Efficient Preparation of Quantum States via Randomized Truncation

技術要約：ランダム化された切断による量子状態の効率的な準備

問題提起
一般的な量子状態の準備は、量子化学、微分方程式、機械学習などのアプリケーションにおける量子アルゴリズムの根本的なボトルネックとなっている。現実的なターゲット状態は、支配的な構成からなる小さなコアと、「重い裾（heavy tail）」と呼ばれる、小さくはあるが無視できない多数の成分で構成される階層的な振幅構造を示すことが多い。標準的な決定論的手法による切断では、回路の複雑さを軽減するために、これらの小さな振幅を破棄する。しかし、このアプローチは精度とリソースコストの間に深刻な線形トレードオフをもたらす。すなわち、トレース距離誤差 $\epsilon$ を達成するためには、破棄される $\ell_2$ 重みが $O(\epsilon)$ となるように十分な数の振幅を保持しなければならない。この要件により、大量の小さな振幅成分をエンコードする必要が生じ、結果として回路の深さとゲート数が指数関数的に増大する。さらに、これらの小さな成分はしばしば極めて高い精度のゲート合成（多大なTゲートオーバーヘッドを必要とする）や高制御回転（CNOTカウントを増加させる）を必要とするため、高忠実度な状態の準備を、近未来のデバイス（NISQ）およびフォールトトレラント（FT）ハードウェアの両方にとって困難なものにしている。

手法
著者らは、確率的な増幅を利用することで、決定論的な切断による厳格な限界を回避するランダム化された状態準備プロトコルを提案している。この手法は、全成分を単一の深い回路にコヒーレントにエンコードする代わりに、低複雑度の回路からなるランダム化されたアンサンブルを構築する。

プロトコルは以下のように動作する：

1. 分割（Partitioning）: 振幅を、重要な集合 $A$（振幅 $|\alpha_i| \geq t$）と、無視できる裾の集合 $B$（振幅 $|\alpha_i| < t$）に分割する。
2. アンサンブル構築（Ensemble Construction）: 裾の集合 $B$ の各インデックス $m$ に対して、特定の量子状態 $|\tilde{\psi}_m\rangle$ を定義する。この状態は、集合 $A$ のすべての振幅を保持し、かつ、増幅された係数を持つ単一の要素（インデックス $m$）を $B$ から含む。
3. サンプリング（Sampling）: プロトコルは、確率 $p_m = |\alpha_m| / \sum_{j \in B} |\alpha_j|$ でインデックス $m$ を $B$ からサンプリングする。これに対応する状態 $|\tilde{\psi}_m\rangle$ が準備される。
4. 結果となる状態（Resulting State）: 最終的な出力は、混合状態 $\rho_{\text{approx}} = \sum_m p_m |\tilde{\psi}_m\rangle\langle\tilde{\psi}_m|$ である。

決定的な要素として、係数 $\alpha_m$ を $1/p_m$ 倍に増幅することで、アンサンブルの期待値が元のターゲット状態 $|\psi\rangle$ を復元することが保証される。著者らは、個々の回路は単純（一つの裾成分のみを保持）である一方で、得られる混合状態は決定論的な切断と比較して大幅に減少した誤差でターゲットを復元することを証明している。

主要な貢献と理論的結果
主な理論的貢献は、このランダム化されたアプローチが、破棄された振幅質量に対して誤差のスケーリングを線形から二次へと改善することを示した点にある。

• 二次的な誤差スケーリング: 著者らは（定理1）、破棄された $\ell_2$ 重みが $\epsilon^2$ である場合、ランダム化されたアンサンブルのトレース距離誤差は $O(\epsilon^2)$ とスケールするのに対し、決定論的な切断は $O(\epsilon)$ とスケールすることを証明した。
• リソースの削減: この二次的な改善は、一定の目標忠実度を達成するためにエンコードされる振幅の数の削減へとつながる。
  • 指数関数的に減衰する状態（量子化学やギャップのあるハミルトニアンで一般的）の場合、ランダム化プロトコルは決定論的なアプローチと比較して、およそ半分の数の振幅を必要とする（$K_{\text{det}} \approx 2K_{\text{rand}}$）。
  • べき乗則に従って減衰する状態（多体系物理学やデータロードにおいて一般的）の場合、リソースの節約は $O(\hat{\epsilon}^{-1/(2r_{\text{pow}}-1)})$ として漸近的にスケールし、望ましい精度が高まるにつれてさらなる利点を提供する。
• ゲートレベルの節約: 小さな係数を増幅することにより、プロトコルはこれらの寄与を高精度領域から外す。これにより、極めて高い精度の多制御回転を必要とする必要性が減り、小さな角度を解像するために必要なTゲート数とCNOTオーバーヘッドを大幅に削減できる。

数値結果
著者らは、いくつかの現実的および合成的なインスタンスを用いてプロトコルを検証した：

• LiH分子: 12量子ビットにマッピングされたリチウム水素化物（LiH）分子の基底状態を用い、ランダム化プロトコルは、トレースノルム誤差 $5.86 \times 10^{-4}$ において、決定論的な切断と比較してCNOTカウントを82.2%削減し、Tゲートカウントを81.2%削減した。
• 合成的なべき乗則状態: 振幅が $j^{-5}$ で減衰する10量子ビットの状態において、本手法はトレースノルム誤差 $1.04 \times 10^{-13}$ において、最大でCNOTカウントを98.9%削減し、Tゲートカウントを98.5%削減した。
• 機械学習および多体系物理学: プロトコルは、訓練済みResNet（10量子ビット）から導出された状態および横磁場イジングモデル（11量子ビット）の基底状態についてもテストされた。いずれの場合も、ランダム化手法は固定コストに対して決定論的な切断よりも一貫して低いトレースノルム誤差を達成しており、厳密なべき乗則や指数分布を超えた適用可能性を裏付けている。

意義と主張
本論文は、複雑な量子状態の初期化のためのリソース効率の高いパラダイムを確立したと主張している。ゲート合成の精度要件を緩和し、エンコードされる振幅の数を減らすことで、本手法はエンドツーエンドの量子アルゴリズムにおける重要なボトルネックに対処している。

著者らは、このアプローチが**近未来（NISQ）およびフォールトトレラント（FT）**の両方のレジームに適合することを強調している：

• 近未来のデバイス向け: 単一の深くモノリシックな回路を、より単純で浅い回路のサンプリングに置き換えることで、コヒーレンス限界内での状態準備を可能にする。
• フォールトトレラント・アーキテクチャ向け: 高精度な回転に関連するTゲートのオーバーヘッドとCNOTコストを大幅に削減し、それによって効率的に準備可能な量子状態のクラスを拡大する。

本研究は、このランダム化された切断戦略が、破棄された裾の重みの二乗に比例する厳密で制御可能な誤差境界を提供し、精度を犠牲にすることなく、複雑な状態準備に依存するアルゴリズムのより効率的な実装を可能にすると結論付けている。