技術要約：ハードウェアに着想を得た連続変数量子光学ニューラルネットワーク

問題提起

連続変数（CV）量子光学ニューラルネットワーク（QONN）の開発は、実験的な実現可能性と計算の普遍性の間の根本的なトレードオフに直面している。ガウス演算（変位、スクイージング、ビームスプリッター）は、ハードウェアへのアクセスが容易でありアフィン変換を誘起するが、普遍的な関数近似に必要な非線形性が欠如している。普遍性を達成するには通常、非ガウスリソースが必要となる。しかし、カーゲートや立方相ゲートといった標準的な非ガウスユニタリ操作の提案は、弱い三次の感受性や、高性能なフィードフォワードおよび調整されたアンシラ状態を必要とするため、実験的な難易度が高い。さらに、CVシステムの古典的シミュレーションは、しばしば無限次元ヒルベルト空間の切断（フォック空間のカットオフ）に依存しており、これは近似誤差を導入し、スケーラビリティを制限する。

手法

著者らは、困難な決定論的非ガウスゲートを回避するために、**ヘラルド付き光子減算（heralded photon subtraction）**を主要な非線形源として利用する、実験的に実現可能な新しいQONNアーキテクチャを提案している。このアーキテクチャは以下の層で構成される：

1. 入力エンコーディング： 入力データベクトルは、変位演算子を用いて実数コヒーレント状態としてエンコードされる。
2. ガウス処理： 調節可能な一般ガウスユニタリ演算子（$\hat{G}$）が適用される。この演算子は、ブロッホ・メッシヤ分解（Bloch-Messiah decomposition）を通じて、干渉計（$\hat{U}_1, \hat{U}_2$）、単一モードスクイザー（$\hat{S}$）、および変位（$\hat{D}$）のシーケンスへと分解される。この層は、光量子におけるアフィン変換を実行する。
3. 非線形活性化： 多モード光子減算が消滅演算子（$\hat{a}$）を用いて行われる。これは物理的には、信号モードの微弱な分率をビームスプリッターを介してアンシラ真空モードへタップし、単一光子検出イベント（ヘラルディング）を条件付けることで実装される。
4. 読み出し： 出力は位置量子（position quadrature, $\langle \hat{x} \rangle$）のホモダイン検波によって得られる。

理論的枠組み：
本手法の主要な理論的貢献は、ネットワークの出力に関する閉形式の解析的表現の導出である。ボゴリューボフ変換（Bogoliubov transformations）とウィック・イサーリス展開（Wick–Isserles expansion、非ゼロ平均への一般化）を活用することで、著者らは、結果として得られる非ガウス状態における観測量の期待値を、基礎となるガウス状態の一次および二次統計モーメント（平均および共分散）のみを用いて完全に表現している。このアプローチにより、以下が可能となる：

• フォック空間の切断を回避し、無限次元ヒルベルト空間における厳密なシミュレーションを実現する。
• 解析的な微分を用いた勾配ベースの学習を可能にする。
• 光子減算操作を、特定の族の調整可能なリッジ活性化関数へとマッピングする。

シミュレーションツール：
理論を検証するため、著者らはJAXフレームワーク上に構築された高性能PythonライブラリであるQuaNNTOを開発した。これは、導出された解析的表現を利用して厳密な期待値を計算し、MareNstorum 5スーパーコンピュータ上で勾配ベースの最適化を実行する。

主な貢献

1. 解析的活性化関数： 本論文は、スクイーズド・コヒーレント状態に対する光子減算が、非多項式かつ調整可能な活性化関数を誘起することを、閉形式の式（式17）を用いて証明している。この関数の形状とゲインは、スクイージング・パラメータ $r$ によって制御される。
2. 単一層での普遍近似： 著者らは、線形読み出しを持つ単層QONNが**普遍近似定理（UAT）**を満たすことを証明している。各光子減算モードは、実質的に量子光学ニューロンとして機能する。複数のモードが相関している場合、追加の非線形クロス項が出現し、表現力が向上する。
3. ハードウェアに適した設計： このアーキテクチャは、ローカルオシレータ、ビームスプリッター、位相シフタ、光パラメトリック増幅器（スクイージング用）、単一光子検出器、および光検出器といった、現在のフォトニック技術で利用可能なコンポーネントのみに依存している。
4. 厳密な古典シミュレーション： ウィック・イサーリスに基づく枠組みにより、フォック空間の切断に伴う計算オーバーヘッドや近似誤差を伴わずに、非ガウスQONNの厳密な古典シミュレーションが可能となる。

結果

提案されたフレームワークは、3つのタスクでベンチマークが行われた：

• 曲線フィッティング： 光子減算を用いた単層QONNは、ノイズを含むデータセットから複雑な非線形関数（多項式、指数関数、振動関数）を学習することに成功した。対照的に、純粋なガウスネットワーク（減算なし）は線形近似に限定された。減算されるモード（ニューロン）の数を増やすことで、フィッティング誤差はゼロに減少した。これはUATと一致する。
• 分類：
  • ムーンス（Moons）とサークルス（Circles）： 単層QONNは、「ムーンス」データセットでは1つのニューロンで、「サークルス」データセットでは3つのニューロン（後者は確率のバランスをとるための補助モードを必要とする）で、完璧な精度を達成した。純粋なガウスネットワークは、必要な非線形決定境界を学習できなかった。
  • MNIST： オートエンコーダによる次元削減後、モデルはMNISTデータセットのサブセット（数字0–4）の分類に成功した。結果は、ニューロンまたは層を追加することで分類能力が向上することを示した。
• 非ガウスゲート合成： QONNは、コヒーレント状態の高次統計モーメントを一致させることにより、立方相ゲート（$\hat{V}(\gamma) = e^{i\gamma \hat{x}^3/3}$）の作用を再現するように訓練された。結果は、単一層内のニューロン数または層の数を増やすことで、ゲート合成の忠実度が向上することを示した。注目すべき点として、著者らは、同等の非ガウスリソースを持つ深い多層構成において、より広い単層構成と比較して勾配消失の兆候が見られることを観察した。

意義と主張

本論文は、このアーキテクチャが、解析的な扱いやすさ、実験的な実現可能性、および高い表現力を融合させることで、フォトニック量子機械学習における「スイートスポット」を提供すると主張している。

• 効率 vs 深さ： 多くの非ガウスイベントを伴う深い回路（これにより成功確率が指数関数的に低下し、シミュレーションのためにフォック空間の切断が必要となる）に依存する従来の提案とは異なり、本アプローチは浅い単層設計で高い表現力を達成する。
• 厳密性： フォック空間のカットオフを回避することで、本手法は真の連続変数アンザッツを提供する。著者らは、計算コストがモード数や減算数ではなく、人工的に課された光子数カットオフに依存しないため、これがスケーラビリティにとって極めて重要であると主張している。
• 汎用性： 主な焦点は光子減算であるが、本形式は、ガウス状態に作用する梯子演算子の多項式として表現できるあらゆる非ガウスリソース（弱Kerr相互作用の摂動的実装を含む）に一般化できることを著者らは述べている。

本研究は、提案された単層QONNを、決定論的な非ガウスゲートの過酷な実験的オーバーヘッドを伴うことなく、スケーラブルなフォトニック量子機械学習や、量子状態エンジニアリング、非ガウスゲート合成などの量子情報処理タスクへの有望な候補として位置づけている。