Time-dependent multiparameter estimation for quantum experiments via online-offline sequential Monte-Carlo method

技術要約：オンライン・オフライン逐次モンテカルロ法による量子実験のための時間依存型多パラメータ推定

問題提起
時間依存する多パラメータのダイナミクスを信頼性高く推定することは、量子技術の応用、特に物理パラメータが時間とともにドリフトする実験的実現において不可避な要件である。連続的な量子測定に基づくパラメータ推定は、ベイズ推定から機械学習に至る手法を用いて広く研究されてきたが、既存の手法はオンライン処理とオフライン処理の間のトレードオフに直面している。オンライン手法はリアルタイムの更新を提供するが、レイテンシや検出タイムスケールによる制約を受け、非常にノイズの多いデータや高速な検出レートに対して脆弱である。一方、オフライン手法は、データの時間的制約なしに処理を行うため高い精度を提供するが、新しいデータを用いて推定値を反復的に更新することができず、リアルタイムの追跡には適さない。著者らは、現実的な量子実験における特定の課題、すなわち、標準的なオンライン手法が失敗する可能性のある高速かつノイズの多い検出レジーム下で動作しながら、緩やかなパラメータのドリフトを追跡する必要性を指摘している。

手法
本論文では、測定解像度とパラメータ・ドリフトの中間的なタイムスケールで動作するように、オンライン技術とオフライン技術を融合させたハイブリッド推定法を提案している。この手法の核となるのは、拡張された逐次モンテカルロ（SMC）サンプラーであり、これは逐次重要サンプリング（SIS）の効率性とSMCサンプラーの汎用性を組み合わせ、さらに「タイムバッチ」推定技術によって強化されている。

1. ハイブリッドSMCフレームワーク:

   • メインアルゴリズム (SIS): 著者らは、ゼロノイズ（静的）遷移モデルを用いたSISを主要なエンジンとして利用している。これはステップ間においてパラメータが一定であることを仮定しており、効率的な再帰的重み更新を可能にする。
   • リサンプリング・ステップ (SMCサンプラー): パーティクル・デジェネラシー（粒子の枯渇）に対処し、特定の遷移ノイズモデルに依存せずに収束を確保するために、SMCサンプラーがリサンプリング・ステップとして採用されている。これには、低重みの粒子を排除する「選択（selection）」フェーズと、パラメータ空間を探索するために防御戦略（混合共分散）を用いたガウス平滑カーネルを用いて粒子を摂動させる「移動（move）」フェーズが含まれる。

2. バッチ推定とクラウス写像:

   • 高いノイズと計算の複雑さを処理するために、連続測定データをバッチに分割する。各バッチ内では、複数のノイズを含む軌跡を平均化して「バッチ平均化」された信号を作成し、実質的に信号対雑音比（SNR）を高める。
   • 著者らは、これらのバッチ平均化された信号に対して、非常に効率的な近似**クラウス写像（Kraus map）**を導出している。この写像は、平均化された測定結果を用いてシステムの密度行列を進化させ、軌跡平均のダイナミクスを近似する。これにより、アルゴリズムは連続的な生データを処理する場合と比較して計算コストを抑えつつ、バッチを単一の、よりノイズの少ない観測ステップとして扱うことができる。

3. 実装と検証:

   • アルゴリズムは、2つの超伝導量子ビットセットアップ（連続蛍光測定下のトランスモン量子ビット、および分散型z測定下のトランスモン）の実験データに実装された。
   • ハイパーパラメータ（粒子数、バッチサイズ、リサンプリング閾値）は、独立した数値シミュレーションを通じて最適化された。
   • 実験ではグラウンドトゥルース（真の値）となるパラメータに完全にはアクセスできなかったため、精度検証のために信号再構成法を導入した。これは、推定されたパラメータを用いて測定信号をシミュレーションし、実際の実験的な生信号と二乗平均平方根誤差（RMSE）を用いて比較するものである。

主な貢献

• ハイブリッド・アルゴリズム: バッチ推定をパーティクル・フィルタリングおよびSMCサンプリングと統合した、モジュール式のハイブリッドSMCアルゴリズムの開発。このアプローチにより、ノイズを軽減するためのオフライン平均化技術を活用しながら、パラメータ・ドリフトのオンライン追跡が可能になる。
• 効率的なクラウス写像の近似: バッチ平均化された軌跡に対する近似クラウス写像の導出（付録Aに詳述）。これは、パラメータ推定の精度を維持しつつ、厳密な形式よりも計算効率が高い。
• モジュール式の導出: 量子パラメータ推定に特化したSMC手法（パーティクル・フィルタおよびSMCサンプラー）の、実践的かつステップ・バイ・ステップの定式化。これにより、これらの技術を非専門家でも利用可能にすることを目指している。
• 実験的検証: 実世界の超伝導量子ビットデータへのアルゴリズムの適用。これにより、特定のシナリオにおいて標準的な校正法を上回る性能を示すことが実証された。

結果

• 蛍光測定: トランスモン蛍光データセットにおいて、アルゴリズムによる推定パラメータ（ラビ周波数、緩和率、測定効率、および信号バイアス）は、標準的な校正法と比較して、より低いRMSE（0.3699 vs 0.7465）を持つ再構成信号を生成した。推定されたパラメータは概ね校正範囲と一致していたが、信号バイアスの推定においてより高い信頼性を示しており、これは標準的な校正値に不正確さがある可能性を示唆している。
• 分散型z測定: 分散型測定のケースでは、アルゴリズムは、データの17番目のバッチの後に発生した、総信号バイアス（$\check{V}_{off}$）の予期せぬ突然のジャンプを正常に検出した。静的なパラメータを仮定する標準的な校正法は、この動的な変化を捉えることができなかった。また、アルゴリズムは実験の後半段階において、他のパラメータについても校正と同等の精度を示した。
• パラメータ識別: 本研究は、分散型ケースにおけるパラメータ識別問題、すなわち測定効率（$\eta$）と測定率（$\Gamma$）が尤度等高線上で積（$\beta = \eta\Gamma$）として現れる問題を浮き彫りにした。これにより、個々の推定値にドリフトが生じたが、これは説明されていない環境効果（$T_2$ デフェージングなど）やモデルの限界に起因するものと考えられる。

意義と主張
本論文は、提案されたハイブリッド手法が、検出解像度とパラメータ・ドリフトの中間のタイムスケールで動作することにより、測定ノイズを効果的に低減しつつ、オンライン推定結果を出力できる能力を維持すると主張している。著者らは、提案するアルゴックリズムが、蛍光ケースにおいて標準的な校正法よりも優れたシステムパラメータ推定が可能であり、決定的なことに、静的な校正法が見逃してしまう隠れた時間依存のダイナミクス（パラメータのジャンプなど）を特定できると断言している。

本研究は、実務者が適応可能なモジュール式フレームワークを提供することで、量子実験のための実践的なツールとしての地位を確立している。著者らは、SMC手法は理論的には最適であるが、現在の実装は簡略化されたバージョンであることを謙虚に認めている。今後の改善策として、よりスマートな提案分布、より高度なリサンプリング・アルゴリズム、洗練されたダイナミカル・モデル（高次項や追加の環境効果の組み込み）、および平滑化技術の統合などが挙げられている。さらに、ナノ秒からマイクロ秒の時間スケールの実験におけるフィードバック制御を可能にするために、FPGAのようなハードウェア上でのリアルタイム実装に向けたアルゴリズムの簡素化が必要であるとも述べている。