Operator Learning for efficient Quantum Computation

技術要約：効率的な量子計算のためのオペレーター学習

問題提起
量子アルゴリズムの効率的な実装は、現在、オペレーターおよび状態準備のための効率的なプリミティブ（基本要素）の欠如によって阻害されている。この制限は、近未来のNISQ（Noisy Intermediate-Scale Quantum）ハードウェアによる複雑な問題のシミュレーション能力を制限し、フォールトトレラント・アルゴリズムが実用的な量子優位性を達成することを妨げている。既存の課題には以下が含まれる：

• ハードウェアの制約： 有限のコヒーレンス時間、ゲートエラー、および限定的な量子ビット結合性（例：線形最近傍結合や特定の格子トポロジー）が、回路の深さを制約し、多量子ビット操作のコストを増大させる。
• アルゴリズムのオーバーヘッド： 漸近的な量子加速は、ブロックエンコーディングのオーバーヘッド、量子状態準備（QSP）のコスト、および測定の複雑さに起因する大きな定数係数によって相殺されることが多い。
• スケーラビリティの問題： 汎用的な多量子ビットユニタリ体の分解およびQSPは、多くの場合、量子ビット数に対して指数関数的にスケールするリソースを必要とする。
• 結合性の不一致： 既存の合成手法の多くは単純な1Dトポロジーに依存しており、これは多様なハードウェアアーキテクチャ（例：中性原子や長距離相互作用を持つ捕捉イオン）の実態を反映していないか、あるいはオペレーターにおける長距離相関を捉え損ねている。

手法
著者らは、任意の離散オペレーター（ユニタリおよび非ユニタリの両方）を、特定のハードウェア結合性と相互作用範囲に適合したコンパクトな量子回路へと変換する、オペレーター学習のためのフルスタック・バリエーション・フレームワークを提案する。

• 数学的枠組み：

  • ブロックエンコーディング： 非ユニタリ演算子 $A$ を、$n = n_s + n_a$ 量子ビット（システム + アンシラ）上で作用するより大きなユニタリ演算子 $G$ に埋め込む。本フレームワークは、単一のアンシラ量子ビット（$n_a=1$）を用いたブロックエンコーディングを利用し、条件 $\|A - c \text{Tr}_{anc}[PG]\|_{\text{fro}} \le \tau$ （ここで $P$ はアンシラの状態 $|0\rangle$ への射影）を満たすように定義される。
  • コスト関数： 正規化されたフロベニウスノルムの残留誤差を最小化する。重要な革新は、5点ステンシルフィルタに基づいた正則化項の導入である。この項は誤差のアウトライヤー（外れ値）にペナルティを課し、残留行列を滑らかにすることで、オペレーター空間全体における近似誤差を低減させる。
  • 制約： 学習されるゲートに対するユニタリ制約は、リーマン最適化のみに頼るのではなく、各勾配更新後の特異値分解（SVD）を用いた投影技術によって強制される。

• 計算戦略：

  • アンザッツ（Ansatz）： アルゴリズムは、パラメータ化された $r$-body ゲートの層からなる、一般的かつ制約のない回路アンザッツを採用する。ゲートの結合性と範囲は、ターゲットとなるハードウェア（例：最近傍、長距離、または2D格子）に一致するように明示的に定義される。
  • 最適化： 手法は、リーマン勾配を必要とせずに勾配を計算するためにバックプロパゲーション（自動微分）を使用する。また、（単一のゲートから開始して拡張していく）層ごとおよび量子ビットごとの階層的な最適化プロトコル（アルゴリズム1）を採用する。この戦略は、「バレン・プラトー（不毛な台地）」問題を緩和し、劣悪な局所解を回避する。
  • ユニタリ投影： 最急降下更新の後、非ユニタリな潜在ゲートは、SVD（$G = UV^\dagger$）を介してユニタリ多様体（$U(2^r)$）へと投影され、実質的に極分解を行う。

主な貢献

1. ハードウェア非依存のオペレーター学習： 単純な1Dの仮定を超え、チップのレイアウト、量子ビット結合性、および長距離のプログラム可能な相互作用を、回路合成プロセスに直接組み込んだフレームワーク。
2. 単一アンシラによるブロックエンコーディング： アンシラの数や、線形結合によるユニタリ（LCU）におけるユニタリの数に比例してスケールする他のアプローチとは対照的に、わずか1つのアンシラ量子ビットを用いて任意の非ユニタリ演算子をエンコードする手法。
3. 誤差抑制のための正則化： 残留行列内のアウトライヤーを抑制することで近似誤差を低減し、より均一な精度を実現する、特定の正則化項の導入。
4. 階層的学習： 回路を漸進的に構築する学習プロトコルにより、グローバルな最適化と比較して収束性と堅牢性（バレン・プラトーに対する耐性）を向上させる。

結果と応用
本フレームワークは4つの異なるアプリケーションにおいて検証され、標準的な鈴木・トロッター（ST）展開およびテンソルネットワーク（TN）ベースの手法に対して優れた性能を示した。

1. 量子シミュレーション（横磁場イジングモデル）：

   • 学習されたバリエーション回路は、標準的なST展開と比較して大幅に改善された誤差スケーリングを達成した。
   • 小さなタイムステップにおいて、学習された回路 $G_1$ の誤差は、1次のST展開よりも約150倍小さかった。
   • 学習された回路 $G_2$ および $G_3$ は、それぞれ $\delta t^{4.26}$ および $\delta t^{5.14}$ の誤差スケーリングを示し、2次のST展開を約3桁上回った。

2. 量子化学（ブタジエンPPPモデル）：

   • 量子ビットにマッピングされた非局所的なフェルミオン相互作用を持つブタジエンのパラサー・パー・ポップ（PPP）モデルに適用。
   • 学習された回路は、テストされたタイムステップ全体で、1次のST展開と比較して誤差を約20%削減した。この特定のハミルトニアンにおけるトロッター化された生成子の疎性が低いため、イジングモデルほど劇的な改善には至らなかった。

3. 工学：差分近似：

   • フレームワークは、ラプラス演算子の2次中央差分近似を学習した。
   • 1D 線形最近傍（LNN）および2D 格子（2DL）の両方のトポロジーを正常に処理した。
   • 2DLアンザッツは、特に大規模なシステムにおいて、長距離相関をより良く捉えることで、LNNのアプローチを一貫して上回った。
   • 階層的戦略と正則化を組み合わせることで、グローバル最適化単独の場合と比較して、目的関数を6桁減少させ、誤差のアウトライヤーを大幅に抑制した。

4. 工学：非粘性ポテンシャル流：

   • NACA 0012翼周りの流れに関するSmith-Hessパネル法から生じる、高密度な非ユニタリ演算子を学習した。
   • 密で構造化されていない行列（TNベースの圧縮を困難にする性質を持つ）にもかかわらず、フレームワークは $10^{-9}$ 前後の相対誤差という高い精度を達成した。
   • 正則化により、高精度を維持しつつ、ブロックエンコーディングの成功確率を $\approx 0.027$ から $\approx 0.047$ へと向上させた。

意義と主張
本論文は、このユニバーサルなフレームワークが、典型的な量子および工学の応用を超えた一般的な問題を解決するための扉を開くものであると主張している。その意義は以下の点にある：

• リソース効率： 標準的な分解法（鈴木・トロッター展開など）よりも高精度でコンパクトな回路表現を提供し、非ユニタリ演算子に対してTNベースの構成よりも少ないアンシラ量子ビットを必要とする。
• 実用性： 離散化された古典的モデルと量子ハードウェアを繋ぐ実用的なプログラミング層として機能し、設計段階でハードウェアの制約を明示的に考慮する。
• 普遍性： 構造化された疎な演算子（量子ハミルトニアン）と、非構造化された密な演算子（工学行列）の両方を学習できることを示しており、幅広い科学計算問題への適用可能性を示唆している。

著者らは、本手法は強力ではあるものの、非常に大規模なシステムに対するスケーラブルな初期化戦略は依然として未解決の課題であり、将りの研究では古典的なメモリコストを削減するためにテンソルネットワーク表現への拡張が含まれる可能性があると述べている。