技術要約：効率的かつSPAMに頑健なアンザッツフリーのリンドブラジアン学習

問題設定

開いた量子系の特性評価は、フォールトトレラントな量子計算にとって不可欠である。無雑音のユニタリ系に対するハミルトニアン学習はよく研究されているが、現実世界の量子デバイスは本質的に散逸的であり、ノイズの影響を受ける。このような開いた系のダイナミクスは、リンドブラジアン生成子 $\mathcal{L}$ によって記述される。既存のリンドブラジアン学習手法は、主に2つの課題に直面している：

1. 計算の困難性： 多くのアルゴリズムは構造的な仮定（例：局所性）に依存しているか、あるいは最悪の場合、量子ビット数に対して指数関数的にスケールする線形システムの解法を必要とするため、大規模なシステムには実用的ではない。
2. SPAMへの敏感性： 状態準備および測定（SPAM）エラーは、学習プロトコルを著しく劣化させる。ある程度の頑健性は存在するものの、一般的な手法は指数関数的なオーバーヘッドを伴うことが多い。さらに、SPMノイズはゲージの自由度を導入し、異なるリンドブラジアンを操作的に区別不能にし、生成子の特定の成分を根本的に学習不可能にする。

本論文では、以下の問いに取り組む：構造的な仮定なしに、効率的な進化時間と多項式時間の古典的後処理を用いてリンドブラジアンを学習できるか？ 一般的なSPAMエラーが存在する場合、リンドブラジアンのどの成分が学習可能であり、それらを効率的に抽出できるか？

手法

1. 無雑音学習 (第3章)

著者は、指数関数的なサイズの線形システムの解決を回避するために、**ベルサンプリング（Bell sampling）を活用したアンザッツフリー（ansatz-free）**なアルゴリズムを提案する。

• サポート学習： アルゴリズムは、$n$ 個のベル対を用いたベルサンプリングを利用して、リンドブラジアンのサポートを探索する。ベル状態をチャネル $e^{t\mathcal{L}}$ の下で進化させ、ベル基底で測定することで、特定のパウリ演算子 $P_k$ がサンプリングされる確率は、カイ行列（Chi matrix）の対角成分 $\chi_{kk}$ に比例する。
  • 散逸子（Dissipator）のサポート： 小さな $t$ において、確率 $\approx \chi_{kk}t$ でサンプリングされる。
  • ハミルトニアンのサポート： 確率 $\approx \text{Im}[\chi_{k0}]^2 t^2$ でサンプリングされる。アルゴリズムは、テイラー展開の誤差を制御しつつハイゼンベルク限界のスケーリングを維持するために、異なる進化時間（散逸子に対しては $t \sim O(\epsilon/M^2)$、ハミルトニアンに対しては $t \sim O(\epsilon^2/M^4)$）を用いる。
• 係数学習： サポートが特定された後、アルゴリズムは係数を推定する：
  • 対角要素： ベルサンプリングの結果の頻度を通じて直接推定される。
  • 非対角要素： ベルサンプリングの前に、特定のクリフォード演算子またはアイソメトリ（クラウス演算子）を適用することによって抽出される。これらの変換は、非対角項を対角オブザーバブルへと混合させ、これによりサンプリング確率の線形結合を通じて実部および虚部を回収することが可能になる。
• 複雑性： アルゴリズムは、総進化時間 $T = \tilde{O}(M^4/\epsilon^4)$ （ここで $M$ はリンドブラジアンのスパース性）において $\epsilon$ 精度の精度を達成する。古典的な後処理は多項式時間である。

2. SPAMに頑健な学習 (第4章)

SPAMエラーに対処するため、本論文はパウリ・トウィリング（Pauli twirling）とゲージ解析に基づくフレームワークを導入する。

• ゲージの自由度： 著者は、SPAMノイズによって誘発されるゲージの自由度を厳密に特徴付ける。一般のSPAMエラーの下では、カイ行列の特定の成分が学習不可能であることが証明されている：
  • $[P_i, P_j] = 0$ （可換）の場合の $\text{Re}[\chi_{ij}]$。
  • $\{P_i, P_j\} = 0$ （反可換）の場合の $\text{Im}[\chi_{ij}]$。
    これらの成分は、実験結果を変えることなく、グローバルな脱分極チャネルを含むゲージ変換によって任意にシフトさせることができる。
• 学習可能な成分： 残りの「ゲージ不変」な成分は学習可能である。
• プロトコル：
  • トウィリング： リンドブラジアンの進化は、チャネルをパウリ・トウィリングすることによって近似される。これにより、非対角成分の寄与が抑制され、問題はパウリ・リンドブラジアンの学習へと変換される。
  • 固有値推定： パウリ演算子の固有状態を準備し、異なる時刻での減衰率を測定することで、トウィリングされたチャネルの固有値を推定する。これらの固有値の比は、SPAMエラーの寄与を相殺する。
  • 圧縮センシング： スパース性を扱うために、$\ell_1$ 最適化を用いた圧縮センシング問題を用いて係数を回収する。
  • ハミルトニアン項： ハミルトニアン項の学習は、トウィリングによる抑制を受けるため、二次解析（$t^2$ に比例）を必要とし、より高いサンプル複雑性をもたらす。

主な結果

1. 無雑音学習

• 結果： スパースで、潜在的に非局所的なリンドブラジアンを学習するための、効率的なアンザッツフリー・アルゴリズム。
• 性能： 進化時間 $T = \tilde{O}(M^4/\epsilon^4)$ で $\epsilon$ 精度を達成する。
• 意義： これは、局所性を仮定することなく多項式時間の古典的後処理を実現し、最近の微分ベースのアプローチのサンプル複雑性と一致しつつ、それらの指数関数的な古典的オーバーヘッドを回避した初めてのアルゴリズムである。

2. SPAMに頑健な学習

• 結果 1（学習不可能性）： 定数オーダーのSPAMノイズの下では、カイ行列の特定の実部および虚部が根本的に学習不可能であることを示す厳密な特徴付け。
• 結果 2（一般的プロトコル）： すべてのゲージ不変な成分を、進化時間 $T = \tilde{O}(M^{13}n/\epsilon^8)$ で学習できる効率的なプロトコル。
• 結果 3（既知のサポート）： リンドブラジアンのサポートが事前に既知である場合（例：$k$-局所性の仮定による）、古典的後処理は多項式時間となり（$\ell_1$ から $\ell_2$ 最適化への変換）、進化時間は $T = \tilde{O}(M^5 n/\epsilon^3)$ に改善される。

意義と主張

本論文は、多項式時間の古典的後処理を備えた、最初の効率的なアンザッツフリー・リンドブラジアン学習アルゴリズムを提供すると主張している。さらに、ゲージの自由度の厳密な特徴付けを行ったこと、および、定数オーダーのSPAMエラーの下でゲージ不変な成分を任意の精度で学習できる、最初の効率的なSPAMに頑健なプロトコルを提供することを主張している。

本研究は、SPAMノイズが学習可能性に根本的な限界を課す（特定の成分を観測不能にする）一方で、残りの物理パラメータは効率的に回収できることを浮き彫りにしている。著者は、ノイズ環境下でのハミルトニアン学習における現在のボトルネックは $1/\epsilon^8$ のスケーリングであり、これはプルーニー（Prony）法や近似的逆転などの手法によって改善できる可能性があるが、そのような改善は未解決の課題であると述べている。

結論として、リンドブラジアンの枠組みはマルコフ的なダイナミクスに限定されるものの、これらの手法は、構造的な仮定なしにスパースで非局所的なエラーモデルを特性評価するための経路を提供し、マルコフ・ランダム場における量子優位性の獲得を可能にする可能性がある。著者は、同様のアンザッツフリー学習を探索している[38]の並行した独立した研究についても言及している。