Optimal phase estimation in the presence of correlated dephasing

嵐の中に立って、かすかなラジオ信号を聞こうとしている場面を想像してみてください。風は吹き荒れ、静電気のノイズがパチパチと鳴り響き、真のメッセージは混沌の中に紛れてしまいます。これは、想像しうる限り最も鋭敏な道具である量子センサーを用いて世界を測定しようとする科学者たちが、日々直面している現実です。これらのデバイスは、亜原子の世界の奇妙な規則を利用して、磁場、重力、あるいは時間の極微な変化を検知します。完璧で静寂な宇宙であれば、これらのセンサーは古典物理学が許容する範囲を遥かに超え、不可能とも思えるほどの精度を実現できるでしょう。しかし、現実の世界は決して完璧ではありません。そこにはノイズが存在します。測定するという行為そのものがシステムを乱すことが多く、環境の変動が、センサーが捉えようとしている繊細な情報をかき乱してしまうのです。数十年間、物理学者たちは、ノイズが屋根に当たる雨粒のようにランダムで独立している場合には、いかにして最善のセンサーを構築できるかを知ってきました。しかし、もしノイズが関連性を持っていたらどうなるでしょうか？ もし静電気のノイズが単にランダムに発生するのではなく、ある瞬間の突風が1秒後の突風を予言するかのように、一定のパターンに従っているとしたら？ これこそが、ノイズ自体が相関している場合に、どのように世界を測定できるかという新たな研究の中核にある問いです。

ポーランド、イタリア、中国の機関から集まった研究チームは、この特定のパズルを解くために着手しました。それは、測定に影響を与えるノイズが時間を通じて結びついている場合に、位相（波の基本的な特性であり、時間や周波数に関する情報を明らかにするもの）をいかに推定するかという問題です。彼らは、変動が単にランダムではなく、連続的で滑らかなパターンに従うシナリオに焦器しました。それは、振り子が不規則に揺れるのではなく、わずかな予測可能な揺らぎを持って振れるようなものです。これに取り組むため、彼らはノイズがわずか2種類の性質しか持たないと仮定しがちだった過去の単純なモデルを超えなければなりませんでした。代わりに、彼らはノイズが滑らかに変化できるモデルを構築し、それによって、異なる種類のノイズ事象間の結びつきが測定精度にどのような影響を与えるかという全スペクトルを探索することを可能にしました。

チームはまず、量子センシングにおける長年の黄金律として知られている手法、「スピン圧縮状態」を用いた戦略のテストから始めました。これは、粒子のグループを協調的に機能するように整理することで、通常は測定の精度を制限する内部ノイズを低減させる方法だと考えることができます。過去には、ノイズが完全にランダムで無関係である場合、この手法が最善のアプローチであることが証明されていました。研究者たちは、この新しい、より複雑な相関ノイズモデルに対しても、この同じ戦略を適用しました。その結果、ノイズの変動が正の相関を持っている場合（つまり、正の変動の後に再び正の変動が続く傾向がある場合）、スピン圧縮戦略は極めて優れた性能を発揮することが分かりました。それは理論上の限界に近いほど良好であり、ノイズが同じ方向にクラスター化する傾向がある多くの実世界のセンシングタスクにおいて、この馴染み深いツールが依然として強力な選択肢であることを示唆していました。

しかし、研究者が異なる種類の結びつき、すなわち「負の相関」に着目したとき、物語は変わりました。このシナリオでは、正の変動の後に負の変動が起こりやすく、一種の打ち消し合いの効果を生み出します。ここで、従来のスピン圧縮戦略は苦戦し始めました。それはもはや最善の選択肢ではなくなったのです。この困難な領域における真の精度の限界を知るために、チームは高度なコンピュータ・シミュレーションを活用しました。彼らは、いかに複雑な戦略であっても到達しうる絶対的な最高性能を算出するために、「古典シミュレーション」と呼ばれる手法を用いました。また、自分たちの手法のポテンシャルを過大評価しないように、より厳密な数学的境界も開発しました。これらの計算により、重大なギャップが明らかになりました。すなわち、負の相関があるノイズに対しては、スピン圧縮アプローチを改善できる余地が十分に存在していたのです。

このギャップを埋めるために、研究者たちは「テンソルネットワーク」に基づく洗練された数値的手法を採用しました。これは、コンピュータが本来であれば処理不可能なほど大規模な問題を扱えるように、複雑なデータを整理する手法です。彼らはこれを用いて、多数のセンサーが同時に機能する「並列センシング」と、過去の結果に基づいてリアルタイムで測定戦略を変更する「適応型センシング」の両方について、新しい最適化プロトコルを設計し、テストしました。彼らは最大30個のチャネルを用いてこれらのプロトコルをシミュレートしました。これは明確な傾向を明らかにするには十分な数でありながら、計算上管理可能な数でもあります。結果は驚くべきものでした。負の相関を持つノイズに対して、コンピュータによって最適化された新しい戦略は、従来のスピン圧縮法を大幅に上回りました。実際、最適化された戦略は、同じ数のセンサーを用いても、旧来の手法では到底到達できなかったレベルの精度を達成したのです。

この研究はまた、これらのセンサーにおける「記憶」の役割についても明らかにしました。適応型戦略においては、センサーは過去の測定結果を「記憶」して将来の行動を調整することができます。研究者たちは、リアルタイムの記憶に依存しない並列戦略においては、もともと絡み合い状態（エンタングルメント）を用いた最適化アプローチが、多くのケースで理論的限界に達するのに十分であることを発見しました。対照的に、適応型戦略が並列アプローチの性能に追いつくためには、より大規模で複雑な記憶システムが必要となることが示されました。これは、この特定の種の問題においては、複雑に変化する仕組みよりも、よく設計された静的なセットアップの方が効率的である可能性を示唆しています。

最終的に、この研究はノイズの多い環境における量子センシングの未来に向けた明確な地図を提供しています。古典的なスピン圧縮技術は、多くの一般的なノイズに対して堅牢でほぼ最適な選択肢ではあるものの、それが普遍的な解決策ではないことを裏付けました。ノイズが特定のパターン、特に変動が互いに打ち消し合う傾向を持つ場合、情報を抽出するためのより優れた方法が存在します。厳密な数学的境界と強力な数値的最適化を組み合わせることで、チームは、ノイズの性質に特化したプロトコルを設計し、測定の限界を押し広げることができると示しました。これは単なる理論的な演習ではありません。量子センサーがナビゲーション、医療画像、地質調査などの実世界への応用へと移行するにつれ、これらの相関ノイズのパターンを扱う方法を理解することは、その潜在能力を最大限に引き出すために不可欠となるでしょう。研究者たちは、センシング戦略をノイズの特性に注意深く適合させることで、以前は到達不可能と考えられていた明晰さを達成できることを証明したのです。