技術要約：量子アンサンブルの識別能と複雑性における階層構造

問題提起

距離指標は、目的関数の定義、分布の比較、およびロバスト性の確保において、機械学習の根幹をなすものである。個々の量子状態間の距離（トレース距離、ビューレス・メトリックなど）は確立されているが、これらの概念を**量子アンサンブル（集合）**へと拡張することには特有の課題が存在する。古典的なデータとは異なり、量子アンサンブルは要素のラベル付け替えに対して不変であるように記述されなければならない。さらに、アンサンブル間の距離は、量子測定の破壊的かつ確率的な性質に起受ける有限の量子状態のコピーから推定される必要がある。

量子アンサンブルの特性（例：ハールランダムなアンサンブル）では、ラベルが任意のインデックスであるため、ラベル付きデータを表現するために古典的・量子的な（CQ）状態を用いる既存のアプローチでは、その本質的な構造を捉えきれない。また、生成学習のために提案されている量子ワッサースタイン距離や最大平均偏差（MMD）などの手法についても、効率性と識別能力の間の理論的なトレードオフは十分に理解されていない。

手法

著者らは、量子アンサンブルに特化した積分確率距離（IPM）の階層を導入し、これをMMD-$k$と呼ぶ。

1. MMD-$k$の定義:
   著者らは、2つのアンサンブル $E_1$ と $E_2$ から抽出された状態間のフィデリティの $k$ 次モーメントに基づく一連の擬似距離指標 $D^{(k)}(E_1, E_2)$ を定義する。
   $$D^{(k)}(E_1, E_2) = \bar{F}^{(k)}(E_1, E_1) + \bar{F}^{(k)}(E_2, E_2) - 2\bar{F}^{(k)}(E_1, E_2)$$
   ここで、$\bar{F}^{(k)}(E_a, E_b) = \mathbb{E}_{|\psi\rangle \sim E_a, |\phi\rangle \sim E_b}[|\langle \psi | \phi \rangle|^{2k}]$ である。
   この指標は、アンサンブルの $k$ 次モーメント演算子のヒルベルト・シュミット距離 $D^{(k)} = \text{Tr}[(\mathbb{E}[\rho^{\otimes k}] - \mathbb{E}[\sigma^{\otimes k}])^2]$ と等価であることが示されている。

2. 識別能の分析:
   本論文は、MMD-$k$ の識別能がモーメントの次数 $k$ とともに厳密に増加することを確立している。

   • $D^{(k)}$ は、アンサンブルの $k$ 次モーメント演算子が異なる場合に限り、アンサンブルを識別できる。
   • アンサンブルのサイズが $N$ の場合、完全な識別能（任意の異なる2つのアンサンブルを区別する能力）は $k \geq N$ のときに達成される。
   • これは、標準的なMMD（$k=1$）が、平均状態（一次モーメント）に基づいてのみアンサンブルを区別するという点と対照的である。

3. 推定プロトコル（SWAPテスト）:
   これらの指標を実験的に推定するために、著者らはSWAPテストを用いたスキームを提案している。

   • プロトコルは、アンサンブルから状態のペアをサンプリングし、SWAPテストを実行してフィデリティ $X_\ell = |\langle \psi_i | \phi_j \rangle|^2$ を推定することを含む。
   • $k > 1$ の場合、著者らは、完全な量子状態トモグラフィーを必要とせずに、同じラベルペアからの複数のサンプルを用いて $k$ 次のフィデリティを推定するために、U統計量（不偏推定量）を利用する。

4. サンプル複雑性の分析:
   著者らは、失敗確率 $\delta$ で誤差 $\epsilon$ 以内に距離を推定するために必要なサンプル数 $M$ のスケーリングを導出した。

   • ワッサースタイン距離: すべての $N^2$ ペアのフィデリティを推定する必要がある。サンプル複雑性は $\Theta(N^2 \log N)$ でスケーリングする。
   • MMD-$k$（固定された $k$）: サンプル複雑性は $\Theta(N^{2 - 2/k})$ でスケーリングする。
   • MMD-$k$（フルパワー、$k \sim N$）: 完全な識別能を得るために $k$ が $N$ に比例してスケールする場合、サンプル複雑性は $\Theta(N^3)$ でスケーリングする。

主な貢献

1. 識別能の階層構造: 本論文は、MMD-$k$ においてモーメントの次数 $k$ を上げることが、量子アンサンブルを区別する能力を厳密に高めるという階層を定式化した。サイズ $N$ のアンサンブルに対して、$k=N$ が完全な識別能の閾値であることを証明した。
2. トレードオフの特性付け: 識別能と統計的効率性の間の根本的なトレードオフを特定した。
   • 低次のMMD（$k=1$）は統計的に効率的（$\Theta(N^2)$）であるが、識別能が低い（平均状態が同じアンサンブルを区別できない）。
   • フルパワーのMMD（$k=N$）は、統計的にコストが高い（$\Theta(N^3)$）。
   • 量子ワッサースタイン距離は、完全な識別能を提供しつつ、$\Theta(N^2 \log N)$ のサンプル複雑性を持ち、フルパワーのMMDよりもわずかに効率的であるが、低次のMMDよりは効率が低い。
3. 実験的実現可能性: 完全な量子状態トモグラフィーなしでこれらの指標を推定するための、SWAPテストとU統計量に基づく実験的に実行可能なプロトコルを提供した。
4. ノイズを含む状態への一般化: 弱くノイズを含む混合状態（純粋状態に近いもの）への拡張を示した。状態を $\epsilon$-球（有効な異なるラベルの数を減少させる）にグループ化できる場合、サンプル複雑性を大幅に削減できることを示した。
5. 古典的限界との対比: このサンプル複雑性の階層は、測定の不確実性に由来する特有の量子現象であることを示した。古典的なオラクル設定では、フィデリティが直接既知であるため、MMD-$k$ のサンプル複雑性は $k$ に依存しない。

結果

• 理論的境界: 本論文は、固定された $k$ に対して MMD-$k$ を推定するには $\Theta(N^{2-2/k})$ のサンプルが必要であることを証明しており、これは情報理論的に最適である。
• 数値シミュレーション: サイズ $N=100$ から $300$のアンサンブルを用いたシミュレーションにより、理論的なスケーリング則が確認された。$\log M$対$\log N$の傾きは、様々な$k$に対して予測された$2 - 2/k$ と一致している。
• 量子生成モデルへの応用: 著者らは、これらの知見を**量子デノイジング拡散確率モデル（QuDDPM）**の学習に適用した。
  • 「円状状態アンサンブル」を学習するタスクにおいて、標準的な MMD-1 ($k=1$) は、ターゲットとなるアンサンブルとノイズアンサンブル（どちらも平均状態が類似している）を区別できず、モデルの失敗を招いた。
  • MMD-2 を損失関数として使用すると、アンサンブルを正常に識別でき、QuDDPM が収束してターゲットの分布に従う状態を生成できることが示された。
  • これは、効率性と性能のバランスを取るために、適切な次数の MMD-$k$ を選択することの現実的な必要性を実証している。

意義

本論文は、量子機械学習における損失関数の設計に対する原理的な指針を提供する。特定のタスクに十分な識別能があれば、高次の指標やフルパワーの距離（ワッサースタイン距離など）を盲目的に使用すべきではなく、それによって不必要な統計的コストが発生することを警告している。

この研究は、データへのアクセスが物理的な制限（量子測定の不確実性など）によって制約される学習設定においては、損失関数の階層構造が不可避であることを示唆している。量子アンサンブルのどのような特性を検出できるかと、それをどれほど効率的に学習できるかを形式化することで、本論文は量子生成モデルを最適化し、量子状態アンサンブルを特徴付けるための枠組みを確立した。結果は、複雑な量子構造を学習するための「コスト」が、要求されるモーメントの次数と根本的に結びついていることを浮き彫りにしている。