Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework

技術要約：密度行列埋め込みフレームワーク内における量子選択配置相互作用のための機械学習を用いたコンパクトな部分空間生成

問題提起
大規模な分子系、特に医薬品に関連する分子の正確な電子構造シミュレーションは、依然として大きな課題である。全配置相互作用（FCI）のような厳密な対角化手法は組合せ爆発を起こすため、中規模から大規模なシステムに対しては計算不能となる。変分量子固有値ソルバー（VQE）のようなハイブリッド量子・古典アルゴリズムは一つの経路を提示しているが、バレン・プラトー（不毛な平坦部）やノイズへの敏感さといった最適化の病理に苦しんでいる。サンプルベースの量子対角化（SQD）、あるいは量子選択配置相互作用（QSCI）は、量子ハードウェアを反復的な最適化ではなく、ビット文字列のサンプリングのみに使用することでこれらの問題に対処する。これにより、サンプリングされた部分空間に対して古典的な後処理による厳密な対角化を行う。しかし、既存のQSCIアプローチは、決定的なボトルネックに直面している。それは、サンプリングされる構成部分空間の質とコンパクトさである。生のハードウェアサンプルはノイズが多く、物理的な対称性（電子数やスピンなど）を逸脱することが多い。現在の回復技術は、これらのサンプルを有効な対称セクターへと投影し直すが、最も物理的に関連性の高い構成を選択することを保証するものではない。これは、しばしば不必要に大きな部分空間をもたらし、古典的な対角化コストを増大させ、潜在的な量子優位性を損なう。さらに、大規模な生物学的システムにQSCIを適用するには、密度行列埋め込み理論（DMET）のような断片化戦略が必要となるが、これは部分空間のサイズと化学的精度との間のトレードオフの管理にさらなる複雑さをもたらす。

手法
著者らは、機械学習を用いたコンパクトな部分空間生成プロトコルをDMETワークフローに統合した、DMET-QSCI-RBMという統一されたフレームワークを提案している。この核心となる革新は、支配的な決定式の確率分布を直接学習するために、量子サンプリングされたビット文字列から直接訓練された**制限ボルツマンマシン（RBM）**を使用することであり、これにより、摂動的なシーディング（例：MP2）に依存することなく、高確率な構成を標的とした生成を可能にする。

本手法は、以下の主要なステップで進行する：

1. 量子サンプリング： 量子ハードウェア上で局所ユニタリ・クラスター・ジャストロウ（LUCJ）アンザッツを実行し、生のビット文字列を生成する。
2. ポストセレクションと初期化： 生のサンプルを粒子数およびスピン保存の観点からフィルタリングする。生存した構成は、ハートリー・フォック（HF）参照状態とともに、初期の「決定式メモリ」を形成する。
3. RBM誘導型反復拡張：
   • RBMは、支配的なセクターを偏りなく探索することを確実にするため、CI係数による重み付けではなく、一様重みを用いて現在の決定式メモリ（HF参照を除く）に対して訓練される。
   • 訓練されたRBMは、ギブスサンプリングを実行して新しい候補決定式を生成する。
   • これらの候補は、対称性と新規性（メモリ内に既に存在するものを除去）についてフィルタリングされる。
   • フィルタリングされた候補は、現在のメモリと結合され、作業用対角化空間を形成する。
4. スピン文字列増殖（Spin-String Proliferation）： 対角化の前に、一意な$\alpha$および$\beta$構成を抽出し、それらの直積を形成する。このステップにより、直接サンプリングされなかった交差ペアの構成が浮上し、追加の量子ショットなしに部分空間が拡張される。
5. 古典的対角化とメモリ更新： 投影されたハミルトニアンは、デビッドソン法を用いて古典的に対角化される。CI係数が閾値を超える構成は、次のイテレーションのために決定式メモリに恒久的に追加される。
6. DMET統合： このQSCI-RBMソルバーは、DMET自己整合ループ内において、高レベルのインパリティ・ソルバーとして機能する。ループは、総埋め込み電子数が真の電子数と一致するまで、グローバルな化学ポテンシャル（$\mu_{glob}$）を調整する。

主な貢献

• RBM駆動型部分空間構築： 本論文は、従来の構成回復のヒューリスティックを、学習された生成モデルに置き換える、あるいは補完する手法を導入している。これにより、摂動的なアンカリングなしに、直接的にコンパクトで高品質な決定式部分空間を標的とすることが可能になる。
• DMETとの統合： 本フレームワークは、QSCI-RBMをDMETと正常に結合させ、量子ビット数を各断片あたり一定に保ちながら、大規模な生物学的システム（断片化されたシステム）のシミュレーションを可能にする。
• 新規性と対称性フィルタリング： ワークフローには、二重カウントを防ぎ、対称性の妥当性を確保するための特定のメカニズムが含まれている。
• スピン文字列増殖： 直接的なサンプリングによって捕捉されなかった相関を捉えるために、一意なスピン文字列の直積を用いて部分空間を暗黙的に拡張する増殖ステップを利用している。

結果
本フレームワークは、小分子（エチレンおよびメタノールアミン）で検証され、複雑な生物学的システムである**SARS-CoV-2メインプロテアーゼ（Mpro）に結合したカルモフール（Carmofur）**に適用された。

• 小分子ベンチマーク： エチレン（$C_2H_4$）およびメタノールアミン（$CH_5NO$）において、DMET-QSCI-RBMは、全対称適応構成空間のわずか**2.12%および0.06%**のみにアクセスしながら、化学的精度（誤差 < 1.6 mHa）を達成した。これらの結果は、より小さな部分空間を使用しながら、CCSDによる古典的ベンチマークと同等またはそれを上回る性能を示した。
• タンパク質-リガンドシミュレーション（Carmofur-Mpro）：
  • システムは11個のDMETインパリティに断片化され、それぞれ一様な（16e, 16o）活性空間（32量子ビット）を持つ。
  • DMET-SQDベースライン： 標準的なDMET-SQDアプローチ（非限定的部分空間 $\epsilon_{spb} = 10^8$）は、対称空間の**97.4%にアクセスして化学的精度に達したが、切り詰められたベースライン（$\epsilon_{spb} = \sqrt{|S|/2}$）は、空間の19.0%**にしかアクセスできず、化学的精度に達しなかった（エネルギー誤差は$10^{-2}$ Ha付近に留まった）。注目すべきは、切り詰められたベースラインにおいて化学ポテンシャルの残差は収束したものの、エネルギーは収束しなかったことであり、これは$\mu$の収束が、切り詰められた部分空間におけるエネルギー精度の信頼できる指標ではないことを浮き彫りにした。
  • DMET-QSCI-RBMの性能： 提案手法は、平均して対称空間の**~3.9%にのみアクセスしながら、化学的精度（2回の独立した実行において、それぞれ$9.3 \times 10^{-4}$ Haおよび$4.3 \times 10^{-4}$ Haの誤差）を達成した。これは、収束したDMET-SQDベースラインと比較して約25倍**、非収束の切り詰められたベースラインと比較して約5倍の部分空間削減を実現している。
  • 効率性： 本手法は、より少ない化学ポテンシャル・イテレーションでこれらの結果を達成し、総量子サンプリングコストを削減した。量子回路の深さと断片あたりの実行時間はすべての手法で同等であり、効率の向上は、収束に必要とされるイテレーション数の減少に起因していることが示された。

意義および主張
本論文は、DMET-QSCI-RBMが、学習されたハードウェア駆動型の構成選択による実用的な利点として、部分空間のコンパクトネスを確立していると主張している。著者らは以下のように述べている：

1. コンパクトさと精度： 機械学習による部分空間生成は、物理的な精度を維持しながら、従来の構成回復や摂動的なシーディングよりも大幅にコンパクトな部分空間を生成する。
2. 指標の分離： DMET-QSCI-RBMにおけるエネルギー精度は、主に蓄積された決定式メモリの質とコンパクトさに支配されており、化学ポテンシャルの自己整合性の程度には依存しない。これにより、$\mu$の探索を早期に停止しても、化学的に意味のある結果を得ることが可能となる。
3. スケーラビリティ： 断片あたりの古典的対角化コストを削減することで、このアプローチは、構成空間の指数関数的なスケーリングにより本来は困難となる複雑な生物学的システム（タンパク質-リガンド複合体など）の、スケーラブルな量子埋め込みシミュレーションを可能にする。
4. ハードウェア非依存性： 本手法は、NISQ時代のサンプリングの特定の能力を活用しつつ（バレン・プラトーを回避）、学習された生成モデルを通じて、生のサンプリングに固有の問題であるノイズや部分空間のサイズ問題を軽減する。

著者らは、このアプローチが、切り詰められた活性部位モデルの限界を超え、完全な薬理学的コンテキストにおける生物分子系の、古典的に実行可能な量子シミュレーションへの道を開くものであると結論付けている。また、RBMの系統的なハイパーパラメータ最適化や、他のコンパクトな部分空間戦略との比較研究によって、さらなる改善が可能であるとも述べている。