技術要約：局所リンドブラディアンの近最適学習

問題設定

本論文は、開いた量子系の動力学的な法則を学習するという根本的な課題に取り組んでいる。孤立系はハミルトニアンによって支配されるが、現実的な系は環境と相互作用し、デコヒーレンスを記述するリンドブラディアン生成子 $\mathcal{L}$ を引き起こす。目標は、未知の $k$ 局所リンドブラディアン（$n$ 量子ビットに対して作用）のすべてのハミルトニアン係数 $\{h_a\}$ および散逸係数 $\{\gamma_{ab}\}$ を、ブラックボックスとして与えられるみの関数 $\{e^{t\mathcal{L}}\}_{t\geq 0}$ のみから推定することである。

この問題は、物理的な局所性によって制約されている。リンドブラディアンは、最大 $k=O(1)$ 個の量子ビットに作用する項で構成される。さらに、本論文では有界な散逸サイト次数（$\mathfrak{d}_{\text{dis}} = O(1)$）を仮定している。これは、各量子ビットが限定された数の散逸項に参加していることを意味する。複雑性は、以下の2つのリソースによって測定される：

1. チャネル使用回数： 未知のチャネルにアクセスする回数。
2. 総進化時間 ($T_{\text{tot}}$)： システムが進化した累積時間。

学習対象は、すべての係数に対する $\ell_\infty$ 誤差境界 $\varepsilon$ である。

手法

提案されるアルゴリズムは、**非適応的（non-adaptive）**であり、補助量子（ancilla）を用いず、単純な実験的プリミティブ（ランダムな積状態の準備とランダムな単一量子ビット・パウリ測定）に依存している。学習プロセスは、3つの明確な段階に分かれている。

1. 有限時間パウリ転送行列（PTM）成分の推定

アルゴリズムは生成子 $\mathcal{L}$ に直接アクセスすることはできず、$e^{t\mathcal{L}}$ を観測する。まず、連続時間PTMの成分 $R_{vw}(t) = 2^{-n}\text{tr}(P_v e^{t\mathcal{L}}(P_w))$ （ここで $P_v, P_w$ はパウリ演算子）を推定する。

• シャドウ・プロセス・トモグラフィ： アルゴリズムは、補助量子を用いないシャドウ・プロセス・トモグラフィ・プロトコルを採用している。ランダムな単一量子ビットの積状態を準備し、短時間 $t_j$ だけ進化させ、ランダムなパウリ基底で測定を行う。
• 効率性： 単一のショットのバッチにより、すべての $k$ 局所PTM成分の不偏推定量が同時に得られる。これらの推定量の分散は、局所性 $k$ によって制御される。

2. チェビシェフ補間による微分

生成子の成分 $L_{vw}$ は、PTMの $t=0$ における時間微分 $R'_{vw}(0)$ に対応する。

• 端点微分： アルゴリズムは、短い区間 $[0, T]$ 内のチェビシェフ・ロバト・ノード $t_j$ において $R_{vw}(t)$ を推定する。
• 安定性： チェビシェフ・スペクトル微分を用いることで、境界 $t=0$ における微分を近似する。
• 局所的な強度の境界： 重要な技術的洞察は、微分における誤差が、グローバルなシステムサイズではなく、局所的な動力学的強度 $\lambda_{\text{loc}}$（単一量子ビット上の最大相互作用強度）に依存することである。$T = O(1/(k\Lambda))$ と設定し、対数個のノードを使用することで、補間バイアスは $\varepsilon$ 未満に抑制される。

3. 局所フーリエ反転とデエイリアシングによる係数回復

推定されたPTM生成子の成分 $\{L_{vw}\}$ を、物理的な係数 $\{h_a, \gamma_{ab}\}$ に変換しなければならない。

• ウォルシュ・アダマール変換： PTM成分から $\chi$ 行列（係数をエンコードするもの）への写像は、局所領域における局所的なウォルシュ・アダマール変換（離散フーリエ変換）へとデカップルされる。決定的なことに、アダマール行列は直交しており、条件数が 1 であることを保証する。これにより、誤差の増幅を防ぎ、従来のアンザッツフリーの手法で見られるインスタンス依存のコンディショニングのボトルネックを回避できる。
• 閾値付きデエイリアシング： 局所的な反転によって、同じ局所的サポートを共有するすべてのグローバルな拡張（エイリアス）の和が得られるため、アルゴリズムは「ピーリング（皮剥き）」再帰を採用する。サポートを大きいものから小さいものへと順次処理し、閾値を用いた手順を用いて、より大きなエイリアスの寄与を差し引く。有界な散逸サイト次数により、エイリアスの数は定数に保たれるため、誤差の膨張は定数倍の範囲内に抑えられる。

主な結果

上界（アルゴリズムの性能）

有界な散逸サイト次数と局所的な動力学的強度 $\Lambda$ を持つ $k$ 局所リンドブラディアンに対して：

• チャネル使用回数： アルゴリズムは $\tilde{O}(\Lambda^2 / \varepsilon^2)$ 回のチャネル使用を必要とする。
• 総進化時間： 総時間は $\tilde{O}(\Lambda / \varepsilon^2)$ でスケールする。
• システムサイズへの依存性： スケーリングは量子ビット数 $n$ に対して対数的にのみ依存する。
• 実験の簡便性： プロトコルは、補助量子、適応的制御、およびランダムな積状態とパウリ測定のみを使用する。

下界（最適性）

著者らは、一致する情報理論的な下界を証明し、アルゴリズムが近最適であることを示している：

• チャネル使用量の下界： 任意の補助量子、もつれ操作、および適応戦略を使用するアルゴリズムであっても、$\Omega(\Lambda^2 / \varepsilon^2)$ 回のチャネル使用を必要とする。
• 進化時間の下界： いかなるアルゴリズムも $\Omega(\Lambda / \varepsilon^2)$ の総進化時間を必要とする。
• 困難なインスタンス： 下界は、単一量子ビットのデフェージング・ファミリーから導出される。$\Theta(\varepsilon)$ だけ離れた2つのデフェージング率を区別することは、より少ないリソースでは情報理論的に不可能であることが示されている。

意義と主張

本論文は、リンドブラディアン学習における理論的な厳密さと実験的な実現可能性のトレードオフを解決したと主張している：

1. 近最適性： アルゴリズムは、無制限の量子リソースを持つ適応的プロトコルに対しても、チャネル使用量と総時間の両方において最適なスケーリング（対数因子を除いて）を達成しており、基礎的な限界に一致している。
2. 実験の容易さ： 複雑なもつれ状態や適応的フィードバックを必要とする多くの理論的に最適なプロトコルとは異なり、本手法は単純で非適応的な積状態入力と単一量子ビット測定のみを使用する。
3. 事前知識なしでの安定性： 本手法は、リンドブラディアンのサポートを事前に知ることなく係数を回復する。PTMから係数への変換は安定しており（条件数 1）、一般的な逆問題で起こり得る指数関数的な誤差増幅を回避している。
4. 基礎的な限界： 本研究は、ハミルトニアン学習と完全なリンドブラディアン学習の間の鋭い区別を確立している。ハミルトニアン学習はハイゼンベルク限界のスケーリング（$O(1/\varepsilon)$）を達成できる一方で、散逸係数が存在すると、スケーリングは標準量子限界（$O(1/\varepsilon^2)$）へと強制される。これは、単純な単一量子ビットのデフェージングであっても、散逸係数を推定しなければならない場合には、ハイゼンベルク限界のスケーリングが情報理論的に不可能であることを意味している。

著者らは、この研究を、物理的に重要な局所的領域における、ノイズの多い量子デバイスの特性評価、エラー診断、および設計された散逸の検証のための厳密なソリューションとして位置づけている。