Leveraging Metrologically Useful States in Quantum Reservoir Networks

技術要約：量子リザーバネットワークにおける計量的に有用な状態を活用した潜在空間のPDE予測

問題提起
カオス的な偏微分方程式（PDE）、具体的には高次元の1次元クラブニ・シバシンスキー（KS）系の予測は、量子コンピューティングにとって大きな課題となっている。従来のアプローチは、入力データの次元数と、ノイズのある中規模量子（NISQ）ハードウェアの制約という両面で困難に直面している。高次元データを量子回路に埋め込むことは困難であり、振幅エンコーディングは対数スケールのスケーリングを実現する一方で、リザーバコンピューティングに必要な持続的なメモリを持つ連続的な量子状態の進化を促進できない。対照的に、角度エンコーディングは連続的な進化とは互換性が高いものの、現在のハードウェアで利用可能な量子ビット数の制限により、高次元入力の処理には苦慮する。さらに、既存の量子リザーバコンピューティング（QRC）の実装の多くは、低次元のシステムに焦点を当てているか、あるいは複雑なカオス力学に対して十分な表現力を欠く可能性のある疎なユニタリ操作を利用している。

手法
著者らは、KS系の潜在空間表現を予測するために設計されたハイブリッド古典-量子フレームワークを提案している。このアーキテクチャは、主に2つのコンポーネントで構成される：

1. 古典オートエンコーダ： 128自由度（DOF）を持つKS系と現在の量子ビット制限との間の次元の不一致に対処するため、畳み込みオートエンコーダが採用されている。このネットワークは、128次元の入力データを4次元の潜在空間表現へと圧縮する。オートエンコーダはシグモイド活性化関数を使用し、潜在変数を区間 $[0, 1]$ 内に制約することで、量子ネットワークの重み初期化スキームとの整合性を確保している。
2. 量子リザーバネットワーク（QRN）： 圧縮された潜在データはQRNに入力される。著者らは、先行研究[3]に見られる標準的なQRN設計に対して、いくつかのアーキテクチャ上の変更を加えている：
   • 計量的に有用な状態準備： システムを標準的な $|0\rangle^{\otimes n}$ 状態で初期化する代わりに、ネットワークは毎ステップごとにGHZ（グリーンバーガー・ホーン・ザイラー）ユニタリを適用する。これにより、対称な重ね合わせ状態 $((|0\rangle^{\otimes n} + |1\rangle^{\otimes n})/\sqrt{2})$ が生成される。これは、計算基底全体に振幅をより均一に分散させ、正確な確率密度再構成に必要な測定回数を削減すると仮定されている。このアプローチは、量子計量学におけるGHZ状態に関連するハイゼンベルク・スケーリングの感度を活用している。
   • 表現力豊かなエンコーディング： 入力エンコーディングスキームは、すべての単一量子ビット回転ゲートに対して固有の重みを利用する。2量子ビットゲート（CNOTを除く）は、入力依存の回転とバイアス回転の両方を受け取る。
   • 重みの初期化： 特定の初期化スキームにより、真の多体量子もつれの生成を保証する。重みは、個々のデータポイントがネットワークを過度に摂動させないよう、データ次元数と再アップロードブロック数によってスケーリングされた一様分布からサンプリングされる。
   • ハードウェアの最適化： 回路設計では、制御回転（CRZ）レイヤーから非隣接操作を除去することでIBM Heron QPU向けに最適化し、SWAP操作の必要性を排除している。
   • 弱測定スキーム： ネットワークは再帰的構造を採用しており、各ステップで「リードアウト（読み出し）」量子ビットに対して部分的な測定を行う一方で、「メモリ」量子ビットは保持およびリセットされ、システムのメモリを維持する。

主な貢献

• 新規な状態準備： 量子機械学習パイプラインの性能向上と感度を高めることを目的として、QRN内にGHZ状態準備を統合し、「計量的に有用な状態」を作成した。
• ハイブリッドPDE予測： 古典的な次元削減（オートエンコーダ）と量子リザーバネットワークを組み合わせることで、128次元のカオス的なKS系の予測に成功した。
• アーキテクチャの改善： 2量子ビットゲートへの入力依存回転の導入と、多体量子もつれを保証する特定の重み初期化スキームにより、より表現力豊かな入力・出力マッピングを実現した。
• 計量学的分析： QRN構成の量子フィッシャー情報量（QFI）の調査を行い、性能向上がGHZ状態の計量学的特性に関連していることを示した。

結果
提案された手法は、Aerシミュレータを備えたDGX-A6000クラスター上で、16量子ビットの回路を用いて評価された。

• 予測精度： GHZ状態準備を用いたQRNは、テストセットの潜在空間において0.0162の平方根平均二乗誤差（RMSE）を達成した。この低い誤差により、デコーダは元のKS PDEを極めて高い精度で再構成でき、グラウンドトゥルース（真値）とほぼ同等の性能を示した。
• ベースラインとの比較：
  • 代替QRNとの比較： GHZを有効にしたQRNは、代替のQRN実装（GHZなし、疎なQRN、またはランダム状態準備を用いたものを含む）よりも、桁違いに優れた性能を示した。
  • 古典的エコーステートネットワーク（ESN）との比較： 8ノードおよび256ノードの古典的ESNと比較して、QRNは優れた汎化能力を示した。特筆すべきは、QRNは（偏りのない線形回帰を用いて）何の正則化も行わずに最高の性能を達成したのに対し、古典的ESNは過学習を防ぐためにリッジ正則化を必要とした点である。
  • タイムホライゾン・スケーリング： 予測タイムホライゾンを $t+1$ から $t+10$ へと延長した場合でも、QRNは（特に正則化なしの設定において）古典的モデルよりも優れた汎化性能を維持した。
• 量子フィッシャー情報量（QFI）： 分析の結果、GHZ状態準備を用いたQRNは、疎なQRNや標準的なQRNと比較して、パラメータあたりのQFIが向上していることが示され、計量的に有用な状態がネットワークの感度を高めるという仮説を支持した。
• ショット・スケーリング： パフォーマンス分析により、GHZ有効化QRNは、他の構成と比較して正確な分布に収束するために必要なショット数が少ないことが示されたが、ほとんどの回路において、性能向上は500,000ショット以降でプラトー（停滞）に達した。

意義と主張
本論文は、提案されたハイブリッドアプローチが、古典的な機械学習と量子計量学の両方の進歩を活用して、高次元のカオス的PDE予測タスクを解決することに成功したと主張している。著者らは、QRN内に計量的に有用な状態（GHZ状態）を使用することが、標準的なQRC設計や特定の古典的モデルと比較して、特に正則化なしでの汎化能力において、具体的な性能向上をもたらすと断言している。

しかし、著者らはより広範な影響については慎重なトーンを維持している。彼らは重要な懸念事項として、古典的なオートエンコーダの使用が、カオス的なKS系の力学を「準線形化」させている可能性があることを挙げている。この線形化は予測タスクを単純化するため、QRNの成功がその量子特性によるものなのか、あるいは単純化された潜在空間によるものなのかを切り分けることを困難にしている。著者らは、より多くの量子ビットを扱える将来の誤り耐性量子コンピュータがあれば、オートエンコーダを取り除き、高次元システムを直接予測することで、量子優位性をより明確に評価できるだろうと示唆している。本研究は、量子計量学の原理を利用して量子機械学習パイプラインを強化するための概念実証として機能している。