Learning and certification of local time-dependent quantum dynamics and noise

技術要約：局所的な時間依存量子ダイナミクスとノイズの学習および認証

問題設定
本論文は、$n$量子ビット系における時間依存量子ダイナミクスの生成子（generator）を学習するという課題に取り組んでいる。時間独立なダイナミクスに関するハミルトニアン学習プロトコルは、厳密かつスケーラブルな保証（多くの場合、システムサイズに対してポリログ的なサンプル複雑性）を達成しているが、既存の厳密な手法の多くは、明示的に時間依存するダイナミクスを扱うことができない。このギャップは極めて重要である。なぜなら、断熱状態準備、クエンチ、フロケ・エンジニアリング、ダイナミカル・デカップリングといった多くの実用的な量子タスクは、時間依存の制御に依存しており、現実的なノイズ源もまた時間依存のドリフトを示すことが多いからである。

具体的に取り組む問題は、問題 2.1 である。これは、有効次元 $D$ のグラフ $G$ 上の局所的に相互作用する $n$ 量子ビット系の時間依存係数を学習することである。未知の生成子 $S(t)$ は、以下の要素からなる時間依存のリンドブラディアン（Lindbladian）である：

1. 幾何学的に局所的なハミルトニアン項 $-i h_{(x,z)}(t) P_{(x,z)}$。
2. 微弱なオンサイト・パウリ・デフェージング項 $\ell_{j,P}(t) L_{j,P}$。

学習の目標は、既知の有限次元関数クラス $\mathcal{F}_m$（例：次数 $m$ の多項式）内での、誤差 $\epsilon$ および成功確率 $1-\delta$ における、区間 $[0, T]$ 上の係数関数 $h_{(x,z)}(t)$ および $\ell_{j,P}(t)$ の一様再構成である。実験的に最小限のアクセスモデル（積パウリ固有状態の準備、時間発展、および積パウリ測定）を用いる。

手法
提案されるプロトコルは、マルコフ安定関数系 (Markov-stable function systems: MSFS)、リープ・ロビンソン (Lieb-Robinson: LR) 境界、および 半正定値計画法 (SDP) と統合された プロセス・シャドウ・トモグラフィ (process shadow tomography) という3つの核心的な技術的柱を組み合わせている。

1. 滑らかさと補間モデル：
   プロトコルは、時間依存係数とその導関数が、既知の有限次元関数クラス $\mathcal{F}_m$ 内で、認証された同時 $C^1$ 近似を持つと仮定する。このクラスは「マルコフ安定関数系」として定義されており、関数の値から導関数を安定して推定できることを保証し、その際、次数 $m$ に対して多項式的なオーバーヘッドのみで済む。学習タスクは、特定の時刻ノードにおける係数の推定と、それらの安定した補間に帰着される。

2. 有限時間における導関数推定：
   $t=0$ での導関数に依存する時間独立な学習とは異なり、本プロトコルは有限時刻 $t_i$ におけるチャネル・オーバーラップの導関数を推定する。転送行列のエントリ $f_O(t) = 2^{-n}\text{tr}[T(0,t)(O)P]$ の導関数は、未知の係数 $h_\alpha(t)$ および $\ell_{j,P}(t)$ に対して線形である。しかし、この線型系の係数は、未知の発展自体に依存している。

3. 局所プローブとSDPによる安定化：
   線型系を解出可能かつ安定にするために、プロトコルは「隔離プローブ (isolating probes)」を構築する。

• リープ・ロビンソン局在化： LR境界を用いることで、局所的なパウリ演算子のユニタリ・ハミルトニアン発展の逆演算が、システムサイズ $n$ に依存しない一定サイズの領域にサポートされた局所演算子によって近似できることを証明する。
• 摂動的比較： 微弱な散逸条件の下で、これらの局所プローブが、完全なフォワード・チャネル（デフェージングを含む）の下でも、ターゲットとなるパウリ演算に近い状態を維持することが示される。
• SDPの構築： プロトコルは、プロセス・シャドウ・データを用いて局所的な転送行列のエントリを推定し、局所プローブ演算子 $O$ を見つけるための一定サイズの半正定値計画法（SDP）を解く。ここで、$O$ は、その発展した状態 $T(0, t_i)(O)$ がターゲットとなるパウリに近いものとする。これにより、結果として得られる係数のための線型系が疎（sparse）かつ対角優位となり、統計的ノイズに対する安定性が保証される。

4. プロセス・シャドウ・トモグラフィ：
   プロトコルは、局所的なパウリ文字列 $P, Q$ に対するチャネル・オーバーラップ $2^{-n}\text{tr}[T(0, t)(P)Q]$ を効率的に推定するためにプロセス・シャドウを利用する。これにより、必要なすべての行列成分を、局所サポートサイズ（定数）に対して指数関数的ではなく、誤差の逆数に対して多項式的なサンプル複雑性で並列的に推定することが可能となる。

主な結果
主要な結果である 定理 2.1 は、学習問題が以下の条件で解決可能であることを確立している：

• サンプル複雑性： $\tilde{O}(\epsilon^{-2} \text{poly}(m_{\text{eff}}) \log(n \delta^{-1}))$。ここで $m_{\text{eff}}$ は、関数クラスの認証された有効次数である。
• 古典的複雑性： $\tilde{O}(\epsilon^{-2} \text{poly}(n, m_{\text{eff}}, \log \delta^{-1}))$。
• 時間複雑性： 総発展時間はサンプル複雑性と同様のスケーリングを示す。

システムサイズ $n$ への依存性は対数的であり、時間独立なハミルトニアン学習における最良の結果と一致している。時間依存性のコストは、有効次数 $m_{\text{eff}}$ の多項式因子としてのみ現れる。指数関数的に収束する近似（例：解析的なスケジュール）の場合、$m_{\text{eff}}$ は $1/\epsilon$ に対してポリログ的にスケールする。

また、プロトコルは多項式スケジュールに対して $T_f > T$ への外挿 (extrapolation) 手法も提供するが、誤差の増幅は次数 $m$ および比率 $T_f/T$ に対して指数関数的に増大する。さらに、学習されたモデルは、学習されたチャネルと真のチャネルを比較することで、物理的観測量の局所的な期待値を認証するために使用できる。

意義と主張
著者らは、実験的に最小限のアクセスモデルの下で、局所的な時間依存生成子（ハミルトニアンおよび特定のリンドブラディアンの両方）を学習するための、最初の証明可能で効率的かつスケーラブルなプロトコルを提供することで、文献における重要な空白を埋めたと主張している。

• 実験的実現可能性： プロトコルは積パウリ状態の準備と測定のみを必要とし、他の学習プロトコルでしばしば必要とされるもつれ状態のプローブ、補助系、またはインターリーブされた制御操作を必要としない。
• 厳密な保証： ヒューリスティックなアプローチとは異なり、本手法は統計的ノイズ、補間バイアス、およびモデル近似誤差を考慮した厳密な誤差境界を提供する。
• スケーラビリティ： システムサイズ $n$ に対する対数的な依存性は、時間依存性が低複雑度の関数でよく近似できる限り、本手法が大規模な量子シミュレータに対して実用的であることを保証する。

論文では限界についても明記されている。現在の手法は微弱なオンサイト・パウリ・デフェージングに限定されており、一般的な非ユニタリ散逸やマルチ量子ビットの散逸的相互作用はまだ扱っていない。また、時間依存領域における構造学習（生成子のサポートの学習）の問題は未解決であるが、これは自然な拡張であることが示唆されている。

数値検証
論文には、最大15量子ビットのシステム（テンソルネットワーク・シミュレーションを使用）および3量子ビットのシステム（合成ノイズを用いた厳密なシミュレーションを使用）を用いた数値的な例示が含まれている。これらのテストにより、以下が確認されている：

1. プロセス・シャドウ・パイプラインが非自明な量子ビット数までスケールすること。
2. 滑らかな非多項式スケジュールが、有効次数を上げることで回収可能であり、誤差が決定論的な近似バイアスに従うこと。
3. サンプル複雑性が、時間依存関数クラスの次元に対して多項式的にスケールすることであり、これは理論的解析と一致している。