Nuclear Quantum Effects as a Denoising Problem

技術要約：デノイジング問題としての核量子効果

問題提起
ゼロ点エネルギーやトンネル効果といった核量子効果（NQE）は、液体の水の構造から生体分子内のプロトン移動に至るまで、様々な現象を理解する上で極めて重要である。経路積分定式化は、量子ボルツマン分布を $P$ 個のレプリカからなる古典的なリングポリマーへと厳密に写像するが、標準的なシミュレーション手法（PIMD、PIMC）は、古典的なシミュレーションの $P$ 倍の計算コストを要する。GG-PIのような最近の生成的手法は、古典統計量に対してデノイザーを学習させることでこのコストを削減しようと試みてきた。しかし、これらの既存手法には根本的な限界がある。すなわち、「量子コンテキスト」（核の質量、環境結合（散逸）、経路の境界条件など）が、シミュレーションまたは学習されたモデルのノイズ構造の中にハードワイヤード（固定）されてしまっている点である。その結果、これらのパラメータ（温度、同位体質量、バス結合など）を変更する場合、たとえそれらが既知の二次形式のアクションを通じて経路測度に寄与しているとしても、モデルの再学習や新たなシミュレーションが必要となる。

手法：デノイジング・パス・インテグラル (DPI)
著者らは、解析的に既知である量子コンテキストと、学習された古典統計量を分離するフレームワークである「デノイジング・パス・インテグラル（DPI）」を提案する。この手法は、離散化された虚時間アクションが以下の2つの異なる成分に分離するという観察に基づいている：

1. 二次項： 閉形式の行列 $K$ を通じて、完全な量子コンテキスト（質量、温度、散逸、境界条件）を包含する。
2. 残留ポテンシャル： 各ビードに対して独立した古典的ボルツマン因子 $e^{-\tau V(x_k)}$ に分解され、量子コンテキストには依存しない。

数学的な核心は、パス $x$ と補助変数 $y$ の結合分布 $p(x, y)$ の変換にある。逆方向の条件付き分布 $p(x|y)$ が二次項 $K$ を除去するように調整されたガウスチャネル $p(y|x)$ を構築することで、著者らは以下の事後分布を導出する：
$$p(x|y) \propto \exp\left( -\frac{\|x - y\|^2}{2\sigma^2} - U(x) \right)$$
この逆方向の条件付き分布は、観測値 $y = x + \sigma\xi$ から $x$ を復元する古典的なデノイジング問題のベイズ事後分布と正確に一致する。決定的なことは、この事後分布が古典的なポテンシャル $V$ とノイズレベル $\sigma$ にのみ依存し、量子コンテキスト $K$ には依存しないという点である。

サンプリングおよび学習プロトコル
本フレームワークは、以下の2つの交互ステップによるギブスサンプリングスキームを採用している：

1. 解析的注入 (Analytic Injection)： 行列 $K$ を介して特定の量子コンテキストを注入するように、$p(y|x)$ から $y$ を抽出する。
2. デノイジング (Denoising)： 学習されたデノイザー（ここでは条件付き連続正規化フローとして実装）を用いて、$p(x|y)$ から $x$ を抽出する。

デノイザーは、固定された逆温度 $\tau$ における古典的なボルツマン統計（標準的なMDまたは拘束MDなど）のみを用いて学習される。重要な物理的制約として、学習時のノイズ分散 $\sigma^2$ は、ターゲットとなるアンサンブルの固有の量子不確定性を定義する条件 $\sigma^2 < \lambda_{\text{max}}(K)^{-1}$ を超えてはならない。この境界により、ガウスチャネルの妥当性が保証され、量子コンテキストを学習中に「保留」し、サンプリング時に注入することが可能となる。

主な貢献と結果
本論文は、一度学習された単一のデノイザーが、再学習を必要とせずに様々な量子コンテキスト間を正確に転移できることを示している。これは、複雑さが増していく3つの系で検証されている：

1. 散逸二重ウェル (Dissipative Double Well)： オーミックバスに結合した四次二重ウェル中の粒子。本手法は、変動するバス結合強度（$\alpha$）および温度に対して、重心分布および回転半径の数値的に厳密な経路積分モンテカルロ（PIMC）の参照値を再現する。
2. ズンデル陽イオン ($H_5O_2^+$)： プロトン移動のベンチマーク。300 Kで学習されたデノイザーは、回転半径やサイト優先確率の同位体効果（H, D, T）および温度依存性を、PIMDの参照値と一致するように予測する。
3. 液体の水： 拘束分子動力学を用いて学習されたデノイザーを使用し、本手法は $H_2O, D_2O, T_2O$ の動径分布関数（RDF）および分子内角度分布を再現する。さらに、解析的ステップを修正して虚時間経路を開放することで、タグ付けされた核子の端対端変位および運動量分布を導出し、対角成分を超えた熱密度行列を探索できる。

意義と主張
著者らは、核量子効果（NQE）は「デノイジング問題」として扱える、すなわち生成モデリングのノイズと核の量子ゆらぎは、同一の二次形式構造の異なる側面である、と主張している。本研究の主要な意義は、モデルの正確な転移性にある：

• デカップリング（分離）： 量子コンテキスト（質量、温度、散逸、境界条件）は、学習される特徴量ではなく、サンプリング時に解析的なガウス成分を介して設定される属性となる。
• 不変性： 本フレームワークは、ノイズの境界内に許容されるすべての量子コンテキストに対して不変である。これには、温度、同位体質量、散逸強度、および経路の境界条件（ボゾン交換のための置換条件を含む）が含まれる。
• 数学的新規性： この構成は、量子結合そのものではなく、その補集合（$\sigma^{-2}I - K$）に適用された実質的なハバード・ストラトノビッチ変換として特定される。これは、デノイザーによって除去されるノイズに量子ゆらぎが本質的に含まれてしまう従来のメソッド（GG-PIなど）とは対照的である。
• 汎用性： 容易にサンプリング可能な統計量を用いて学習し、拡張されたギブスサンプラーを通じてより困難なターゲットへと拡張するという哲学は、NQEを超えた問題にも適用可能な移植可能な戦略として提示されている。

著者らは、理論的には構成は厳密であるが、実用上の効率はマルコフ連鎖の混合（mixing）に依存することを指摘しており、これは許容される $K$ 行列のラダーを用いたレプリカ交換によって改善できる可能性があると示唆している。また、フェルミオンの符号問題については、現在のフレームワークの範囲外であることを認めている。