Structure-Aware Variance Reduction for Unbiased Randomized Hamiltonian Simulation

技術要約：不偏なランダム化ハミルトニアンシミュレーションのための構造適応型分散減少

問題提起
qDRIFTやランダム化積公式（randomized product formulas）といったランダム化ハミルトニアンシミュレーション手法は、ランダムな回路軌道をサンプリングすることにより、決定論的なアルゴリズムに対して補完的なアプローチを提供します。しかし、これらの手法は、系統的なバイアスとサンプリングオーバーヘッドの間の根本的なトレードオフに直面しています。決定論的な積公式（例：トロッター化）は、回路の深さに比例する離散化バイアスを抱えています。一方で、ランダム化手法は統計的な分散を導入します。バイアスのある推定値の場合、分散減少はサンプリングコストを下げることはできますが、固有のバイアスを排除することはできません。逆に、不偏な推定値の場合、分散がモンテカルロ誤差の唯一の源となります。ここでの中心的な課題は、ハミルトニアンおよびターゲットとなる観測量の構造的特性を利用することで、平均チャネルを変更することなく、いかにして不偏なランダム化推定値の統計的分散を低減するかという点です。

手法
本論文では、厳密な時間発展チャネルの不偏な推定値となるよう設計された、準確率的（quasiprobabilistic）なランダム回路プロトコルである**連続時間発展確率角補間（Continuous Time-Evolution Probabilistic Angle Interpolation: Continuous TE-PAI）**を導入し、分析します。

1. Continuous TE-PAI の定式化:

   • 本プロトコルは、固定角のパウリ回転の標識されたポアソン過程をサンプリングします。
   • サンプリングされた物理回路に対し、スカラーの準確率重みを割り当てます。重みの大きさは固定されていますが、その符号は$\pi$回転イベントのパリティによって決定されます。
   • 有限ステップのTE-PAIとは異なり、有限ステップのTE-PAIは（無限の深さと古典的コストへの発散を伴う）無限の深さの極限においてのみ離散化誤差を除去しますが、Continuous TE-PAIは、サンプルあたりの有限のリソースでゼロの離散化誤差を達成します。
   • 不偏性は、(1) ステップ数 $N \to \infty$ における有限ステップTE-PAIの弱極限として、および (2) 厳密な時間発展チャネルのディゾン展開から直接、無限小の寄与のポアソンサンプリングとして解釈することを通じて、厳密に証明されています。

2. 構造適応型分散分解:

   • 著者らは、カウントベクトル（順序を無視した、各基本ゲートが出現する回数）を用いて、軌道の分散を2つの成分に標準的な分解を行う手法を提案しています。
   • 計数成分（Counting Component）: どのゲートがサンプリングされるか（マルチセット）の変動に起因する分散。
   • 順序成分（Ordering Component）: 同じマルチセットにおける異なる順序から生じる残留分散。
   • この分解により、順序成分がハミルトニアンの非可換性（決定論的な誤差における交換子構造に類似）によって支配され、計数成分がサンプリングされたゲートの区別可能性を反映していることが明らかになります。

3. 層化サンプリング（Rao–Blackwellization）:

   • 分散を低減するために、カウントベクトルから導出された統計量に基づく条件付きサンプリング（層化）を採用しています。
   • アルファベットが大規模な場合にはフルカウントベクトルはスケーラブルではないため、著者らはスケーラブルで問題固有の統計量を提案しています：
     • 符号適応型層化（Sign-aware Stratification）: $\pi$回転のパリティによって条件付けを行い、層内での準確率の符号を固定します。
     • 観測量適応型層化（Observable-Adapted Stratification）: ターゲットとなる観測量のライトコーン内にあるハミルトニアン項の局所的なカウントに基づき、ライトコーン外の項についてはグローバルなパリティビットで補完します。

主な貢献

• 不偏プロトコル: Continuous TE-PAIの不偏性の形式的な導出と証明を行い、決定論的なトロッター化が厳密性を得るために無限の深さを必要とするのに対し、離散化誤差を完全に排除する手法であることを確立しました。
• 分散理論: 軌道の分散を、古典的な計数成分と量子的な順序成分へと分解する構造的フレームワークを提供しました。このフレームワークは、非可換性が順序分散の主要な要因であることを特定しています。
• テンソルネットワークの利点: Continuous TE-PAIが、浅いトロッター化されたテンソルネットワークシミュレーションでしばしば見られる非物理的な結合次元の指数関数的増大を回避することを実証しました。離散化誤差を取り除くことで、計算コストを膨張させる誤ったもつれ構造の導入を防いでいます。
• 実用的な分散減少: サンプリングされた量子回路を変更することなく、サンプリングオーバーヘッドを大幅に削減する、スケーラブルな層化戦略（符号適応型および局所性適応型）の開発。

結果
スピン鎖のダイナミクス（横磁場イジングモデルおよび時間依存ハイゼンベルク様モデル）を用いた数値実験により、提案手法の有効性が示されました。

• バイアスの排除: Continuous TE-PAIは、浅いトロッター回路に見られる離散化誤差なしに、深いトロッター化（「カノン」）の結果を再現することに成功しました。
• 結合次元: $n=30$ 量子ビットのテンソルネットワークシミュレーションにおいて、Continuous TE-PAI回路は管理可能な結合次元を維持しましたが、同等の深さのトロッター回路は、離散化に起因する誤差により、必要な結合次元の指数関数的な増大を示しました。
• 分散減少:
  • 小規模なシステム（$n=8$ および $n=12$）では、観測量適応型の局所カウントおよび符号適応型の$\pi$回転層化により、軌道サンプリング誤差が約70%減少し、これは必要なサンプル数の約91%の削減に相当します。
  • テンソルネットワークシミュレーションを用いたより大きなシステム（$n=30$）では、より粗い観測量適応型統計量を用いることで、軌道サンプリング誤差が約80%減少し、サンプリングコストの約96%の削減につながりました。
  • これらの削減は、無視できる程度のバイアスを維持しながら達成されました。

意義と主張
本論文は、構造適応型の分散減少が、不偏なランダム化ハミルトニアンシミュレーションの効率を向上させるための実用的な経路を提供すると主張しています。層化によって統計的コストを最悪ケースの$\ell_1$ノルム境界からデカップリングすることで、本手法は問題固有の構造（交換関係、局所性、観測量のサポート）を活用し、サンプリングオーバーヘッドの定数倍の削減を実現します。

著者らは、最適な層化スキームは問題依存であるものの、提案されたフレームワークはそのようなスキームを設計するための基礎を提供するものであると強調しています。この研究は、単純な層化戦略であっても大幅な利点をもたらす可能性があり、さらなる改善は適応的なサンプル割り当てや、特定のハミルトニアンや観測量へのさらなる適合化から得られることを示唆しています。本論文は、これらの手法を、サンプリングされる量子回路自体を変更することなく、qDRIFTやランダム化積公式を含む様々なランダム化シミュレーション手法に適用可能な、一般的な古典的分散減少レイヤーとして位置付けています。