Pure and mixed Dicke state ansatz for equality and inequality constraints in variational quantum eigensolver

本論文は、等式および不等式のハミング重み制約の両方を構造的にエンコードすることでペナルティ項の必要性を排除した、変分量子固有値ソルバーのための実現可能性を維持する混合ディケ状態アンザッツを導入し、組合せポートフォリオ最適化におけるランダム探索に対する優れた性能を実証するとともに、NISQハードウェアへのデプロイメントに向けた残された課題を浮き彫りにしている。

要約

全体像：膨大な選択肢の中から最高のチームを見つけ出す

あなたは、100人の候補者の中から完璧なチームを編成しようとしているマネージャーだと想像してください。あなたには主に2つの目標があります。

1. パフォーマンスを最大化する（最高の結果を出す）。
2. 厳格なルールに従う（例：「必ず正確に5人選ぶ」や「3人から7人の間で選ぶ」など）。

金融の世界では、これをポートフォリオ最適化と呼びます。従業員の代わりに株式を選び、パフォーマンスの代わりに、低リスクで高リターンとなる組み合わせを探します。

問題は、候補者の数が増えるにつれて、考えられるチームの組み合わせが爆発的に増加することです。すべての組み合わせを一つずつチェックする（力任せの探索のような）方法は、膨大な時間がかかります。ここで量子コンピューティングの出番です。量子コンピューティングは、これらの膨大な可能性を、通常のコンピュータよりもはるかに速く探索することを約束してくれます。

問題点：「ペナルティ」の罠

かつて、科学者がこの問題を量子コンピュータで解決しようとした際、**変分量子固有値ソルバー（VQE）**という手法が使われていました。VQEを、数学の問題を解こうとしている学生だと考えてみましょう。

学生がルール（「必ず5つの銘柄を選ぶ」など）を守れるようにするために、教師は通常、ペナルティを加えます。

• 教師： 「もし6つの銘柄を選んだら、答案用紙に大きな赤字をつけるぞ。」
• 学生： 「わかりました。赤字を避けるようにします。」

問題は、教師がその「赤字（ペナルティ）」をどの程度大きくすべきかを推測しなければならないことです。ペナルティが小さすぎると、学生はルールを無視してしまいます。逆に大きすぎると、学生は混乱してしまい、最適な解を見つけることができなくなります。この「ペナルティ」の調整は非常に厄介であり、しばしば悪い結果を招きます。

解決策：設計図の中にルールを組み込む

この論文は、量子コンピュータの「学生」（アンザッツと呼ばれます）を構築するための新しい方法を提案しています。後からペナルティを加えるのではなく、著者たちはルールを学生の「DNA」の中に直接組み込みました。

彼らは**ディッケ状態（Dicke States）**と呼ばれるものを使用しています。

• 比喩： 正確に5人のチームだけを吐き出す魔法の箱を想像してください。その箱に4人や6人を要求することは不可能です。その箱がルールを破ることは物理的に不可能です。
• 純粋なディッケ状態（Pure Dicke State）： これは、正確に5人のチームのみを吐き出す箱です。これにより、「等価制約（必ず5人選ぶ）」という問題が解決されます。
• 混合ディッケ状態（Mixed Dicke State）： これがこの論文の大きな革新です。これは、3人、4人、5人、6人、または7人のチームを吐き出すことができますが、2人や8人は決して吐き出しません。これは、異なる有効なチーム規模の「混合物」です。これにより、「不等価制約（3人から7人の間で選ぶ）」という問題が解決されます。

密度行列（Density Matrices）（さまざまな可能性の混合を記述するための高度な数学的手法）を用いることで、著者らは常に有効な解のみを探索する量子回路を作り上げました。

• ペナルティ不要： マシンが物理的に無効なチームを生成できないため、赤字やペナルティを加える必要がありません。
• 調整不要： ルールをどれほど厳しくすべきかを推測する必要はありません。ルールはマシンにハードウェアとして組み込まれているからです。

検証方法

著者らは、このアイデアを「組合せポートフォリオ最適化（最適な銘柄の組み合わせを選ぶ）」問題を用いてテストしました。彼らは、難易度が上がっていく山登りのような、3つのシナリオを作成しました。

1. シナリオ1（小さな丘）： 11の選択肢から最大4つの銘柄を選ぶ。
2. シナリオ2（中くらいの丘）： 11の選択肢から3〜6の銘柄を選ぶ。
3. シナリオ3（大きな山）： 異なるグループの銘柄に対して異なるルールが適用される複雑な混合（例：「エネルギー部門から正確に3つ」「金融部門から1つまたは2つ」）。

彼らは、新しい「ルール組み込み型」量子手法を、ランダム探索（有効なチームをランダムに推測する手法）と比較しました。

結果：

• 有効なチームの総数が増えるにつれて（シナリオ1から3へ）、彼らの手法はランダムな推測よりもはるかに優れた結果を示しました。
• ランダムな推測は、目隠しをしてダーツを投げるようなものです。いつかはブルに当たるかもしれませんが、非常に時間がかかります。彼らの手法は、有効なターゲットに向かってのみ飛ぶ誘導ミサイルのようなものです。
• 彼らは、ランダム探索よりもはるかに速く、高品質な解（リスクとリターンの最適なバランスである「効率的フロンティア」上のポートフォリオ）を見つけ出しました。

課題：現実世界のノイズ

論文では、これらを実際の量子コンピュータ（IBMのノイズのあるマシン）上でもテストしました。

• 問題点： 本物の量子コンピュータは繊細な計器のようなもので、「ノイズ」があります。わずかな干渉によってビットが反転（0から1へ変化）することがあります。
• リスク： もしビットが反転すると、有効な5人のチームが誤って6人のチームになってしまい、ルールが壊れてしまいます。
• 判明したこと： 著者らは、彼らの「混合（Mixed）」手法（3、4、5、6、または7人を許容する箱）が、厳格な「純粋（Pure）」手法よりも、これらのエラーに対して**より堅牢（ロバスト）**であることを発見しました。もし単一のエラーが発生しても、「混合」の箱は厳格な箱よりも有効な範囲内に留まる可能性が高いのです。
• 現実的な検証： この利点はあるものの、実際のハードウェアは依然として非常にノイズが多い状態です。実機での結果は、シミュレーションと比較して約50%のエラー率がありました。論文は、このアイデアは素晴らしいものの、実際の資金管理に使用できるようになるには、より優れた「ノイズ除去」技術が必要であると結論付けています。

まとめ

この論文は、量子コンピュータに対する巧妙なトリックを提案しています。それは、**「悪い答えに罰を与えるのをやめ、代わりに、悪い答えを作ることすらできないマシンを作る」**というものです。ディッケ状態（Mixed Dicke States）を用いて、構造的にルール（例：「3〜7つの銘柄を選ぶ」）を量子回路に組み込むことで、厄介なペナルティの調整を排除しました。実験の結果、この手法は、特に複雑な問題において、ランダムな推測よりもはるかに速く最適な解を見つけることが示されました。ただし、現実世界のハードウェアにおけるノイズが、克服すべき課題として残っています。

技術概要

技術要約：等式および不等式制約のための純粋および混合ディケ状態アンザスを用いた変分量子固有値ソルバー

問題提起
本論文は、組合せ最適化における変分量子アルゴリズム（VQA）、特に変分量子固有値ソルバー（VQE）を適用する際の中心的課題である、「量子ヒルベルト空間の実行可能部分空間を探索するのに十分な表現力を持ちつつ、問題の制約を遵守するアンザスの設計」に取り組んでいる。従来のアプローチでは、制約（ハミング重みの制限など）を強制するために目的関数にペナルティ項を用いることが多いが、これはラグランジュ乗数の困難なチューニングを必要とする。さらに、変数や制約の数が増加するにつれて、最適解を見つけるための計算コストは指数関数的に増大し、厳密な古典的手法の実行を不可能にし、不十分な近似への依存を強いることになる。具体的に強調されている問題領域は、組合せポートフォリオ最適化であり、そこでの目標は、資産の選択数（ハミング重み）に関する制約の下で、リスクを最小化しつつリターンを最大化するように資産のサブセットを選択することである。

手法
著者らは、ラグランジュ乗数のチューニングを不要にするために、等式および不等式制約の両方を、量子回路アンザスの中に構造的に直接エンコードする、実現可能性保持フレームワークを提案している。

1. 純粋および混合ディケ状態:

   • 等式制約: 選択される資産の正確な数（$k=b$）を必要とする制約に対して、著者らはパラメータ化された**純粋ディケ状態（pure Dicke state）**アンザスを利用する。この状態は、固定されたハミング重み $k$ を持つ計算基底状態の重ね合わせであり、探索範囲を自然に実行可能部分空間へと制限する。
   • 不等式制約: 上限または下限（$k \leq b$ または $k \geq b$）を含む制約に対して、著者らは形式を**混合ディケ状態（mixed Dicke states）**へと拡張する。密度行列の形式と開いた量子系の理論を用いることで、実行可能範囲内の様々なハミング重みを持つディケ状態のアンサンブル（混合）を表すアンザスを構築する。
   • 実装: 混合状態は、異なるディケ状態の条件付き準備を制御するために補助量子ビット（ancilla qubits）を用いて生成される。システム（系）の簡約密度行列（補助量子ビットをトレースアウトすることで得られる）は、この混合体を記述する。VQEの目的関数は、この密度行列と問題のハミルトニアンの積のトレースを最小化するように一般化される：$\min \text{tr}(\sigma H)$。

2. テンソル積構造:
   このフレームワークは、個々の純粋または混合ディケ状態密度行列のテンソル積としてグローバルなアンザスを構築することにより、複数の制約グループ（例：ポートフォリオ内の異なるセクター）を持つ問題へと一般化される。これにより、変数の異なるサブセットにわたる多様な制約タイプ（等式および不等式）を同時に満たすことが可能となる。

3. 実験設定:
   本アプローチは、複雑性が段階的に増加する3つのシナリオを用いた組合せポートフォリオ最適化を用いて検証された：

   • シナリオ I: 11資産、上限制約（$k \leq 4$）。
   • シナリオ II: 11資産、範囲制約（$3 \leq k \leq 6$）。
   • シナリオ III: マルチセクター・ポートフォリオ（4セクター、各セクター5資産）、等式および不等式制約の混合、テンソル積アンザスを利用。
     最適化には、勾配を用いない手法であるCMA-ES（共分散行列適応進化戦略）オプティマイザが使用され、実行可能部分空間に限定されたランダムサーチと比較された。シミュレーションは、古典的ハードウェア（CPU/GPU）上で行われ、IBM NISQプロセッサ上で検証された。

主な結果

• 探索効率: 実行可能な探索空間のサイズが増大するにつれ（シナリオIの561からシナリオIIIの45,000へ）、提案されたVQE-Dickeフレームワークは、ランダムサーチに対して明確な優位性を示した。高品質な解または最適解を特定するために、目的関数の呼び出し回数を大幅に削減できた。
• 解の質: すべてのシナリオにおいて、最適化された分布からサンプリングされたビット列は、古典的な効率的フロンティア上またはその付近に位置するポートフォリオに対応していた。オプティマイザが単一の最適ビット列に密度行列を完全に集中させられなかった場合でも、サンプリングされた解は高品質な実行可能候補であり続けた。
• ハードウェア性能: IBM NISQプロセッサを用いた実験により、理論的な実現可能性は確認されたものの、実用的な限界も浮き彫りになった。アンザスは、量子プロセッシングユニット（QPU）上で約50%の相対誤差を示した。著者らは、混合状態アンザスは単一ビット反転エラー（純粋状態を実行可能集合から外れさせる可能性があるもの）に対して理論的な堅牢性が高い一方で、2量子ビットゲートによる累積ノイズが依然として大きな課題であることを指摘している。

意義および主張
本論文は、ペナルティ項を用いることなく、等式および不等式制約の両方を扱うことができる、初の実現可能性保持型混合ディケ状態アンザスを導入したと主張している。主な意義は以下の通りである：

1. 構造的制約エンコーディング: 密度行列の形式を通じて制約をアンザスに直接埋め込むことで、ラグランジュ乗数のチューニングを不要にし、最適化ランドスケープの複雑さを軽減する。
2. スケーラビリティ: このアプローチは、実行可能部分空間が全ヒルベルト空間に対して十分に大きい（$O(2^n)$ に対する $O(n^k)$）ものの、網羅的なランダムサンプリングが非現実的になるようなレジームにおいて特に効果的である。
3. 汎用性: ポートフォリオ最適化で検証されているが、このフレームワークは、特徴量選択やアンサンブル選択など、ハミング重み制約を持つ他の組合せ問題に直接適用可能であると主張されている。

著者らは、ノイズ緩和や回路トランスパイルの最適化がNISQ時代のハードウェアにおける未解決の課題であることを認め、実用的な展開については控えめな姿勢を維持している。彼らは、現在の研究が、商用ソリューションとして完全に完成されたものではなく、アンザスの潜在能力を示す理論的および実験的な検証としての役割を果たすものであることを強調している。