技術要約：量子観測ダイナミクスからの構造非依存なユニタリ学習

1. 問題提起

現在のハミルトニアン学習における変分手法は、通常、2つの異なるタスクを混同している。すなわち、量子最適化問題（観測されたダイナミクスに一致するユニタリ $U$ の探索）と、古典的な識別問題（$U$ を物理的な相互作用項へと分解すること）である。既存のアプローチの多くは、訓練開始前にハミルトニアンの構造（どのパウリ項が存在するか）を実務家が指定することを要求する。このような構造的仮定は、既知の相互作用ファミリーへの適用性を制限し、未知の対称性や相互作用項の発見を妨げる。

さらに、すべてのタイムステップに対して同時に訓練を行うことは、量子損失関数の非凸性により、長時間の勾配支配が短時間のダイナミクスの捕捉を妨げるため、最適化の失敗を招くことが多い。

2. 手法

本論文は、量子学習フェーズと古典的識別フェーズを分離する**構造非依存ユニタリ学習（Structure-Agnostic Unitary Learning）**フレームワークを提案する。

2.1. 二段階アーキテクチャ

1. 量子ユニタリ学習（構造フリー）:

   • ハードウェア効率的なパラメータ化量子回路（PQC）が、時系列の観測量測定から進化演算子 $U$ を直接学習する。
   • 損失関数: アルゴリズムは、複数の初期状態、観測量、およびタイムステップ $n$ における、予測値と真の観測量の期待値 $\langle P \rangle$ の間の平均二乗誤差（MSE）を最小化する。
   • 主要な特徴: $U$ の生成子に関する仮定は一切行わない。回路は $U$ を「ブラックボックス」として学習する。対象がハミルトニアン生成によるユニタリ（$e^{-iH\tau}$）であればその手法で学習し、対象が非ハミルトニアンゲート（例：CNC, iSWAP）であっても、その手法は依然としてユニタリを学習するが、その場合は第二段階を単にスキップする。

2. 古典的ハミルトニアン識別（後処理）:

   • 最適なユニタリ $U(\theta^*)$ が見つかった後、ハミルトニアンは古典的な後処理によって回収される。
   • 抽出: 生成子は行列対数を用いて計算される：$\hat{H} = \frac{i}{\tau} \log U(\theta^*)$。
   • 分解: 回収された演算子は、トレース内積を用いてパウリ基底へ投影される：$c_\alpha = \frac{1}{2^n} \text{Tr}(\hat{H}P_\alpha)$。
   • 識別可能性: この手法は、初期状態と観測量の集合が演算子空間をスパンする場合、ユニタリは（グローバル位相を除いて）一意に決定され、したがってその分解は事前の仮定なしに固定されるという数学的事実に依拠している。

2.2. 最適化戦略

• オプティマイザ: 本論文では、ハードウェア効率的な勾配推定（1ステップあたり2回の回路評価）のための同時摂動確率近似法（SPSA）と、Adamの適応的モーメント更新を組み合わせたハイブリッド・オプティマイザであるSPSA-Adamを導入する。
• モーメント・ウォーム・カリキュラム: 「バレン・プラトー（不毛な台地）」および局所的なトラップ現象に対処するため、訓練は段階的に行われる。有効なタイムステップの集合を段階的に拡張する（例：$\{1, 2\} \to \{1, 2, 4, 6\} \to \dots$）。極めて重要な点として、Adamのモーメント（$m, v$）はステージ間で引き継がれ、曲率情報を保持し、コールドスタートのオーバーヘッドを回避する。
• 分岐の取り扱い: 行列対数の主枝（principal branch）を使用する。位相の巻き戻りによる曖昧さを避けるため、タイムステップ $\tau$ が $\|H\|\tau < \pi$ を満たすように制御する。

3. 主な貢献

1. ユニタリ学習への枠組み: 量子オプティマイザはパウリ係数ではなく $U$ を学習する。ハミルトニアンの識別は、オプションの、完全に古典的な後処理である。
2. 識別可能性の条件: $U$ が観測データによって一意に決定されるための正確な条件を確立し、その後のパウリ分解が適切に定義されることを保証した。
3. ゲート学習への汎用性: 本手法は、非ハミルトニアン・ユニタリ（CN果、iSWAP、HaarランダムなSU(4)要素）をマシン精度で学習することに成功しており、トロッター分解の構造やハミルトニアンの仮定に依存しないことを証明している。
4. SPSA-Adam: パラメータ数に関わらず、勾配ステップあたり2回の回路評価のみを必要とし、適応的モーメントによって強化された新しいオプティマイザ。
5. カリキュラム・スケジュール: グローバルな非凸問題を、一連の良質な局所問題へと変換する4段階の訓練スケジュールを提示し、標準的なシングルステージ訓練が同様の条件下で失敗することを実証した。

4. 実験結果

4.1. 無ノイズ下での正当性の証明（2量子ビット）

• 設定: 2量子ビットIsingモデル（$H = ZZ + 0.5XI + 0.5IX$）に対し、厳密な勾配を用いたL-BFGS-Bオプティマイザを使用。
• 性能: 最終的なMSEは $1.61 \times 10^{-14}$ に達した。
• 回収: すべてのハミルトニアン係数が小数点6桁まで回収された。ラウンドトリップ誤差（ハミルトニアンを再シミュレーションしたもの）はマシン精度（$8.09 \times 10^{-16}$）であった。

4.2. ゲート学習（非ハミルトニアン・ターゲット）

• ターゲット: CNOT、iSWAP、およびHaarランダムなSU(4)要素。
• 結果: これら3つのゲートすべてにおいて、プロセス忠実度 1.000000 で学習された。演算子誤差は $5 \times 10^{-7}$ 未満であった。これは、アルゴリズムがハミルトニアン生成子を仮定せずに任意のユニタリを学習できる能力を持つことを裏付けている。

4.3. スケーラビリティ（3量子ビット）

• 設定: 3量子ビット横磁場Isingモデル（102パラメータ）へ拡張。
• 結果: 5つの真のハミルトニアン項すべてが、$10^{-3}$ から $10^{-4}$ の範囲の誤差で正しく回収された。本手法は、ヒルベルト空間における指数関数的スケーリングに対し、パラメータに対する多項式スケーリングを示すことが実証された。

4.4. 構造的感度

• 不一致なアンザッツ・トポロジー（長距離相互作用、YY優位なハミルトニアンのような誤った演算子ファミリー、反対称結合）に対してテストを行った。
• 結果: アルゴリズムはすべてのケースにおいて正しいハミルトニアンを回収することに成功し、隠れた構造的仮定に依存しないことを確認した。

4.5. 量子デプロイメント（ノイズを含むシミュレーション）

• 設定: Qiskit Aerを用い、デポラリゼーション・ノイズ（$p_1=0.001, p_2=0.01$）および $N_{\text{shots}}=1024$ を設定。
• 結果: 3つのIsing項すべてが、誤差8%未満（ZZとXIは1%以内）で回収された。一つの偽の項が閾値をわずかに上回って出現したが、これは残留ユニタリ誤差と一致している。
• 比較: 標準的なシングルステージのSPSA-Adamアプローチは、同一条件下で完全に失敗し、係数の符号を誤り、最終的なMSEはショットノイズの分散の180倍となった。カリキュラム方式は、MSEをショットノイズの分散の2.1倍に抑えることができた。

5. 意義と主張

本論文は、ユニタリ学習とハミルトニアン識別の分離こそが、以下のことを可能にする決定的なアーキテクチャ上の決定であると主張している：

1. 構造の発見: アルゴリズムは、パウリ項が「どれであるか」およびその対称性を、入力として要求することなく、データのみから決定する。
2. 汎用性: 本アルゴリズムは、ハミルトニアン学習と一般的な量子ゲート学習（例：CNOTの学習）の両方に適用可能である。
3. 堅牢性: モーメント・ウォーム・カリキュラムは、量子デプロイメントにおいて不可欠であり、長時間の勾配支配によってオプティマイザが局所解に陥るのを防ぐ。

著者らは、手法にはパウリ空間の次元性（$n > 4$ の場合）およびスペクトルノルムの境界に関する制限があるものの、直接的な係数フィッティング法よりも、無ノイズおよびノイズを含む両方の領域において優れた、構造非依存の厳密なフレームワークを提供すると結論づけている。