Simulation of Lindbladian dynamics via adaptive variational quantum trajectory compression

技術要約：適応的変分量子軌跡圧縮によるリンドブラディアン動力学のシミュレーション

問題提起
NISQ（Noisy Intermediate-Scale Quantum）デバイスにおける開いた量子系の量子シミュレーションは、非ユニタリな散逸動力学という性質と、利用可能な量子リソース（特に回路深さと量子ビット数）の厳しい制限という、2つの主要な障壁に直面している。リンドブラディアン動力学をシミュレートするための既存の手法は、非ユニタリ進化を拡張されたヒルベルト空間に埋め込む手法（補助量子ビットを必要とする）や、依然として深い回路や複雑な後処理を必要とする軌跡のアンサンブルに動力学を分解する手法に依存していることが多い。変分量子アルゴリズム（VQA）は閉じた系の動力学に対して有望な手法であることを示してきたが、補助量子ビットの必要性、回路の深さの増大、および古典的な後処理におけるエラーの蓄積によって、開いた系への適用が阻害されている。

手法
著者らは、コンパクトな随伴チャネル表現と、適応的な変分量子軌跡圧縮フレームワークを組み合わせた、リソース効率の高いアンシラフリー（補助量子ビットを用いない）のアルゴリズムを提案している。

1. コンパクトな随伴チャネルの構築:
   パウリ散逸（$P_k \in \{I, X, Y, Z\}^{\otimes n}$）を持つ開いた系に対して、著者らはターゲットとなる散逸動力学を誤差 $O(\delta t^2)$ で近似する混合ユニタリ随伴チャネルを導出している。以前の定式化では、偏差を補正するために古典的な後処理が必要であったが、この新しいチャネルは、ターゲットとなる進化がユニタリ演算子の確率的な混合として直接近似されるように構成されている：
   $$\mathcal{A}(\rho) = \sum_{k=0}^{D} p_k U_k \rho U_k^\dagger$$
   ここで、$U_0$ は再スケーリングされたハミルトニアン進化（$e^{-iH\Delta t}$）を表し、$U_{k>0}$ はパウリ散逸演算子である。確率 $p_k$ は正規化を保証するように導出される。この構造により、補助量子ビットを使用することなく、モンテカルロ・サンプリングによる量子軌跡のシミュレーションが可能になる。

2. 適応的変分量子軌跡圧縮:
   長時間のシミュレーションにおいて、no-jump演算子 $U_0$ の繰り返し適用によって生じる回路の深さのボトルネックに対処するため、著者らは圧縮戦略を導入している。

• 学習: 一連の深さ適応型パラメータ量子回路（PQC）、すなわち $U(\theta_s)$ が、$s$ ステップのハミルトニアン進化 $(U_0)^s$ を近似するように訓練される。
• 学習戦略: 2つの戦略が検討されている：
  • 直接学習（Direct Training）: PQCは、正確な $(U_0)^s$ に対して直接訓練される。
  • 反復学習（Iterative Training）: ステップ $s$ のPQCは、以前に訓練された回路と単一ステップの $U_0$ の積（すなわち $U(\theta_{s-1})U_0$）に対して訓練される。これにより、学習中のターゲット回路の深さが軽減される。
• 損失関数: ヒルベルト・シュミット・テストに必要とされる補助量子ビットを回避するため、著者らは基底サンプリングを用いた損失関数を利用している。これは、有限の基底状態の集合上でPQCとターゲット・ユニタリの合致度を評価するものであり、ハードウェアフレンドリーである。
• 圧縮: サンプリングされた軌跡において、連続する $U_0$ ブロックのシーケンスが特定され、対応する訓練済みPQC $U(\theta_s)$ によって置き換えられる。これにより、軌跡の構造を維持しながら、回路の深さを大幅に削減できる。

3. シミュレーション・プロトコル:
   アルゴリズムは、随伴チャネルの確率分布に従って軌跡をサンプリングすることで進行する。各軌跡は、訓練されたPQCで $U_0$ セグメントを置き換えることで圧縮される。最後に、圧縮された軌跡のアンサンブル全体にわたって測定結果を平均化することにより、観測量の期待値が推定される。

主な貢献

• アンシラフリーの随伴チャネル: 以前の研究で見られた古典的な後処理ステップを排除し、エラー増幅を低減する、安定したコンパクトな混合ユニタリ随伴チャネルの導出。
• 深さ適応型圧縮: 訓練済みの変分量子コンパイルを用いて、サンプリングされた軌跡内の繰り返されるハミルトニアン進化ブロックを圧縮するフレームワークの導入。これは、回路の深さの制限に直接対処するものである。
• ハードウェア効率の高い学習: 基底サンプリングを用いた損失関数と反復学習戦略の提案により、補助量子ビットなしで、かつターゲット回路の深さを抑えて圧縮の学習を行うことを可能にした。
• 構造の統合: パウリ散逸の特定の構造（no-jumpセグメントが頻繁に発生することにつながる）と変分圧縮技術をいかにして結合させ、開いた系アルゴリズムと近未来のハードウェア実装との間の溝を埋めるかを実証している。

結果
著者らは、散逸的な量子 $XY$ モデル、具体的には局所的なデフェージング下でのドメインウォール状態の融解のシミュレーションを用いて、本手法を検証した。

• 精度: 導出された随伴チャネルの確率的サンプリングは、正確なリンドブラディアン動力学および決定論的なクラウス・チャネルの結果を再現した。サンプリング誤差は、軌跡の数 $M$ に対して $O(1/\sqrt{M})$ でスケールした。
• 圧縮効率: 変分圧縮により、回路の深さが大幅に削減された。シミュレーション時間 $T=10$、軌跡数 $M=128$ において、「直接」置換戦略は、平均的な単一量子ビットゲートおよび2量子ビットゲートの数を約 43% 削減した。
• トレードオフ: 反復学習戦略は、ターゲットの深さを軽減する一方で、圧縮長（$s_{max}$）が増加するにつれて累積的な近似誤差が生じることを示した。しかし、これらの誤差がある場合でも、圧縮された軌跡は物理的な動力学に対して高い忠実度を維持しており、テストされたシナリオでは直接戦略が精度とリソース削減の最適なバランスを提供した。

意義および主張
本論文は、近未来の量子ハードウェアにおける、アンシラフリーかつ深さ削減された開いた系のシミュレーションへの実用的な経路を提供すると主張している。著者らは、彼らのアプローチが以下の理由により、特にNISQ時代に適していることを強調している：

1. 拡張ベースの手法におけるスケーラビリティの問題を、補助量子ビットを排除することで回避する。
2. 軌跡の実装に必要な回路の深さを減少させることで、ハードウェアノイズの影響を緩和する。
3. 適切な圧縮長と学習戦略を選択することによって、アルゴリズムの精度（離散化誤差）とハードウェアノイズの間のトレードオフを管理できる柔軟なフレームワークを提供する。

著者らは、より高次のチャネル構成が存在するものの、それらは多くの場合、この特定の圧縮技術には適さないほど複雑な軌跡構造をもたらすことを謙虚に述べている。したがって、現在のデバイスにおいては、より高次の構成よりも、低次だがコンパクトで、アンシラフリーかつ深さ削減されたアルゴリズムの方が、より実用的な解決策として提示されている。本研究は、物理的に構造化された随伴チャネル表現と変分軌跡圧縮を組み合わせることが、現実的な多体系の開いた系のシミュレーションに向けた有効な道であることを示唆している。