェアトポロジーに効率的にトランスパイルできる。

主な貢献

• スケーラブルな回路生成: 任意の正規化された状態に対して、ゲート数が $O(n \cdot \chi_{max}^2)$（ここで $n$ は量子ビット数、$\chi_{max}$ は最大ボンド次元）でスケールする決定論的な回路生成手法を提示している。
• ゲノムへの応用: ゲノム配列リードをエンコードするために MPS 状態準備技術を適用した初の事例である。著者らは、$\Phi$X174 ゲノム（15 量子ビット）および SARS-CoV2 スパイクタンパク質遺伝子（14 量子ビット）のエンコーディングを実証した。
• トレードオフ分析: MPS ボンド次元、再構成誤差、および回路複雑性の間のトレードオフを体系的に分析している。高精度なゲノムデータのエンコーディングが、管理可能なボンド次元（例：$\Phi$X174 に対して $\chi=98$ は $10^{-6}$ の再構成誤差を実現）で可能であることを示している。
• ハードウェア検証: 本手法は、ハイパフォーマンス・コンピューティング（HPC）クラスターでテストされ、IBM 量子エミュレータ（8、9、10 量子ビット）でシミュレートされ、アプローチの妥当性が確認された。

結果

• 効率性: MPS 法は、同等のアルゴリズム・フィデリティにおいて、IBM Qiskit などの標準的なツールよりもゲート数において優れている。$\Phi$X174 ゲノムの場合、ゲート数は $2^n$（$n$ は量子ビット数）に比例してスケールするが、$n \approx \log_2(L)$ であるため、演算は実際のゲノムリード長 $L$ に対して線形にスケールする。
• フィデリティ vs 複雑性: シミュレーションによれば、ボンド次元を削減すると再構成誤差が著しく増大する（例：$\Phi$X174 のボンド次元を半分にすると、誤差は約 20% に増加する）。しかし、本手法は、ハードウェアの制約に合わせて特定のフィデリティ閾値（例：75%、90%、99%）に対して回路を生成できる、調整可能なフィデリティを提供している。
• ハードウェアエミュレータの性能: IBM エミュレータによるテストでは、アルゴリズムのフィデリティとハードウェアのフィデリティの間の複雑な相互作用が明らかになった。ゲート数を増やすことはアルゴリズムのフィデリティを向上させるが、ハードウェアノイズが最終的に総フィデリティを低下させる。最適な点は、回路の深さがハードウェアのノイズ耐性をサポートできる場所に存在する。
• スケーラビリティの推定: 著者らは、2025 年末までに、現在のハードウェア能力によって、SARS-CoV2 スパイク遺伝子（14 量子ビット）のエンコーディングおよびシーケンシング、さらには $\Phi$X174 ゲノム全体（15 量子ビット）の可能性が可能になると推定している。

意義と主張
本論文は、この手法が「アプリケーション準備完了」の量子バイオインフォマティクスへの実行可能かつ効率的な経路を提供すると主張している。ゲノムデータを制御可能な誤差と管理可能な回路の深さで量子状態にロードできるようにすることで、量子配列アライメントやパンゲノムグラフの絡み合い解法といった複雑なワークフローを、近未来の量子ハードウェア上で実装できると著者らは述べている。

著者らは、ゲート数が量子ビット数に対して指数関数的にスケールする（$2^n$）一方で、量子ビット数とゲノム長の関係が対数的（$n \approx \log L$）であるため、本手法は実際の生物学的データのサイズに対して線形にスケールすることを強調している。結論として、このアプローチはデータロードのボトルネックを克服し、ハードウェアノイズレベルが適切に管理されていることを前提として、系統樹構築やパンゲノム解析といったタスクのための完全な量子バイオインフォマティクス・パイプラインの実行を可能にする基礎的なインフラを確立するものであるとしている。この研究は、直ちにすべての生物学的問題を解決することを主張するものではなく、将来のアルゴリズムを可能にするためのデータエンコーディングに必要なインフラストラクチャを構築するものである。