論文要約：行列積状態（MPS）支援によるデジタル量子プロセッサ上での変分熱状態準備

この論文は、有限温度における量子ギブス状態（熱状態）の効率的な準備を目的とした、行列積状態（MPS）と変分量子アルゴリズム（VQA）を融合した新しいフレームワークを提案しています。NISQ（ノイズあり中規模量子）デバイスにおいて、熱状態の準備が直面する課題（特にエントロピー評価の困難さ）を克服し、大規模な系での高精度な熱状態準備を実現する手法を示しています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題定義（Problem）

量子ギブス状態の準備は、凝縮系物理学のシミュレーション、量子ボルツマンマシンを用いた機械学習、熱的サンプリングによる最適化など、量子技術の多くの応用において不可欠です。しかし、以下の課題が存在します。

• 計算の複雑性: 一般的な量子多体系の基底状態準備は QMA 困難であり、低温でのギブス状態準備も同様に計算集約的です。
• エントロピー評価のボトルネック: 変分アプローチではヘルムホルツ自由エネルギー $F(\rho) = E(\rho) - \beta^{-1}S(\rho)$ を最小化する必要があります。エネルギー項 $E(\rho)$ は量子測定で比較的容易に評価できますが、フォン・ノイマンエントロピー $S(\rho)$ の評価には、通常、リソース集約的な状態トモグラフィーや確率的な再構成が必要であり、NISQ デバイスではノイズやコヒーレンス時間の制限により非現実的です。
• スケーラビリティとノイズ: 既存の誤り耐性アルゴリズム（量子位相推定など）は深すぎる回路を必要とし、NISQ デバイスには不向きです。一方、既存の変分アプローチは、回路深度や測定オーバーヘッドによりスケーラビリティと精度が制限されていました。

2. 手法（Methodology）

著者らは、MPS 支援変分アルゴリズムを提案しました。この手法は、量子回路のシミュレーションを古典計算（MPS）で行い、エントロピーを効率的に評価するハイブリッドアプローチです。

2.1 アルゴリズムの概要

1. ** purification（精製）:** 混合状態 $\rho$ を、物理量子ビットと補助量子ビット（アンシラ）を含む enlarged Hilbert 空間上の純粋状態 $|\psi\rangle$ として表現します（$\rho = \text{Tr}_{\text{anc}}|\psi\rangle\langle\psi|$）。
2. MPS による古典シミュレーション: 量子回路で準備された純粋状態 $|\psi(\theta)\rangle$ を、行列積状態（MPS）として古典的に近似・表現します。
   • エネルギー計算: 混合状態 $\rho$ を行列積演算子（MPO）として表現し、ハミルトニアンと縮約することでエネルギーを計算します。
   • エントロピー計算: 物理系とアンシラ系の Schmidt 分解を行い、Schmidt 係数 $\lambda_i$ から $S(\rho) = -\sum \lambda_i^2 \ln \lambda_i^2$ を直接計算します。これにより、量子測定によるエントロピー推定を不要にします。
3. 変分最適化: 古典オプティマイザ（COBYLA）を用いて、自由エネルギーを最小化するパラメータ $\theta$ を探索します。
4. 量子ハードウェア実行: 最適化されたパラメータ $\theta^*$ を用いて、実際の量子デバイス上で近似ギブス状態 $\tilde{\rho}_{\text{Gibbs}}$ を準備し、物理量を測定します。

2.2 アナトス（Ansatz）の比較と選択

2 種類のアナトスを比較検討しました。

• TFDA (Thermofield Double Ansatz): 量子近似最適化アルゴリズム（QAOA）や断熱進化に基づき、物理・アンシラ間の最大エンタングルメント状態から出発します。高温では性能が良いですが、低温では深い回路が必要となり、MPS 表現の結合次数が増大してスケーリングが困難になります。
• HEA (Hardware-Efficient Ansatz): 量子デバイスの接続性を考慮した局所的なゲート構造を持ちます。
  • 結果: 低温領域（大きな $\beta$）において、HEA が TFDA よりもはるかに優れた性能を示しました。低温では熱状態のエンタングルメントが低く、HEA の浅い回路でも高精度な近似が可能であるためです。
  • 結論: 本論文では、スケーラビリティとハードウェア適合性の観点からHEAを採用し、大規模なシミュレーションと実験を行いました。

3. 主要な貢献と結果（Key Contributions & Results）

3.1 大規模数値シミュレーション

1D 横磁場イジングモデル（TFIM）および 2D 格子系に対して、最大 30 サイト（1D）および $6 \times 6$ サイト（2D、計 36 物理量子ビット＋8 アンシラ）までの大規模シミュレーションを行いました。

• 観測量の精度: エネルギー密度、磁気感受性、比熱、2 点相関関数を評価しました。
  • 低温領域: 低温（$\beta \gg 1/\Delta$）では、厳密解（1D）や量子モンテカルロ（QMC）シミュレーション（2D）と非常に高い一致を示しました。
  • 中間温度領域: $\beta \approx 1$ 付近では、励起状態の寄与が複雑になり、精度が低下する傾向が見られました。
  • 局所性の影響: エネルギー（局所演算子）は高精度でしたが、感受性（長距離相関を含む）や比熱（4 局所演算子）の推定精度は、特に中間温度で低下しました。これは、HEA が長距離相関を捉えるのに限界があること、および比熱演算子の重みが大きいことに起因します。
• スケーラビリティ: MPS の結合次数を制御することで、30 量子ビットを超える系でも効率的に自由エネルギーを評価できることを実証しました。

3.2 量子ハードウェア実験（IBM Heron プロセッサ）

• 実験設定: 156 量子ビットの IBM Heron プロセッサ（ibm_kingston）を用いて、30 サイトの 1D TFIM の熱状態準備を行いました（$L=3$ 層、アンシラ 4 個）。
• エラー軽減: 量子ノイズの影響を軽減するため、**ゼロノイズ外挿（ZNE: Zero-Noise Extrapolation）**を適用しました。
  • 結果として、エネルギーと感受性の測定における相対誤差を、エラー軽減なしの結果と比較して50% 以上削減することに成功しました。
  • エネルギーの平均相対誤差は約 5.6%、感受性は約 19.1% まで改善されました。
• 観測量の感度: 感受性のような長距離演算子は、エネルギーよりもノイズの影響を強く受け、推定が困難であることが確認されました。

4. 意義と展望（Significance & Outlook）

• 実用的な熱状態準備: 本手法は、NISQ デバイスにおいて、エントロピー評価のボトルネックを回避しつつ、大規模な量子多体系の熱状態を高精度に準備・評価できる実用的な枠組みを提供します。
• ハイブリッドアプローチの優位性: 量子回路の表現力と MPS の効率的な古典計算を組み合わせることで、単独の量子アルゴリズムや古典シミュレーションでは達成困難な領域（有限温度の量子相転移など）へのアプローチが可能になります。
• 今後の課題:
  • 中間温度領域での精度向上には、より深い回路や高度な最適化戦略（バレンプレート対策など）が必要です。
  • 問題固有の知識（対称性や低エネルギー部分空間）を取り入れたアナトス設計や、テンソルネットワークトモグラフィーを用いた直接状態再構成などの方向性が有望です。

結論:
この研究は、変分量子アルゴリズムとテンソルネットワーク技術の融合が、有限温度における量子多体系のシミュレーションにおいて重要な進展をもたらすことを示しました。特に、ハードウェア効率の良いアナトス（HEA）と MPS 支援評価の組み合わせは、現在の量子ハードウェア上での熱状態準備の実現可能性を強く示唆しており、将来の量子熱力学や量子機械学習への応用に向けた重要な基盤となります。