技術要約：ニューロエボリューションを用いた量子回路設計の調査

問題提起

効果的なパラメータ化量子回路（PQC）の設計は、量子機械学習（QML）における重要なボトルネックであり続けている。量子回路の構造、具体的にはゲートの種類、量子ビットの接続性、パラメータ化、および深さは、その表現力、学習可能性、およびノイズへの堅牢性を根本的に決定付ける。現在のアプローチは、手動で作成されたテンプレートや固定されたヒューリスティックに大きく依存しているが、これらは異なるタスクやハードウェアの制約に対して汎用性を欠くことが多い。これらの静的な設計は、バレン・プラトー（平坦な勾配）、弱い勾配信号、または不十分な量子もつれといった問題を引き起こす可能性がある。自動化された量子ニューラルアーキテクチャ探索（QNAS）は存在するものの、既存の手法の多くは、浅い探索空間、高い計算オーバーヘッド、あるいは異なる量子バックエンドや目的関数をサポートする柔軟性の欠如といった制限を抱えている。

手法：EXAQC

著者らは、量子回路の自動設計および訓練のためのニューロエボリューショナリー・フレームワークである**EXAQC（Evolutionary eXploration of Augmenting Quantum Circuits）**を提案する。EXAMMおよびEXA-GPアルゴリズムに着想を得たEXAQCは、量子回路を、構造とパラメータの両方を同時に最適化するように進化する可変的な「ゲノム」として扱う。

1. ゲノム表現

固定サイズの表現とは異なり、EXAQCは無制限のゲートリストを利用する。ゲノムは以下で構成される：

• 入出力の量子ビット識別子。
• ゲートのリスト。各ゲートには、深さの値（$0.0 \le d \le 1.0$）、入出力の量子ビット接続、訓練可能なパラメータ（適用可能な場合）、および**イノベーション番号（innovation number）**が含まれる。
• イノベーション番号により、システムは異なるゲノム間で相同な構造を追跡することができ、効果的な交叉（crossover）を促進する。

2. 進化オペレータ

EXAQCは、構造の変化を進化によって駆動し、パラメータを勾配ベースの学習（Adamオプティマイザ）によって最適化する、ハイブリッドな進化・変分アプローチを採用している。

• 突然変異（Mutation）オペレータ：
  • ゲートの追加（Add Gate）： ランダムな深さに新しいゲートを挿入する。その際、ゲートが計算に寄与することを保証するために、接続解析に基づいて入出力の量子ビットを選択する。
  • ゲートの有効化／無効化（Enable/Disable Gate）： 既存のゲートの活動を切り替える。
  • ゲートの並べ替え（Reorder Gate）： ゲートを新しい深さに移動させる。
  • 量子ビットの入れ替え（Swap Qubits）： ゲートの量子ビット接続を再割り当てする。
  • 制約チェック： 突然変異後、少なくとも一つの入力が一つ以上の出力へと流れることを確認するフォワード・トラバーサルを行い、無効なゲノムは破棄される。
• 交叉（Crossover）オペレータ：
  • バイナリ交叉（Binary Crossover）： 2つの親を組み合わせる。共通のイノベーションを保持し、より適応度の高い親の固有イノベーション（$best\_keep\_rate$）または適応度の低い親の固有イノベーション（$other\_keep\_rate$）を確率的に保持する。
  • N次交叉（N-ary Crossover）： 複数の親（例：$n=4$）へと交叉を拡張し、ランダムな単体法（simplex approach）を用いてパラメータを再結合する。
  • 指数型交叉（Exponential Crossover）： ランダムな深さの交叉点において親を分割し、一方の親から低深度のゲートを取り、もう一方の親から高深度のゲートを取り入れる。
• ラマルク的重みの継承（Lamarckian Weight Inheritance）： バックプロパゲーションのコストを削減するため、成功した親の重みは再初期化されるのではなく、継承および洗練される。

3. バックエンド非依存性と損失関数

本フレームワークはバックエンドに依存しない設計となっており、QiskitとPennyLaneの両方をサポートしている。以下の2つの主要な最適化モードをサポートする：

• 教師模倣（忠実度ベース）（Teacher Imitation (Fidelity-Based)）： ターゲットとなる「教師」回路が存在する場合、システムは候補の量子状態と教師の量子状態の間の損失を最小化する。指標には忠実度（Fidelity）（$1 - |\langle \phi | \psi \rangle|^2$）および**角度距離（Angular Distance）**が含まれる。
• 教師なし学習（読み出しベース）（Supervised Learning (Readout-Based)）： 古典的なデータセットに対して、システムは測定駆動型の損失を使用する。これには、分類のための周辺読み出し確率に対するクロスエントロピー（Cross-Entropy）、カルバック・ライブラー（KL）ダイバージェンス、およびハードウェアに整合した制約のための**観測量平均二乗誤差（Observable MSE）**が含まれる。

主な貢献

1. 統合フレームワーク： 回路のトポロジー（ゲートの種類、接続性、深さ）とパラメータを、教師あり学習および回路エミュレーションの両方に対して共同で最適化するシステムであるEXAQCを導入した。
2. バックエンド非依存性： 同一の進化表現を異なる実行モデルの下で評価できる、PennyLaneおよびQiskitの両方に互換性のある柔軟なトレーニングパイプライン。
3. 柔軟な損失定式化： 一貫したパイプライン内で、物理駆動型のタスク（ターゲット回路のエミュレーション）とデータ駆動型のタスク（古典データの分類）の間で、損失関数を切り替える能力。
4. 新規な交叉戦略： 順序付けられた量子ゲートリストに特化した、ニューロエボリューショナリーな交叉手法（N次および指数型）の適応。

実験結果

著者らは、4つのUCIベンチマークデータセット（Iris, Wine, Seeds, Breast Cancer）および一連の合成「教師」量子回路を用いてEXAQCを評価した。

• 分類性能： 控えめな計算予算（評価されたゲノム数500）を用い、進化した回路はベンチマークデータセットにおいて高い精度を達成した。例えば、Irisデータセットでは最大**90.0%の精度、Seedsでは95.2%**の精度に達した。結果は、回路の複雑さ（ゲート数）と性能の間に相関があることを示しており、より長い探索時間がさらなる改善をもたらす可能性を示唆している。
• 回路エミュレーション： 教師ベースのベンチマークにおいて、システムはターゲットの挙動を模倣することに成功した：
  • 単一ゲート（Baseline）: 3〜5個のゲノム以内に100%の忠実度を達成。
  • ベル状態生成器（Bell-State Generators）: 98.32%の忠実度を達成。
  • 入力制御回路（Input-Controlled Circuits）: 94.11%の忠実度を達成。
  • 多層回路（Multi-Layered Circuits）: 800個以上のゲノムを探索した後、91.73%の忠実度を達成。
• 構造的発見： システムは非自明な量子回路のトポロジーを有機的に発見した。場合によっては、進化した回路が、教師とは構造的に異なるメカニズム（例：恒等演算をシミュレートするためにアダマールゲートを2回適用するなど）を用いて高い忠実度を達成した。

意義と主張

本論文は、EXAQCを「問題に応じた（problem-aware）」量子回路を発見するための実用的かつスケーラブルな手法として位置付けている。著者らは、進化アルゴリズムが、固定されたテンプレートに頼ることなく、ゲートの種類や接続性の組合せ爆発的な設計空間をナビゲートできるため、量子機械学習を進展させるための重要なツールであると主張している。

本研究の意義は、以下の点の実証にある：

1. 進化アルゴリズムは、異なるデータセットやハードウェアの制約を横断して汎化できる量子回路の構造を効果的に発見できること。
2. 統一されたフレームワークは、基礎となる進化メカニズムを変更することなく、物理駆動型のタスク（量子状態のエミュレーション）とデータ駆動型のタスク（古典データの分類）の両方を扱うことができること。
3. このアプローチは、手動のヒューリスティック設計を超えて、自動化され適応的な発見へと向かう、スケーラブルな量子回路設計への原理的な経路を提供するものであること。

著者らは将来的な影響については謙虚な姿勢を保っており、現在の実装は単一の定常状態集団および単一目的最適化を使用しているものの、本フレームワークは将来的な多目的戦略やアイランドモデルへと拡張可能に設計されていることを述べている。彼らは、現在の結果が、ニューロエボリューションによる量子アーキテクチャ探索の実現可能性を示すための概念実証（proof-of-concept）として機能することを強調している。