Error-mitigation aware benchmarking strategy for quantum optimization problems

技術要約：量子最適化問題における誤差緩和を考慮したベンチマーク戦略

問題提起
ノイズのある中規模量子（NISQ）デバイスが、最適化タスクにおいて量子優位性を示せるかどうかを評価することは、特に古典的な検証が困難な問題において極めて重要である。エントロピー・ベンチマーク・フレームワークが、物理的なエントロピーと性能低下を結びつける厳密なツールとして登場しているが、これらは現実的な実験設定において重大な限界に直面している。具体的には、既存の手法は有限ショット統計や**量子誤差緩和（QEM）**を考慮していない。確率的誤差キャンセル（PEC）のようなQEM技術は、サンプリングのオーバーヘッド（負値性）を代償にすることで推定バイアスを減少させる。その結果、物理的な状態エントロピーは、統計的な誤差緩和計算のエンドツーエンドの性能を正確に反映しなくなるため、決定論的なエントロピー・エネルギー曲線では不十分となる。さらに、固定されたショット予算の下で、QEMの適用が実際に量子優位性を高めるのか、あるいは損なうのかを判断するための、タスクレベルの定量的基準も欠如している。

手法
著者らは、有限ショット統計とQEMによって誘発されるリソース・オーバーヘッドを明示的に組み込んだベンチマーク・フレームワークを提案している。この手法の核心は、「量子優位性」を決定論的なエネルギー値としてではなく、推定されたエネルギーが、真の基底状態エネルギー $E_0$ に対する最もタイトな既知の下限および上限 $[E_-, E_+]$ 内に存在する信頼度（成功確率）として再定義することにある。

主要な手法構成要素は以下の通りである：

1. 統計モデリング： 本フレームワークは、PECによって得られるエネルギー分布が、真の基底状態 $E_0$ を中心とする正規分布 $N(E_0, \sigma^2)$ に従うと仮定する。分散 $\sigma^2$ は、サンプリング・オーバーヘッド（負値性 $\gamma$）とショット数 ($N_{shots}$) を介した関係式 $N_{shots} \propto \gamma^2 / \sigma^2$ によって結び付けられている。
2. 成功確率の定式化： 成功確率 $P_{success}$ は、推定エネルギー分布が区間 $[E_-, E_+]$ 内に落ちる確率として計算される。PECの場合、これは総サンプリング・オーバーヘッド $\gamma_{tot}$ とショット予算に基づく誤差関数を用いて導出される。
3. 未知の $E_0$ に対する近似： 対象となるアプリケーションにおいて $E_0$ は未知であるため、著者らは、誤差緩和された分布の平均を古典的な境界の中点 $(E_- + E_+)/2$ と仮定することで、プロキシ（代理）成功確率 $\tilde{P}_{success}$ を導入している。
4. 生の（未緩和の）結果との比較： フレームワークは、未緩和の（raw）測定についても成功確率を算出する。この場合、分布はバイアスを持つ（$E_{noisy} \neq E_0$）が、分散はより小さい。生のデータの成功確率は、分散とノイズによる平均のシフトの両方に依存する。
5. ケーススタディ： 本フレームワークは、グローバル・デポラリジング・ノイズ下での、深度 $D=64$ のハミルトニアン・バリエーショナル・アンザッツ（HVA）回路を用いた、$8 \times 8$ 格子（$L=64$ サイト、$n=128$ 量子ビット）の2次元フェルミ・ハバード・モデルの基底状態エネルギー推定に適用されている。

主要な結果
数値的な原理証明研究を通じて、著者らは本フレームワークが、ノイズレベル（$P$）とショット数（$N_{shots}$）のパラメータ空間を、以下の3つの明確な領域に分割できることを示している：

• Raw（生）領域： 低ノイズ環境かつ十分なショットがある場合、生の（未緩和の）戦略がPECよりも高い成功確率をもたらす。ここでは、PECのサンプリング・オーバーヘッドは不要であり、生のデータのバイアスは無視できる。
• PEC領域： ノイズが増加すると、生のデータのバイアスによって平均が成功区間の外側に移動し、成功確率が低下する。対照的に、PECは平均を $E_0$ に維持するが、分散を増大させる。中間的なノイズ領域では、PECは生のサンプリングよりも高い成功確率を提供し、有利な戦略となる。
• None（なし）領域： 高ノイズレベルまたは極端に低いショット予算の場合、どちらの戦略も定義された成功閾値（本研究では0.95に設定）を達成できない。これらの領域では、緩和戦略に関わらず、量子優位性は保証されない。

本研究は、領域間の遷移が非自明であることを明らかにしている。例えば、生の戦略においては、あるノイズ閾値を超えてショット数を増やすと、分布がターゲット区間の外にあるバイアスされた平均の周りに鋭く集まるため、逆説的に成功確率が低下することがある。

意義と主張
本論文は、近未来のハードウェア上での最適化における潜在的な実用的量子優位性を評価するための、タスクレベルの基準を提供すると主張している。その主な意義は以下の点にある：

• 決定論的な指標からの脱却： 決定論的なエントロピー・エネルギー写像から、有限ショットおよび誤差緩和実験に不可欠な、信頼区間に基づく統計的な評価へとベンチマークのパラダイムを転換させている。
• 運用上の意思決定： 本フレームワークは、いつQEMを導入すべきかを判断するための軽量な数値ツールをエンドユーザーに提供する。それは、ハードウェアノイズと利用可能なショット予算が一致し、PECが量子優位性の達成を意味のある形で高める「ゴールドロックス・ゾーン（絶妙なバランスの領域）」を特定する。
• 現実的な制約： バイアス減少とサンプリング・オーバーヘッドのトレードオフを明示的にモデル化することで、本フレームワークは、PECのスケーリングに関する従来の否定的な結果とは対照的に、現在の量子ハードウェアの実際的な限界に対処している。

著者らは、自身の分析が特定の仮定（例：ガウス分布、完全なノイズ特性の把握）および特定のハミルトニアンのインスタンスに依存していることを指摘し、自らの主張に対して謙虚な姿勢を保っている。彼らは、フレームワークがフェルミ・ハバード・モデルで実証されているものの、古典的な境界が存在する他の格子ハミルトニアンにも適用可能であり、また他のQEMプロトコルにも拡張可能であることを示唆している。