技術要約：テンソルネットワークによる読み出し誤差の特性評価と緩和

問題提起

読み出し誤差（Readout errors）は、近未来の中規模量子（NISQ）デバイスにおける支配的なノイズ源であり、期待値推定、トモグラフィー、サンプリング・ベンチマークといったタスクにおいて、古典的な測定結果を直接歪め、バイアスを与えます。標準的な読み出し誤差緩和（REM）の手法は、理想的な分布をノイズのある分布へと写像する古典的な遷移行列 $\Lambda$ を通常、特性評価します。しかし、$\Lambda$ の完全な特性評価は、システムサイズに対して指数関数的（$2^N \times 2^N$）にスケールします。これを回避するため、既存の手法ではしばしば、独立した単一量子ビットの読み出しプロセス（無相関モデル）を仮定します。これらの因子分解モデルは、クロストーク、共有制御ライン、およびハードウェア固有のメカニズムによって誘発される空間的な相関を無視しています。このような相関は、実際のデバイス、特に非局所的な観測量や大規模なサンプリング・タスクにおいて無視できないことが多く、無相関な緩和戦略の性能を制限しています。

手法

著者らは、読み出し誤差行列 $\Lambda$ を**行列積演算子（MPO）**としてモデル化する、統一されたテンソルネットワーク・フレームワークを提案しています。この表現は、局所的および短距離の相関を多項式複雑度で自然に捉えることができます。

1. MPO学習による特性評価

• 表現: 読み出し誤差行列 $\Lambda_{x,y}$ （真の状態が $y$ であるときの出力 $x$ の確率）は、$|\text{Tr}(M^{[1]}_{x_1,y_1} \cdots M^{[N]}_{x_N,y_N})|^2$ として表現されます。ここで、$M^{[k]}$ は有限のボンド次元 $\chi$ を持つ局所テンソルです。これにより、行列要素の正値性が保証されます。
• 正規化: 行列積ユニタリ（MPU）とは異なり、MPOモデルは行和が1であること（$\sum_x \Lambda_{x,y} = 1$）のみを要求します。これは、古典的な確率過程に適した、より緩い条件です。
• 学習: MPOパラメータは、校正データ（生成および測定された積状態）を用いて、尤度ベースの最適化により直接学習されます。損失関数は、正規化制約を強制するためのペナルティ項を伴う負の対数尤度を最小化します。勾配は、テンソルネットワークの縮退を通じて効率的に計算されます。

2. 緩和戦略

本フレームワークは、学習されたMPOモデルを様々なREMタスクに統合します。

• 非局所的観測量: 理想的な期待値 $\langle O \rangle_{ideal}$ は、観測量（MPSとして表現）を読み出し誤差行列の逆行列（$\Lambda^{-1}$）と縮約させることで推定されます。逆行列は、$\|\Lambda \Omega - I\|_F^2$ を最小化する単一層のMPOを用いて、変分的に近似されます。
• グローバル・サンプリング: ノイズのあるサンプルから理想的な分布 $P_{ideal}$ を復元するために、変換 $P_{noisy} = \Lambda P_{ideal}$ の下での観測データの尤度を最大化することにより、$P_{ideal}$ のMPSモデルを学習します。
• ランダム測定: クラシカルシャドウや学習ベースのトモグラフィー（例：局所純化密度演算子（LPDO）を用いたもの）のようなタスクでは、読み出し誤差モデルが最適化目的に直接組み込まれます。サンプルを後処理する代わりに、尤度関数は、読み出し誤差行列 $\Lambda$ で重み付けされた真の状態を合計するように修正されます。
• 量子誤り訂正（QEC）デコーディング: 2D表面符号において、MPOモデルは**投影もつれ対演算子（PEPO）**へと一般化されます。読み出し誤差モデルは、デコーダのテンソルネットワーク（PEPS）と局所的に融合され、データ誤差と読み出し誤差の共同推論を実行します。これにより、シンドロームの読み出しを、ハードな多数決ビットではなくソフト情報入力として効果的に扱います。

主な結果

実験的検証（超伝導プロセッサ）

実験は、Baihua超伝導量子チップ（Quafuプラットフォーム）を用い、6量子ビット鎖を使用して行われました。

• 相関の捕捉: MPOモデル（$\chi=4$）は、完全な誤差行列 $\Lambda_{Full}$ の特性評価において、無相関な積モデルを一貫して上回りました。MPOモデルは、完全な特性評価からの相対距離が $\approx 0.043$ であったのに対し、無相関モデルは約 $\approx 0.074$ であり、標準的なモデルが見逃す相関的なノイズを捉える能力があることを示しました。
• 非局所的観測量: 7量子ビットクラスター状態を用いた実験において、MPOベースのREMは、特に誤差が顕著になる長いストリングにおいて、非局所的なストリング秩序パラメータの推定を大幅に改善しました。

数値シミュレーション

• スケーラビリティ: 最大 $N=20$ 量子ビットまでのシミュレーションでは、MPOモデルを学習するために必要なサンプルコストは、システムサイズに対してほぼ線形にスケールすることが示されました。これは、完全な特性評価に伴う指数関数的なコストとは対照的です。
• グローバル・サンプリング: ランダム回路サンプリングにおいて、本手法はCross-Entropy Benchmarking (XEB) のフィデリティを向上させました。新しい理想的なサンプルを生成するには指数関数的に増大するボンド次元を持つMPSが必要ですが、本手法はテンソル縮約を用いて、ノイズのあるサンプルから直接XEBフィデリティを推論することに成功し、明示的なサンプリングなしに読み出しバイアスを排除しました。
• ランダム測定: 1D XYモデルのギブス状態のクラシカルシャドウ推定およびLPDOベースのトモグラフィーにおいて、REM手法は、未緩和の手法と比較して磁化推定のバイアスを大幅に減少させ、密度行列の再構成を改善しました。
• QECデコーディング: 距離 $d=7$ の回転表面符号を用いたシミュレーションでは、PEPOを融合したデコーダが、標準的なデコーダと比較して、特に読み出し反転率が高い領域において、論理エラー率を大幅に減少させました。本手法は、繰り返し測定からのソフト情報を効果的に利用し、多数決アプローチよりも優れた性能を示しました。

意義と主張

本論文は、テンソルネットワークによる読み出し誤差緩和が、スケーラブルで汎用性の高いアプローチであることを確立しています。その主な貢献は以下の通りです：

1. 統一されたフレームワーク: 局所的な観測量からグローバルなサンプリング、さらにはQECデコーディングに至るまで、多様なアプリケーションにおいて相関のある読み出し誤差を扱う、単一のMPO/PEPO形式を提供します。
2. 効率性: 無相関モデルが見逃す相関を捉えつつ、完全な誤差特性評価に伴う指数関数的なオーバーヘッドを回避します。サンプル複雑度はシステムサイズに対してほぼ線形に成長します。
3. 実用性: 実機での実験結果は、相関のある読み出し誤差が重要であること、およびMPOモデルがそれらを効果的に緩和できることを裏付けています。
4. 統合性: 本フレームワークは、単なる後処理ステップとしてではなく、既存のアルゴリズム（クラシカルシャドウやQECデコーダなど）に組み込めるビルディングブロックとして設計されています。

著者らは、この手法が、測定クロストークを統一されたテンソルネットワーク推論問題として扱うことを可能にすることで、近未来および将来のフォールトトレラント量子デバイスから信頼性の高い物理情報を抽出するための有望な道筋を提供すると結論付けています。