技術的サマリー：純粋状態アンサンブル生成のための確率シュレーディンガー拡散モデル

1. 問題定義

量子機械学習（QML）において、古典データは量子特徴空間を活用するために、頻繁に量子純粋状態（大域位相を除いたヒルベルト空間内のベクトル）として符号化される。量子データが不足している場合、データセットを拡張する自然なアプローチは、基礎となるアンサンブルから新しい状態をサンプリングすることである。しかし、古典的な入力を単純に摂動させ、再符号化することは、ほぼ直交する特徴状態や崩壊したエンタングルメント構造といった、病理的な量子状態をもたらすことが多く、訓練の安定性や汎化性能を損なう。

課題は、スコアベース拡散モデルを量子純粋状態の空間へ拡張することにある。ユークリッド空間とは異なり、純粋状態はフビニ・スタディ（FS）計量を備えた複素射影多様体 $\mathbb{CP}^{d-1}$ 上に存在する。この非ユークリッド幾何学は、2 つの主要な障壁をもたらす：

1. 扱いにくい遷移密度：標準的なスコアベース訓練に必要な遷移密度は、一般に $\mathbb{CP}^{d-1}$ 上で閉じた形式で利用できない。
2. 幾何学的複雑性：前方拡散、スコア、および逆時間サンプリングを定義するには、多様体の曲率と大域位相の不変性を慎重に扱う必要がある。

既存の「量子拡散」アプローチは、多くの場合、データ拡張のための純粋状態アンサンブルの生成モデルではなく、ノイズチャネルや密度行列の進化を通じた状態復旧に焦点を当てている。

2. 手法：確率シュレーディンガー拡散モデル（SSDMs）

著者は、純粋状態多様体 $\mathbb{CP}^{d-1}$ 上に直接定義された内在的スコアベース生成フレームワークである**確率シュレーディンガー拡散モデル（SSDMs）**を提案する。

2.1. 前方拡散と SSE 実現

このフレームワークは、多様体 $(\mathbb{CP}^{d-1}, g_{FS})$ 上の連続時間前方拡散 $\{\psi_t\}_{t \in [0,T]}$ を構築する。

• リーマン OU 過程：前方過程は、時間非斉次リーマン・オルンシュタイン・ウーレンベック（OU）拡散としてモデル化される：
  $$d\psi_t = b(\psi_t, t) dt + \sigma(t) dW^{(M)}_t$$
  ここで、$W^{(M)}_t$ は FS 計量下での多様体上のブラウン運動であり、$b$ はドリフト項（例：参照状態への引き込み）である。
• 確率シュレーディンガー方程式（SSE）実現：この多様体拡散を物理的な量子ダイナミクスと結びつけるために、著者はヒルベルト球面上での SSE 実現を提供する。このダイナミクスは、ハミルトニアンと Lindblad 型のノイズ項を含む確率的ユニタリ進化によって駆動される。大域位相を商として取り除くことで、これは $\mathbb{CP}^{d-1}$ 上で望ましい等方性拡散を誘起する。

2.2. 逆時間ダイナミクスとリーマンスコア

リーマン多様体上の拡散に対する時間反転理論に基づき、逆時間過程もまた、同じ拡散係数を持つが修正されたドリフトを備えた $\mathbb{CP}^{d-1}$ 上の拡散である：
$$d\psi_t = \left( b(\psi_t, t) - \sigma(t)^2 \nabla_{FS} \log p_t(\psi) \right) dt + \sigma(t) d\bar{W}^{(M)}_t$$
ここで、$\nabla_{FS} \log p_t(\psi)$ は、FS 計量に対する対数密度の勾配として定義されるリーマンスコアである。この項は、単純な事前分布（例：クリフォード $t$-デザインアンサンブル）からデータ分布へと生成過程を駆動する。

2.3. 局所時間学習目的

遷移密度 $p_t(\psi)$ と大域スコアが扱いにくいため、SSDM は局所時間学習目的を採用する：

1. 局所近似：点 $\phi$ を中心とするフビニ・スタディ正規座標において、内在的多様体拡散は、小さな時間ステップ $\delta t$ に対して、1 次まで局所的ユークリッド OU/VP 近似を許容する。曲率効果は高次項でのみ現れる。
2. 解析的教師スコア：この局所近似により、接空間内で閉じた形式のガウス条件付き密度が得られる。このガウス分布の対数の勾配は、正規座標における解析的教師スコアを提供する。
3. 多様体への写像：この教師スコアは、対数写像の微分の随伴 $(d \log_\phi)^*_\psi$ を用いて多様体へ戻して写像される。
4. 訓練：スコアネットワーク $s_\theta(\psi, t)$ は、短い時間遷移から導出された解析的教師スコアと一致させることで真のリーマンスコアを近似する、リーマンノイズ除去スコアマッチング目的を最小化するように訓練される。

2.4. サンプリング

サンプリングは、多様体上で学習された逆時間 SDE を積分することによって行われる。この過程は、扱いやすい事前分布（クリフォード $t$-デザインで近似）から開始され、局所接フレームにおけるオイラー・丸山法を用い、その後 $\mathbb{CP}^{d-1}$ 上に射影するために再縮退（または指数写像）を行う。

3. 主要な貢献

1. SSDM フレームワーク：$\mathbb{CP}^{d-1}$ 上の量子純粋状態の分布に特化したスコアベース生成フレームワークの導入。
2. 内在的拡散設計：SSE 実現を伴うリーマン OU 前方拡散の設計により、物理的量子軌道と多様体拡散の間の架け橋を確立。
3. 局所時間訓練：FS 正規座標における局所ユークリッド極限を活用して解析的教師スコアを導出する実用的な訓練目的の提案。これにより、閉じた形式のグローバル遷移密度の必要性を回避。
4. リーマンスコアの一般化：FS 計量下でのリーマンスコアによって駆動される逆時間ダイナミクスの導出により、ユークリッド空間のスコアベースモデリングを量子純粋状態アンサンブルへ原理的に一般化。

4. 実験結果

著者は、$n=2, 4, 6$ 量子ビットの純粋状態アンサンブル生成と、その下流 QML タスクにおける有用性について SSDM を評価した。

• 生成品質：SSDM は、すべてのシステムサイズにおいて、ユークリッド VP-SDE、リーマンスコアベース生成モデル（RSGM）、QGAN、QuDDPM などのベースラインを一貫して上回った。
  • 指標：SSDM は、より高い状態忠実度（$F_0$）と、より低い最大平均不一致（MMD）、観測量の不一致（$\Delta_{obs}$）、およびエンタングルメント・ワルシュタイン距離を達成した。
  • 幾何学の影響：FS 幾何学の内在的モデリングは、特にシステム次元が増加するにつれて、ユークリッドベースラインに対して著しい改善をもたらした。これは、$\mathbb{CP}^{d-1}$ 上で接スコアを内在的に学習することが重要であることを確認した。
• 局所時間監督：アブレーション研究により、有限差分近似や局所監督なしのモデルと比較して、解析的局所時間 OU 教師スコアを使用することがサンプリング品質を大幅に向上させることが示された。
• 下流 QML 有用性：表現レベルのデータ拡張タスクにおいて、SSDM によって生成された量子状態は、限られたラベル付きデータ下でカーネル SVM や変分分類器などの下流分類器の汎化性能を向上させた。これは、カーネル整合性、カーネルギャップ、および平均マージンの改善によって実証された。

5. 意義と主張

本論文は、SSDM が量子純粋状態アンサンブルのスコアベース生成モデリングのための物理的根拠に基づき、幾何学的に原理的な経路を提供すると主張している。

• 表現レベルの拡張：このフレームワークは、特徴空間内で直接新しい量子表現を生成することを可能にし、古典的入力摂動の病理を伴わずに QML におけるデータ不足の問題に対する解決策を提供する。
• 幾何学的必要性：結果は、フビニ・スタディ幾何学を尊重することが、単なる理論的な洗練ではなく、高次元量子状態空間における安定かつ正確なサンプリングのための実用的な必要性であることを示している。
• 物理学と ML の架け橋：SSE 実現を活用することで、この研究は確率的量子ダイナミクスと現代の生成モデリングを結びつけ、曲がった多様体上の安定した前方拡散のための柔軟な設計原理を提供する。

著者は、局所教師信号に対する小ステップ近似への依存、現在の純粋状態（混合状態を含まない）への焦点、およびヒルベルト空間の指数関数的成長と $\mathbb{CP}^{d-1}$ の非線形幾何学に内在するスケーラビリティの課題を含む限界を指摘している。しかし、彼らは SSDM を、近未来の量子時代における量子状態アンサンブルシミュレーションのための効率的な古典的代理手段に向けた基礎的なステップとして位置づけている。