技術要約：グラフベースのベイズ最適化による量子回路アーキテクチャ探索

1. 問題提起

変分量子回路（VQC）の設計は、実用的な量子機械学習（QML）、特に複雑な現実世界のデータを扱うタスクにおいて、極めて重要なボトルネックとなっている。VQCの性能は、連続的なパラメータだけでなく、そのアーキテクチャ設計（量子ゲートの配置、種類、および接続性）に大きく依存する。しかし、この設計空間の探索は、高次元かつ非凸な最適化問題である。量子ビット数や回路の深さが増すにつれ、組合せ爆発によりブルートフォースによる列挙は不可能となる。

既存の自動量子アーキテクチャ探索手法は、いくつかの具体的な課題に直面している：

• 表現の限界： 多くの手法は、固定サイズのベクトル表現（例：総ゲート数や深さ）に依存しており、これらは構造的に異なる（非同型な）回路を類似した特徴ベクトルへと崩壊させてしまい、トポロジー的なニュアンスを捉えることができない。
• 不確実性の較正不足： ベイズ最適化（BO）には、探索と活用をバランスさせるために、較正されたエピステミック不確実性を提供するサロゲートが必要である。標準的な手法はこの較正を欠くことが多い。
• ハードウェアへの非感受性： 探索プロセスにおいて、実際のハードウェアへのトランスパイル中に発生するルーティングオーバーヘッド（追加のSWAP/CNOTゲート）やデコヒーレンス効果（緩和および位相緩和）が無視されることが多く、シミュレーションでは良好な性能を示すものの、実機では失敗する設計を導いてしまう。
• 探索の肥大化： アルゴリズムが、NISQデバイスにおいては実行不可能な、深すぎる、あるいは2量子ビットゲートが過剰なレイアウトへとドリフトしてしまう傾向がある。

2. 手法

著者らは、頑健でハードウェア効率の高いVQCの自動発見を目的とした、グラフベースのベイズ最適化と**グラフニューラルネットワーク（GNN）**サロゲートを統合した、統一されたエンドツーエンドのフレームワークを提案している。

2.1 グラフ表現

回路をスカラーの特徴ベクトルとしてではなく、有向非巡回グラフ（DAG）としてエンコードする。

• ノード： ゲート操作（例：$R_X, R_Z, CZ, CX$）を表し、ゲートのタイプ（one-hot形式）、正規化された時間的配置、および量子ビットの入射（incidence）を含む特徴を持つ。
• エッジ： 時間的な隣接性と、共有量子ビットの接続性を捉える。
• サロゲートモデル： 軽量なグラフ同型ネットワーク（GIN）をサロゲートとして採用する。GINは、その強力なグラフ識別能力（Weisfeiler-Lehmanテストレベル）から選定されている。エピステミック不確実性を推定するために、GNNは推論時にモンテカルロ（MC）ドロップアウトを利用し、単一の点推定ではなく、予測の分布を生成する。

2.2 ベイズ最適化ループ

探索プロセスは、ハードウェアを考慮した修正を加えた標準的なBOループに従う：

1. 候補生成： 最も優れた性能を示す回路の親プールに対して、局所的な突然変異（ゲートの挿入、置換、または削除）を適用することで、新しい回路を生成する。
2. サロゲート・スコアリング： GINサロゲートが、候補グラフの検証性能（$\hat{\mu}$）と不確実性（$\hat{\sigma}$）を予測する。
3. 獲得関数： 著者らは、コストおよびノイズを考慮した期待改善量（Expected Improvement: EI）獲得関数を導入している。標準的なEIは、指数関数的なコスト項によって減衰される：
   $$ACQ = EI(\hat{\mu}, \hat{\sigma}) \cdot \exp(-\alpha \cdot C_{total})$$
   ここで、$C_{total}$ は正規化された構造的コスト（深さ、総ゲート数、2量子ビットゲート数、CZカウント）を集計したものであり、さらに$T_1$および$T_2$緩和時間に対するゲート時間の比率から導出されるデコヒーレンス・プロキシを含む。これにより、デコヒーレンスやマッピングオーバーヘッドの影響を受けやすい、深い、あるいは高度に絡み合った回路にペナルティを課す。
4. 評価： 獲得関数によって選択された上位$k$個の候補は、NF-ToN-IoT-V2サイバーセキュリティデータセットを用いたハイブリッド量子・古典変分分類器によって評価される。
5. 更新： 新しいデータポイントに基づいてサロゲートを再学習する。

2.3 ノイズモデリング

堅牢性を確保するため、フレームワークには以下の現実的なノイズモデルが含まれている：

• 振幅減衰（AD）および位相減衰（PD）。
• 熱緩和（一般化振幅減衰 ＋ PD）。
• デポラリゼーション（脱分極）ノイズ。
• リードアウト（読み出し）ビット反転エラー。
• $T_1$および$T_2$コヒーレンス時間に対するスイープを行い、性能ランドスケープをマッピングする。

3. 主な貢献

本論文は、以下の具体的な貢献を主張している：

1. 構造を考慮したサロゲート： スカラー特徴量で失われるトポロジー情報を保持する、MCドロップアウトを備えたGINサロゲートの使用。
2. コストおよびノイズを考慮した獲得関数： 複雑性の指標とデコヒーレンスを考慮したペナルティを統合した、減衰型のEI目的関数。
3. ハードウェアを考慮した最適化： コンパイルに伴うコスト（ルーティング、SWAP）とデコヒーレンスモデルをBOループに直接組み込むことで、シミュレータと実機の間のギャップを埋める。
4. 包括的なノイズ研究： さまざまなノイズチャネルおよびコヒーレンス時間（$T_1 \times T_2$）のスイープにおける回路の堅牢性に関する広範な評価。
5. 公平な評価と再現性： リーケージのない前処理を用いた、バランスの取れたNF-ToN-IoT-V2データセットのサブセットでの実験。MLPベースのBO、貪欲なGNN選択、およびランダム探索と比較を行う。すべての成果物（コード、回路、メトリクス）は公開を意図している。

4. 実験結果

フレームワークは、NF-ToN-IoT-V2データセット（ネットワークトラフィック分類）を用い、さまざまな量子ビット数（5, 8, 10, 12）で評価された。

• 性能： BO+VQC+GNNのアプローチは、検証精度およびテスト精度の両方において、ベースライン（BO+VQC+MLP、Greedy GNN、Random Search）を一貫して上回った。特に12量子ビットにおいて、GNNベースの手法は**94.25%**のテスト精度を達成し、MLPベースのサロゲート（92.95%）やランダム探索（83.55%）を大幅に上回った。
• 収束性： GNN誘導型オプティマイザは、より速い収束と高いサンプル効率を示した。早期かつ安定した収束を実現したが、MLPベースラインは改善が遅く、特に突然変異予算が高い場合に停滞が見られた。
• サロゲートの忠実度： GNNサロゲートのランキング忠実度（Kendallの$\tau$で測定）は、反復とともに着実に向上した。これは、グラフ表現がデータ蓄積に伴い、候補を正しくランク付けすることを効果的に学習していることを示している。
• パレート効率性： 本手法は、ベースラインと比較して、より低い複雑性（少ないゲート数と浅い深さ）で高い精度を実現するパレート境界上の回路を特定した。結果は、過度に深い回路に対する収益逓減を示しており、コスト減衰メカニズムの妥当性を裏付けている。
• ノイズへの堅牢性： 学習された回路は強い堅禄性を示した。興味深いことに、振幅減衰および熱緩和の下では、テスト精度がノイズフリーのベースラインと比較してわずかに向上した（おそらく正則化効果による）。一方で、デポラリゼーションノイズは最も顕著な劣化を引き起こした。回路は、広範な$T_1$および$T_2$の値に対して性能を維持した。
• 効率性： ウォールクロック時間の分析により、GNNサロゲートがVQCの評価時間に比べて無視できる程度のオーバーヘッドしか加えないことが示され、グラフベースのアプローチの拡張性が確認された。

5. 意義と主張

本論文は、本研究が近未来のアーキテクチャにおけるスケーラブルなQMLに向けた実践的な一歩であることを位置づけている。著者らは、構造を考慮した、不確実性に較正されたサロゲートと物理学に基づいた獲得関数を用いて回路探索を自動化することで、正確かつ効率的で、かつ堅牢な回路を同時に生成できると主張している。

著者らが強調する主なポイントは以下の通りである：

• 表現の限界の克服： グラフエンコーディングは、回路の機能とトポロジーを区別する上で、スカラー特徴量よりも優れている。
• ギャップの解消： トランスパイラによるコストとデコヒーレンスモデルを探索ループに統合することで、「シミュレーション専用」の回路（実機では失敗するもの）の発見を防ぐ。
• スケーラビリティ： 本フレームワークは、計算コストを爆発させることなく、量子ビット数の増加に対してスムーズにスケールする。これは、自動化された量子回路設計への再現可能なルートを提供するものである。

著者らは、制限事項として、主な評価がシミュレータに基づいていること（実機での性能を過大評価する可能性があること）、および複雑性が完全な多目的最適化ではなく軽いペナルティとして扱われていることを認めている。今後の展望として、マルチフィデリティBO、より豊かな演算セット、および量子ハードウェア上での直接的な最適化が挙げられている。