Exploiting biased noise in variational quantum models

本論文は、変分量子アルゴリズムにおいて、偏りのある非ユニタリなノイズを保持することが、実際には古典的な最適化を強化し、より優れた解をもたらす一方で、ノイズを対称化する標準的なトウィリング手法は性能を低下させることを示すことで、従来のノイズ軽減戦略に異を唱えるものである。

要約

あなたは、ロボットに完璧な夕日の絵を描くように教えようとしていると想像してください。あなたには、ロボットの筆運びを制御する一連のノブやダイヤル（パラメータ）があります。あなたの目標は、ロボットの絵が実際の夕日にできるだけ近づくように、これらのノブを回していくことです。これは、**変分量子アルゴリズム（VQA）**がどのように機能するかを説明しています。これらはハイブリッドシステムであり、量子コンピュータ（ロボット）が問題を解こうとし、古典的コンピュータ（教師）が結果を改善するためにノブを調整します。

現在、量子界における大きな問題はノイズです。量子コンピュータは、まるで震える手や汚れたレンズのように、エラーが発生しやすいのです。通常、科学者はこのノイズを完全に左右対称でランダムなものに見せかけることで「修正」しようとします。これを**トワリング（twirling）**と呼びます。これは、例えば、形が崩れて偏りのある砂の山を、振って完璧に滑らかで均一な盛り上がりに変えるようなものです。その論理は、「もしノイズが均一で予測可能であれば、簡単に補正できる」というものでした。

この論文の驚くべき発見
この論文はその論理を根底から覆しました。研究者たちは、量子モデルを「訓練」しているとき（つまり、ノブを回しているとき）、ノイズを完全に均一にすることは、むしろ学習プロセスを阻害することを発見しました。

以下に、彼らの発見を簡単な比喩を用いて解説します。

1. 「震える手」 vs 「偏った風」

量子コンピュータにおけるノイズを、ロボットの絵を描く腕に吹き付ける風だと想像してください。

• 均一なノイズ（「トワリング」によるアプローチ）： これは、上下左右、斜め方向など、あらゆる方向に等しく吹く風のようなものです。それは混沌とした、対称的な混乱です。論文によれば、風がこのように均一であると、ロボットの腕をあらゆる方向に同時に押し戻してしまい、有用な動きを実質的に打ち消してしまいます。ロボットは立ち往生し、「勾配（グラディエント）」（どの方向にノブを回すべきかを教える信号）が非常に弱くなるため、ロボットは学習できなくなります。それは、あらゆる方向から等しく押し寄せる腰の高さまである水の中を歩こうとするようなものです。あなたはただ沈んでしまいます。
• 偏ったノイズ（「振幅減衰」によるアプローチ）： これは、常に「左」から吹く風のようなものです。それは乱れていますが、方向性を持っています。研究者たちは、この「偏った」風が実は役に立つことを発見しました。風が常に左に押すため、ロボットは右にノブを回すことで補正することを学べるのです。この偏りが、ロボットに手がかりを与えます。それは、強い一定の風の中で歩くようなものです。風に対してどのように体を傾ければ前進し続けられるかが分かります。

2. 「絞られたスポンジ」（表現力）

研究者たちは、ロボットがどれだけ「描けるか」（その表現力）を調査しました。

• 均一で対称的なノイズ（パウリ・ノイズ）を使用したとき、それはまるでロボットの絵の具のスポンジを万力で締め付けているかのようでした。スポンジは平らに押しつぶされ、ロボットは非常に淡く弱い色しか出せなくなりました。ロボットは複雑で詳細な画像を作成する能力を失ったのです。
• 偏ったノイズを使用した場合、スポンジはまだ湿っており、押しつぶされてはいませんでした。ロボットは、完璧な世界ほどではありませんが、幅広い色や形を生み出すことができました。

3. 「壊れたコンパス」（学習可能性）

ロボットを訓練するために、コンピュータはどちらの方向にノブを回すべきかを知る必要があります。これが**勾配（グラディエント）**です。

• 均一なノイズの場合、コンパスは激しく回転してどこも指さず、全く意味をなしません。信号があまりに弱いため、コンピュータはノブを左に回すべきか右に回すべきか判断できません。ロボットは「バレン・プラトー（不毛の台地）」（進展が不可能な平坦な領域）に陥り、立ち往生します。
• 偏ったノイズの場合、コンパスはまだ少し揺れていますが、依然として概ね一つの方向を指しています。ロボットはまだ傾斜を感じ取ることができ、最適な解決策に向かって登り続けることができます。

4. 「マジック・トリック」（コヒーレント誤差）

論文では、「コヒーレント・ノイズ」と呼ばれる特定の種類の誤差についても考察しました。これは、ランダムな混沌というよりも、一定のリズミカルな震えのようなものです。彼らは、これが最も修正しやすいことを発見しました。それはまるで、ロボットの腕がわずかに曲がっているようなものですが、その曲がり方が一定であるため、ロボットは肩の動かし方を少し変えるだけで補正できるのです。「壊れた」部分は、絵を描く能力を失うことなく、ロボットの指示の中に再プログラミングすることが可能です。

結論

この論文は、量子コンピュータを訓練する世界においては、**「完璧は進歩の敵である」**と主張しています。

• 古いやり方： ノイズを完璧に対称でランダムにし、後で修正しやすくする（トワリング）。
• 新しい発見： この対称的なノイズは、実は訓練プロセスを盲目にさせ、コンピュータによる学習を不可能にする。
• より良いやり方： ノイズに特定の方向や偏りがある場合は、そのままにしておく方が良い場合がある。その偏りがガイドとして機能し、古典的な最適化手法が、ノイズを均一な混乱へと「掃除」してしまうよりも優れた解決策を見つける助けとなるのです。

要するに、その道が車を操縦するための唯一の手がかりであるならば、道の凹凸をすべて滑らかにしようとしてはいけません。時には、その凹凸こそが、進むべき方向を教えてくれるのです。

技術概要

技術要約：変分量子モデルにおけるバイアスのあるノイズの利用

問題提起
変分量子アルゴリズム（VQA）は、NISQ（Noisy Intermediate-Scale Quantum）デバイスにおける量子有用性を実証するための主要なツールである。VQAの学習可能性については活発な議論の対象となっているが、量子ノイズが古典的な最適化プロセスに与える具体的な影響については、いまだ十分に理解されていない。従来の誤差緩和戦略の多くは、「トウィリング（twirling）」を用いてノイズを対称化し、複雑なノイズチャネルを、解析的に扱いやすい形式（確率的なパウリ誤差やデポラリジングチャネルなど）に簡略化することに依存している。しかし、非変分回路には有益なこの対称化が、VQAのダイナミクスにおいて最適化プロセスと互換性があるかどうかは不明である。本研究では、ノイズ固有のバイアス（非ユニタリ・ノイズ）を保持することが、ノイズの対称性を強制することよりも、実際にはVQAの性能にとって有利に働く可能性があるかについて調査する。

手法
著者らは、解析的な導出と数値シミュレーションを組み合わせた二角的なアプローチを用い、ノイズがVQAの表現力（expressivity）と学習可能性（trainability）に及ぼす影響を分離して検証している。

1. 理論的枠組み: 本研究では、「データ再アップローディング（data re-uploading）」回路に基づく普遍的な量子回帰モデルを利用する。これらの回路は任意の平方可積分関数を学習することが可能であり、理想的な誤差ゼロの解が既知である設定を提供している。著者らは、これらの回路をパウリ転送行列（PTM）形式にマッピングしている。この枠組みにおいて、量子状態と観測量はベクトル化され、回路のダイナミクスは線形写像（スーパーオペレータ）として記述される。これにより、ノイズチャネルが周波数スペクトル自体を変えることなく、モデル出力のフーリエ係数をどのように減衰または歪ませるかを、解析的に分解することが可能となる。
2. ノイズモデル: 同一の物理プロセス（振幅減衰）に適用された以下の4つの異なるノイズシナリオを比較する：
   • コヒーレント誤差: ユニタリ誤差。
   • バイアスのある／非ユニタリ・ノイズ: 生の振幅減衰。
   • パウリ・トウィルド・ノイズ: 振幅減衰から導出された等価なパウリチャネル。
   • クリフォード・トウィルド・ノイズ: 振幅減衰から導出されたデポラリジングチャネル。
3. 指標:
   • 表現力（Expressivity）: モデル出力の期待範囲（最大値と最小値の差）によって定量化される。
   • 学習可能性（Trainability）: 学習可能なパラメータに対する勾配の大きさの分布を通じて分析される。
4. 数値的検証: 理論的な知見は、以下の2つのタスクにおけるシミュレーションを通じて検証される：
   • データ再アップローディング回路を用いた、切断フーリエ級数の学習。
   • 横磁場イジング模型の基底状態エネルギーを解くための、変分量子固有値ソルバー（VQE）。

主な貢献および結果

• ノイズの対称化に関する解析的洞察: 著者らは、データ再アップローディング回路の周波数スペクトルはデータエンコーディング・ハミルトニアンのみによって決定される一方で、ノイズはフーリエ係数の「振幅」と「分布」に影響を与えることを示している。

  • 一様なノイズ（パウリ／デポラリジング）: これらのチャネルは、出力をゼロへと収縮させる乗法的な減衰因子を導入する。これは勾配の大きさを抑制し、モデルの表現力を低下させ、結果として損失関数（ロスランドスケープ）を平坦化させ、最適化を妨げる。
  • バイアスのあるノイズ（振幅減衰）: この非ユニタリ・ノイズは、乗法的な減衰と加法的なバイアスの両方を導入する。極めて重要な点は、加法項によって、実効的な回路深さが減少する場合でも、モデルが低周波成分への寄与を保持できることである。これにより、対称化されたノイズと比較して、より広い出力範囲と豊かな勾配プロファイルを維持することができる。
  • コヒーレント誤差: 解析により、コヒーレント（ユニタリ）誤差は、回路の学習可能なパラメータへの再パラメータ化を通じて完全に吸収可能であり、表現力と学習可能性が損なわれないことが確認された。

• 数値的知見:

  • 表現力: データ再アップローディングのタスクにおいて、コヒーレントノイズは出力範囲の劣化を示さなかった。バイアスのある振幅減衰は、パウリおよびクリフォード・トウィルドの対応物と比較して、有意に広い出力範囲を維持した。
  • 学習可能性: パウリ・トウィルド・ノイズ下での勾配分布は急激な減衰を示し、学習可能性の低下を示唆した。対照的に、振幅減衰はより豊かな勾配分布を維持し、より効果的な最適化を促進した。
  • VQEの性能: 横磁場イジング模型のベンチマークにおいて、生の振幅減衰を受けた回路は、等価なパウリまたはクリフォード・トウィルド・チャネルにさらされた回路よりも、低いエネルギー状態（真の基底状態に近い状態）に到達した。トウィルドされたチャネルは、ノイズ強度が増すにつれて解の質が指数関数的に低下した。

意義および主張
本論文は、「ノイズの対称化（トウィリング）は普遍的に有益である」という従来の常識に異議を唱えている。著者らは、VQAにおいては、ノイズを対称化するプロセスが、古典的な最適化アルゴリズムがより良い解を見つけるために活用できる「利用可能な方向的バイアス」を取り除いてしまうと主張している。

具体的には、以下の点を主張している：

1. トウィリングは性能を低下させる可能性がある: 非変分的なノイズ緩和戦略にパウリまたはクリフォード・トウィリングを適用すると、非ユニタリ・ノイズに内在する「役立つ」バイアスが除去され、VQAの性能に悪影響を及ぼす可能性がある。
2. バイアスの保持は有益である: ハードウェア特有の自然なバイアス（振幅減衰など）を保持することは、一様なノイズに伴う出力範囲の激しい収縮や損失関数の平坦化を防ぐことで、VQAの性能を高める可能性がある。
3. コヒーレント誤差は管理可能である: 本研究の結果は、コヒーレント誤差が複雑な誤り訂正よりも、再パラメータ化を通じて対処可能なため、非コヒーレントノイズよりも害が少ないことを裏付けている。

結論として、著者らは、将来のVQA設計およびノイズ緩和戦略において、トウィリングの自動的な適用を再考すべきであり、ノイズのバイアスを排除するのではなく、むしろ保持または活用するアプローチを優先すべきであることを示唆している。