Scaling Adaptive Non-Local Observable Quantum Super-Resolution via Matrix Product States

技術要約：行列積状態を用いた適応型非局所観測量量子超解像のスケールアップ

問題提起
画像超解像（SR）は、低解像度の入力から高解像度の画像を再構成することを目的としている。古典的なディープラーニングがこの分野を支配している一方で、変分量子回路（VQC）が代替フレームワークとして浮上している。特定のアーキテクチャである適応型非局所観測量VQC（ANO-VQC）は、エルミート観測量を固定されたパウリ観測量ではなく学習可能なコンポーネントとして扱うことで、標準的なVQCを改良しており、これによりタスク依存のマルチ量子ビット相関の組み合わせが可能になる。

しかし、ANO-VQCによる画像SRのシミュレーションは、深刻なスケーラビリティのボトルネックに直面している。1ピクセルを1量子ビットにエンコードする手法を用いると、$p \times p$ サイズの入力画像には $n = p^2$ 個の量子ビットが必要となる。従来のステートベクトル・シミュレーションでは $2^n$ 個の複素振幅を保持する必要があり、これは中規模な入力サイズ（例：$6 \times 6$ 入力、すなわち36量子ビット）でさえ困難となる。一方、厳密なテンソルネットワーク（Exact TN）縮約は代替案となるが、これも一定の入力サイズ（例：$12 \times 12$ または144量子ビット）を超えると計算量的に実行不可能になる。したがって、変分量子アルゴリズムの学習精度を維持しつつ、より大きな量子ビット数を扱えるスケーラブルなシミュレーション・バックエンドが必要とされている。

手法
著者らは、ANO-VQC画像SRに特化した行列積状態（MPS）シミュレーション・フレームワークを提案している。ワークフローは主に4つの段階で構成される：

1. エンコーディングと回路設計:

   • 低解像度画像（例：$7 \times 7$）は、1ピクセル1量子ビット・エンコーディングを介して量子ビットにマッピングされる。ピクセル値 $x_i \in [0, 1]$ は回転角 $\phi_i = 2\pi x_i - \pi$ に変換される。
   • エンコーディング回路は、アダマールゲートに続き、ピクセル依存の $RY(\phi_i)$ 回転と、千鳥状の最近接CNOTゲートを適用する。
   • 回路の深さ $L$ は、繰り返されるエンコーディング・絡み合い層の数によって定義される。注目すべき点として、エンコーディング・ゲートは入力依存であるが、独立して学習可能ではない。学習可能なパラメータは、観測量および古典的再構成層に存在する。

2. 適応型観測量特徴抽出:

   • 固定されたパウリ測定の代わりに、本フレームワークでは、ペア（具体的には画像の局所的な隣接関係：水平、垂直、および対角）に作用する学習可能なエルミート観測量 $H_q$ を使用する。
   • MPSバックエンドを効率的に活用するため、各適応型観測量はパウリ基底で展開される：$H_q = \sum_\alpha c_{q,\alpha} P_\alpha$。
   • 期待値 $\langle H_q \rangle$ は、固定されたパウリ期待値 $\langle P_\alpha \rangle$ の線形結合として計算される。エンコーディング回路は入力画像のみに依存するため、これらのパウリ期待値は一度計算されキャッシュされる。学習可能なパラメータ（$A_q, B_q, D_q$）は、係数 $c_{q,\alpha}$ のみを更新するため、高コストな量子特徴量の評価と、観測量および再構成層の最適化を分離できる。

3. MPSシミュレーション:

   • 量子状態 $|\psi\rangle$ は、結合次元 $\chi$ で接続された局所テンソルの連鎖として表現される。
   • ストレージ容量は、おおよそ $O(n\chi^2)$ でスケールし、$O(2^n)$ ではなくなる。
   • 1量子ビットゲートは局所テンソルを更新し、2量子ビットゲートは隣接するテンソルを更新した後に結合次元の切り詰めを行う。

4. 再構成と学習:

   • 抽出された量子特徴ベクトルは、高解像度画像を再構成するための古典的線形層に渡される。
   • 学習は、平均二乗誤差（MSE）と学習された知覚的画像パッチ類似性（LPIPS）を組み合わせた重み付き損失関数を最小化するように行われる。
   • 実験は、単一の NVIDIA RTX 4070 GPU 上で、Fashion-MNIST データセット（$7 \times 7$ 入力 $\to$ $28 \times 28$ 出力）を用いて実施された。

主な貢献と結果

• スケーラビリティ・ベンチマーク:

  • 本研究では、ステートベクトル・シミュレーション、Exact TN 縮約、および MPS シミュレーションを比較している。
  • ステートベクトル: $6 \times 6$ 入力（36量子ビット）でメモリ・ボトルネックに達する。
  • Exact TN: $12 \times 12$ 入力（144量子ビット）を超えると計算量的に実行不可能になる。
  • MPS: 固定結合次元 $\chi=8$ を用いて、最大 $16 \times 16$ ピクセル（256量子ビット）までの入力に対するフォワード特徴抽出を正常に完了した。重複する範囲において、MPSはExact TNよりも高速であり、$4 \times 4$ 以上の入力に対してはステートベクトル・シミュレーションよりも優れている。

• 精度とコストのトレードオフ（結合次元スイープ）:

  • 固定された $7 \times 7$ 入力（49量子ビット）に対し、回路深さ $L=1$ から $L=4$ にわたって結合次元 $\chi$ を2から2048までスイープした。
  • 「ニアエキザクト（準厳密）」領域（MPS誤差がExact TNに対してマシン精度に近づく領域）に到達するために必要な $\chi$ は、回路深さとともに増加する：
    • $L=1$: $\chi=2$
    • $L=2$: $\chi=4$
    • $L=3$: $\chi=8$
    • $L=4$: $\chi=16$
  • $\chi=16$ において、$L=4$ の平均絶対誤差（MAE）は $\approx 10^{-15}$ まで低下し、指数関数的なコストを支払うことなく、事実上 Exact TN の結果と一致した。

• 超解像性能:

  • $\chi=16$（テストされたすべての深さに対してニアエキザクトなシミュレーションを保証）を用い、Fashion-MNIST の $7 \times 7 \to 28 \times 28$ SR モデルを学習させた。
  • 反直観的な発見: 最も浅い回路（$L=1$）が、すべての指標（Loss, LPIPS, PSNR, SSIM）において最高の性能を達成した。
    • $L=1$: Loss 0.4864, PSNR 20.87 dB, SSIM 0.4248.
    • $L=4$: Loss 0.6984, PSNR 18.80 dB, SSIM 0.2922.
  • この固定されたニアエキザクトMPS設定下では、回路の深さを増しても再構成品質は向上せず、むしろ深い回路は性能を低下させ、学習時間を増大させた。

意義と主張
本論文は、MPSを、ANO-VQC 画像SRのためのスケーラブルかつ制御可能なシミュレーション・バックエンドとして位置づけている。その主な意義は、ステートベクトル法や厳密なテンソルネットワーク法の限界を超えて、量子アルゴリズムの実用的なシミュレーション範囲を拡張し、単一のGPU上で最大256量子ビットのシステムの研究を可能にした点にある。

著者らは、深い回路が必ずしも優れたSR品質をもたらすわけではないことを指摘し、回路の深さと観測量設計および再構成層を共同で選択することの重要性を強調するという控えめな主張を行っている。結論として、MPSは大規模な変分量子回路を研究するための実用的なツールであり、今後は並列化および分散テンソルネットワーク計算を取り入れることで、シミュレーションの規模をさらに拡大する予定であるとしている。