Who can compete with quantum computers? Lecture notes on quantum inspired tensor networks computational techniques

この講義ノートシリーズは、行列積状態および行列積演算子としてのテンソルネットワーク・アルゴリズムを、指数関数的に巨大な系を扱うための一般的な線形代数ツールとして提示しており、量子シミュレーションから「クアンティクス（quantics）」表現を介した偏微分方程式の解法に至るまでの詳細な証明と応用を提供している。

要約

ビッグアイデア：「不可能」な図書室

想像してみてください。あなたには$2^{50}$冊の本（これはあなたの体にある原子の数よりも多い数です）がある図書室があります。量子コンピュータは、これらの本を信じられないほどの速さでパラパラとめくるために設計された魔法の機械です。しかし、一つ落とし穴があります。一度に図書室全体を見ることはできません。一度に見られるのは、一冊の本（「サンプル」）だけです。

この論文は、挑発的な問いを投げかけます。「普通の、昔ながらのコンピュータ（古典的なスーパーコンピュータ）は、この魔法の量子機械と同じ仕事ができるのだろうか？」

通常、答えは「ノー」です。なぜなら、図書室があまりに巨大すぎてメモリに収まりきらないからです。しかし、著者たちは、こうした「図書室」の多くには隠された秘密があると言います。それらは実はランダムな混沌ではなく、フラクタルやパターンのように、単純で反復的な構造を持っているのです。もしそのパターンを知っていれば、すべての本を保存する必要はありません。本の作り方に関する「指示書」さえあればよいのです。

この論文は、テンソルネットワークと呼ばれるツールを使って、そのパターンを見つける方法を教えてくれます。

---

メインツール：「レゴ」のアプローチ（テンソルネットワーク）

著者たちは、テンソルネットワークという数学的手法を紹介しています。巨大で複雑な3Dオブジェクト（例えば、巨大な彫刻のようなもの）が、ある量子状態を表していると考えてください。

• 問題点： 彫刻全体を一度に記述しようとすると、何十億もの数字が必要になります。
• 解決策（テンソルネットワーク）： 全体を記述する代わりに、それを小さくて単純なレゴブロックへと分解します。
  • MPS（行列積状態）： これらは、一連のレゴブロックの鎖のようなものです。各ブロックは次のブロックへとつながっています。もし彫刻が複雑に「ねじれて」（もつれて）いなければ、わずかな数の小さなブロックを使って全体を再構築できます。
  • MPO（行列積演算子）： これらは、レゴの指示書や道具のようなもので、彫刻をどのように変化させるか（量子回路におけるゲートのように）を指示します。

論文は、多くの問題において、数十億の数字を持つ図書全体を必要とするわけではないことを示しています。単に、この「レゴの鎖」があればよいのです。これにより、普通のコンピュータで量子コンピュータが行うことをシミュレートでき、しかもより高速かつ少ないメモリで実行できます。

「魔法」の学習アルゴリズム（TCI）

この論文の最もクールな部分の一つは、**テンソル交叉補間（TCI）**と呼ばれるアルゴリズムです。

• 比喩： あなたが隠れた山脈の形を推測しようとしていると想像してください。全体を見ることはできませんが、ガイドに「この特定の地点の高さは？」と尋ねることはできます。
• 仕組み： すべての地点について尋ねる（それには永遠に時間がかかる）代わりに、TCIはスマートな探偵として振る舞います。戦略的な数カ所の地点について尋ね、パターンを理解し、それから残りの地図を埋めていきます。
• 結果： TCIは、ごくわずかなデータを見るだけで、複雑な関数の形（波や熱の分布など）を学習することができます。これにより、「ブラックボックス」の問題を、コンピュータが簡単に扱える「レゴの指示書（MPS）」へと変換します。

「クアンティクス（Quantics）」のトリック：ズームインとズームアウト

論文では、物理方程式（熱の拡散や波の動きなど）を解くための**クアンティクス（Quantics）**という概念を紹介しています。

• 比喩： ある国の地図を想像してください。通常、あなたは国全体を一度に見ます。しかし、もし同時に、ある都市にズームインし、次にその街路に、さらにその中の家へとズームインできるとしたらどうでしょう？
• トリック： 著者たちは、数値をバイナリ（0と1）で表現します。最初のビットは、あなたが国の左側にいるか右側にいるか（大きなスケール）を教えます。次のビットは、その側の北にいるか南にいるか（中くらいのスケール）を教えます。最後のビットは、あなたの家の左にいるか右にいるか（極小のスケール）を教えます。
• なぜ役立つのか： データをこのように配置することで、コンピュータは「大きなスケールの変化」と「小さなスケールの変化」がしばしば独立していることを見抜きます。これにより、「レゴの鎖（MPS）」が非常に短くなり、計算が容易になります。
• 結果： 彼らは、通常のノートパソコン上で、数兆ものポイントを持つグリッド上の方程式を解くことができます。普通のコンピュータでは、これほど多くのポイントを保持しようとするとクラッシュしてしまいますが、「クアンティクス」というレゴのトリックによって、扱いやすいサイズに圧縮できるのです。

「量子超越性」への現実的な検証

論文は、量子コンピュータが古典的なコンピュータには不可能なことを行ったと主張する、有名な「量子超越性」の実験について論じています。

• 論文の見解： 著者たちは、そのハイプ（過剰な宣伝）に対して懐疑的です。彼らは、それらの実験が「ランダムなノイズ（パターンのない混沌とした塊）」を作り出すように設計されていると主張しています。もちろん、古典的なコンピュータがランダムなノイズをシミュレートするのに苦労するのは当然のことです！
• 注意点： もし量子コンピュータが何か有用なこと（化学反応や特定の材料のシミュレーションなど）を行っている場合、その状態には通常、多くの構造が存在します。論文は、古典的なコンピュータが、これらのレゴ技術を用いることで、それらの有用な量子状態を非常にうまくシミュレートできることを示しています。
• 結論： 量子コンピュータは、あらゆる問題を解決する魔法の杖ではありません。それは特定のツールです。もし問題に「低ランク」の構造（単純なレゴのパターン）がある場合、古典的なコンピュータはしばしば量子コンピュータに打ち勝つことができます。

彼らが成し遂げたことの要約

1. 基礎を教えた： 巨大な数学的問題を、小さく連結された断片へと分解する方法（テンソルネットワーク）。
2. 量子コンピュータのシミュレーション方法を示した： 回路が複雑すぎない限り、数百の量子ビットを扱える「仮想的な」量子コンピュータを普通のノートパソコン上に構築しました。
3. 学習ツール（TCI）を導入した： わずかなデータポイントを覗き見るだけで、問題の形をコンピュータに教える方法。
4. 現実世界の物理を解いた： これらのツールを使用して、通常のワークステーションでは不可能と思われるほど巨大なグリッド上の複雑な方程式（熱の流れや波動方程式など）を解きました。

結論

この論文は、**「古典的なコンピュータは絶望的な状況にはない」**と主張しています。問題に何らかの基礎的な構造（ほとんどの有用な科学的問題には構造があります）がある限り、私たちは「テンソルネットワーク」を使ってデータを圧縮し、解決することができるのです。重労働を量子コンピュータに任せる必要は必ずしもありません。時には、巧妙な古典的アルゴリズムが、量子コンピュータと競い合い、さらには勝利することさえあるのです。

技術概要

技術要約：「量子コンピュータとどのように競合するか？ 量子に着想を得たテンソルネットワーク計算手法に関する講義ノート」

問題提起
本論文は、量子系のシミュレーションや、システムサイズ（$N$量子ビットに対して$2^N$）に対して指数関数的にスケールする高次元線形代数問題という根本的な課題に取り組んでいる。量子コンピュータは理論上、これら指数関数的に巨大な状態空間を操作することが可能であるが、古典的なスーパーコンピュータでは、$N \gtrsim 50$において全波関数を格納することはできない。しかし、著者らは、多くの物理的に関連のある状態が、効率的な古典的表現を可能にする内部的な数学的構造を持っていると指摘している。核心となる問題は、これらの構造（具体的には低ランク特性）を特定し、活用することである。これにより、全指数関数的なオブジェクトを明示的に格納することなく、行列・ベクトル積、固有値問題の解決、およびダイナミクスのシミュレーションを行う。本講義の目的は、テンソルネットワーク・アルゴリズムを従来の多体物理学の文脈から切り離し、巨大な行列やベクトルに対する線形代数の一般的なツールとして提示することにある。

手法
本論文は、行列積状態 (Matrix Product States: MPS) および 行列積演算子 (Matrix Product Operators: MPO) に基づく包括的なアルゴリズム群を提示している。これらは、指数関数的に巨大なベクトルや行列を、仮想インデックス（ボンド次元）によって接続された一連の小さな局所テンソルへと分解するテンソルネットワーク表現である。

1. 正確なエミュレーション (Exact Emulation): 著者らはまず、量子回路がテンソルネットワークであることを確立する。彼らは以下の正確なエミュレーション戦略を記述している：

   • 全状態シミュレータ (Full State Simulator): サイズ $2^N$ のベクトルを割り当て、ゲートを逐次的に適用する。これはメモリにおいて指数関数的にスケールする ($O(2^N)$) が、ゲート数に対しては線形にスケールする。
   • 正確なMPSエミュレータ (Exact MPS Emulator): 状態をMPSとして表現する。限定的なもつれ（例：積状態に対する近傍ゲート）を持つ回路の場合、これはボンド次元 $\chi$ が小さく保たれる限り、$N$ に対して線形に、かつ回路の深さに対して多項式的にスケールする。

2. 圧縮と近似 (Compression and Approximation): より大きなシステムを扱うため、講義では 特異値分解 (SVD) による低ランク圧縮を紹介している。

   • 標準形 (Canonical Form): テンソルがアイソメトリ（等長写像）となるゲージ選択であり、中心となるテンソルの特異値から直接、もつれエントロピーを読み取ることができる。
   • TEBD (Time-Evolving Block Decimation): 量子回路のためのアルゴリズムであり、ゲートを適用した後、固定されたボンド次元 $\chi$ を維持するためにSVDによって状態を切り詰める（トランク化する）。これは、破棄された特異値によって制限される制御された誤差を導入する。
   • DMRG (Density Matrix Renormalization Group): ここでは量子回路とハミルトニアンの対角化用に適応されている。エネルギーを最小化する（ハミルトニアンの場合）、あるいは忠実度を最大化する（回路の場合）ために、1つまたは2つのテンソルを一度に最適化し、収束するまでシステムをスウィープ（掃引）していく。

3. 学習と構築 (TCI): 手法の大部分は テンソル・クロス・インターポレーション (Tensor Cross Interpolation: TCI) に充てられている。従来の、フルテンソルへのアクセスを必要とする手法とは異なり、TCIは特定のインデックスにおける関数 $F(\sigma)$ をクエリすることによって、MPS/MPO表現を構築する能動的な学習アルゴリズムである。

   • これは、クロス・インターポレーション (CI) と 部分ランク表示LU (prлоLU) 分解 を利用して、「ピボット」（行と列）を選択する。この際、選択されたスライスが行列の本質的な情報を確実に捉えるよう、行列式の最大化（maxvol原理）を行う。
   • これにより、任意の関数（例：積分、ポテンシャル）を、そのテンソル構造に関する事前知識なしに、MPS/MPO形式へと変換することが可能になる。

4. 「クアンティクス (Quantics)」表現: 著者らは、連続変数 $x$ がビットのバイナリ文字列にマッピングされる特定の離散化スキームを導入している。この「クアンティクス」表現により、連続変数の関数をMPSとして扱うことができる。

   • 彼らは、微分演算子（微分、積分、ラプラシアン）、畳み込み、および 量子フーリエ変換 (QFT) のためのMPOの解析的な構成法を提供している。
   • 決定的なことに、QFTは低ランクのMPOであることが示されており（マシン精度に対して $\chi \approx 15$）、$2^N$ 個の点を持つグリッド上で「超高速」なフーリエ変換を可能にする。

主な貢献

• テンソルネットワークの一般化: 講義は、MPSおよびMPOを、単なる凝縮系物理学のツールとしてではなく、指数関数的に巨大なベクトルや行列のための一般的な線形代数ソルバーとして再定義している。
• アルゴリズム・ツールボックス: 本テキストは、以下の詳細なステップバイステップの導出を提供している：
  • MPSからのサンプリング（ベイズ連鎖律による正確なサンプリング）。
  • MPS/MPOの加算および乗算。
  • MPSを用いた線形システム ($Ax=b$) の解決。
  • 微分演算子およびQFTのためのMPOの解析的な構築。
• ゲートウェイとしてのTCI: 論文は、TCIを、非テンソルネットワーク問題（偏微分方程式など）をテンソルネットワークの枠組みへとマッピングすることを可能にする決定的な架け橋として位置づけている。
• 偏微分方程式 (PDE) のためのクアンティクス: 著者らは、クアンティクス表現をTCIおよび低ランクMPOと組み合わせることで、標準的なワークステーションを用いて、$2^{30}$ から $2^{40}$ 個の点を持つグリッド上でPDE（ポアソン、シュレディンガー、熱伝導方程式）を解くことができることを実証している。

結果
論文は、これらの手法を具体的な応用例を通じて示している：

• 量子回路シミュレーション: 比較により、低もつれ（例：GHZ状態生成）の回路については、正確なMPSエミュレータが $\sim N^2$ でスケールするのに対し、全状態シミュレータは $\sim N 2^N$ でスケールすることが示されている。
• ランダム回路と忠実度: 「量子超越性」実験に類似したランダム量子回路のシミュレーションでは、忠実度が回路の深さとともに指数関数的に減衰し、それはボンド次元によって制御されることが示されている。これは、たとえ大きな $N$ であっても、エラー率（または有効なボンド次元）が十分に低ければ、テンソルネットワークがシステムをシミュレートできることを示唆している。
• PDEの解法:
  • 積分: TCIを用いて10次元の振動積分を計算しており、モンテカルロ法が符号問題に悩み $1/\sqrt{N_{eval}}$ でスケールするのに対し、$\sim 1/N_{eval}^4$ で収束し、大幅に性能が優れている。
  • 熱伝導方程式: 低ランクQFT MPOを用いることで、1兆点（$2^{30}$）のグリッド上の熱伝導方程式を、ノートPC上で数秒で解いている。
  • グロス・ピタイエフスキー方程式: 準周期ポテンシャルにおけるこの非線形方程式のシミュレーションが、次元あたり $2^{20}$ のグリッド点を用いて行われ、極めて異なる長さのスケールを扱う能力が実証されている。

意義と主張
著者らは、これらの「量子に着想を得た」技術が、量子状態を扱いやすくしている基礎的な数学的構造（低もつれ／低ランク）を利用することで、量子コンピュータの能力と直接競合すると主張している。

• 量子超越性の再定義: 論文は、「量子超越性」実験の多くは、シミュレーションが困難ではあるが物理的な関連性が乏しい、ランダムでカオス的な状態を対象としていると論じている。対照的に、多くの有用な量子アルゴリズムや物理系は、テンソルネットワークが効率的にシミュレートできる構造を持っている。
• I/Oボトルネック: 著者らは、量子コンピュータが「I/Oボトルネック」（確率的な情報として $N$ ビットの情報しか出力できないこと）に直面していることを強調している。一方で、テンソルネットワークは全波関数や高精度な積分を提供することができる。
• 将来の展望: 著者らは、テンソルネットワークとTCIが将来の量子コンピューティングにおいて極めて重要な役割を果たし、問題の入力をテンソルネットワーク形式へとマッピングするためのインターフェースとして機能する可能性があると考えている。また、テンソルネットワークは強力ではあるものの、万能薬ではないことも強調している。それらは、低ランク構造が存在することに依存しており、すべての問題においてそれが保証されているわけではない。

要約すると、本論文は、特にTCIとクアンティクス表現によって強化された古典的テンソルネットワーク・アルゴリズムが、高次元の問題の幅広いクラスに対して、ブルートフォース（総当たり）的なシミュレーションよりも堅牢で、スケーラブルであり、しばしば優れた代替手段を提供することを実証する、教育的かつ技術的なガイドである。