Inverse Design of Quantum Control Sequences with Fourier Neural Operators

あなたは、目に見えない小さなボートを嵐の海の中で操縦しようとしているところだと想像してください。量子物理学の世界では、この「ボート」は分子であり、「嵐」はその内部エネルギー準位の混沌としたダンスです。科学者たちは、超精密な測定や将来の量子コンピュータの構成要素として利用できるように、これらの分子を完璧に穏やかで特定の状態へと導きたいと考えています。このプロセスは「量子制御（quantum control）」と呼ばれます。問題は、分子が非常に複雑であることです。分子には、どのように揺れたり振動したりするかという膨大な数の方法があるため、その可能性の数は急速に増大し、従来の数学を用いて完璧な操舵経路を計算することは不可能になります。それはまるで、地球上の砂粒の数よりも多くの経路が存在する迷路の中で、たった一つの最善のルートを見つけ出そうとするようなものです。もしコンピュータを使ってあらゆる可能な曲がり角をシミュレーションしようとすれば、あまりにも時間がかかりすぎて、諦めてしまったほうがマシでしょう。これが、複雑な分子を用いて量子技術を機能させることを阻んできたボトルネックです。

ここで、あなたが重い計算を自分で行うことなく、ボートが嵐の中でどのように動くかを正確に予測できる、魔法のように高速な水晶玉を持っているところを想像してみてください。それが、この論文が導入しているものです。研究者たちは、ヒドロニウム（水に水素イオンが一つ加わったもの、$H_3O^+$）と呼ばれる分子を用いて、新しいタイプの人工知能である「フーリエニューラルオペレータ（FNO）」を構築しました。このFNOを、あらゆる料理（あらゆるレーザーパルス）を味わい、材料（分子のエネルギー状態）がどのように変化するかという秘密のレシピを学んだマスターシェフだと考えてください。すべての料理をゼロから作って結果を確認する（これには何時間もかかる）代わりに、FNOは結果を瞬時に予測します。このAIを使用して、チームは「確率的パルス・測定プランナー（stochastic pulse-measurement planner）」（賢いゲームプランの洗練された名称）を設計し、乱雑で熱い分子状態の混合物を、単一の純粋な状態へと浄化するための一連のレーザーパルスのシーケンスを設計しました。彼らはこれを、888もの異なるエネルギー状態を持つ広大な「遊び場」を持つヒドロニウム分子のシミュレーションでテストしました。結果はどうだったでしょうか？AIは、分子を98%の成功率で精製する方法を見つけ出し、従来の遅いコンピュータ手法よりも1,000万倍速く作業を完了しました。それは、パズルを解くのに10時間を要していた状態から、わずか10分で解けるようになったようなものであり、しかも以前の最善の試みよりも優れた解決策を見つけ出したのです。

量子のボートと魔法の水晶玉の物語

セットアップ：乱れた分子
光の檻に閉じ込められたヒドロニウム（$H_3O^+$）の分子を思い浮かべてください。その内部では、分子は静止しているわけではありません。エネルギーでバズーのように震え、跳ね回っており、「混合」した状態にあります。それは、赤、青、緑のマーブルがすべて混ざり合っている袋のようなものです。科学にこの分子を利用するためには、すべてのマーブルを一つの色に揃える、つまり「純粋な」状態にする必要があります。これを行うために、科学者はレーザー（「操舵輪」）を使用して、分子を一つのエネルギー準位から別の準位へと押し動かします。しかし、分子には非常に多くのレベル（この研究では888個）があるため、レーザーの押し方の正確なシーケンスを決定することは悪夢のような作業です。もしあらゆる可能なレーザー設定に対する経路を計算しようとすれば、コンピュータは何日も、あるいは何年も走り続ける必要があるでしょう。

従来の方法：遅い調理
この論文の前では、科学者は「直接数値伝搬（direct numerical propagation）」と呼ばれる手法を使用していました。これは、大気のあらゆる空気分子の動きを手動で計算することで天気を予測しようとするようなものです。正確ではありますが、非常に時間がかかります。量子界において、これは分子の反応をレーザーパルスに対して何度もシミュレーションすることを意味しました。単一のパルスシーケンスに対して、これには約10時間を要することもありました。あまりにも遅いため、最善のシーケンスを見つけることは事実上不可能でした。

新しい方法：FNOという水晶玉
著者らは、新しいツールである「フーリエニューラルオペレータ（FNO）」を導入しました。分子の動きのあらゆる微細なステップを計算する代わりに、FNOは分子がどのように動くかという「ルール」を学習します。それは、千もの物理の問題を観察し、その背後にあるパターンを学習することで、長い計算を行うことなく新しい問題を即座に解けるようになった学生のようなものです。

研究者たちは、このヒドロニウム分子を用いてこのFNOを訓練しました。彼らは、分子が異なるレーザー周波数や偏光（レーザー波がどのように揺れるかの方向）に対してどのように反応するかというデータをFNOに与えました。一度訓練されると、FNOは単一の「フォワードパス」で分子の未来の状態を予測できました。

• 速度： 論文によれば、大量の可能性を扱う場合、FNOは従来の手法よりも最大で $1.84 \times 10^7$（1,840万）倍高速です。
• 精度： 予測は実際の数学的計算に驚くほど近く、エラー率（不完全性/infidelity）は $3 \times 10^{-3}$ 未満でした。これは、水晶玉がほぼ毎回正しかったことを意味します。

ゲームプラン：FNO-SPMP
高速な水晶玉を持っていることは素晴らしいですが、ゲームに勝つための戦略も必要です。チームは「確率的パルス・測定プランナー（stochastic pulse-measurement planner：FNO-SPMP）」を構築しました。これは次のようにゲームを進めます。

1. サンプリング： さまざまなレーザーパルス（異なる周波数と持続時間）を調べ、FNOに「もしこのパルスで分子を叩いたらどうなるか？」と問いかけます。
2. スコアリング： パルスがどれだけうまく分子を「純粋な」状態へと移動させたかに基づいて、パルスを評価します。
3. ひねり（測定）： 量子界では、ただ分子を押すだけでは不十分で、「確認」しなければなりません。パルスの後、チームは測定をシミュレートします。もし分子が正しい「分岐」の中にいれば成功です。そうでなければ、計画を調整します。FNO-SPMPは、これらのランダムな結果に対処できるよう、迷うことなく可能性のツリー（樹形図）を構築するほどスマートです。
4. 洗練： シーケンスを選択したら、完璧にするために「勾配降下法（gradient descent）」（数学的な微調整の方法）を用いて、レーザーの設定をわずかに調整します。

結果：クリーンな掃討
チームは、温度 20 K（非常に低温ですが、絶対零度ではありません）におけるヒドロニウム分子のシミュレーションでこれをテストしました。

• 成功率： FNO-SPMPは、目的の状態に 0.98（98%）の占有率で分子を精製することに成功しました。
• 信頼性： これは 86.2% の試行成功率（sequence-success rate）で達成されました。
• 効率性： 目標に到達するために、平均して約 26から27回 のパルスを使用しました。
• 設計速度： 従来の強化学習（RL）手法が適切なプランを見つけるのに約 10時間 かかっていたのに対し、FNO-SPMPは 10分から20分 で完了しました。これは、解決策を見つけるスピードにおいて 30倍から60倍 の向上です。

これが意味すること
この論文は、巨大な「ヒルベルト空間」（起こりうるすべての状態の数学的空間）を持つ複雑な分子の場合、従来の力任せの計算によるアプローチは遅すぎることを明確に示しています。FNOのアプローチは、単にスピードを上げるだけでなく、不可能を可能にします。それは、科学者が以前は扱うことができなかったほど大規模なシステムに対して、制御シーケンスを設計することを可能にします。著者らは、今回はシミュレーション（強力なコンピュータを使用して現実世界を模倣したもの）を使用しましたが、その結果は、この手法が実世界の実験におけるゲームチェンジャーとなり、より優れた量子センサーや量子コンピュータの構築に役立つ可能性があることを示唆していると述べています。彼らは単に同じことを行うための少し速い方法を見つけたのではありません。以前は事実上手の届かないタスクを実現する方法を見つけたのです。

要約すると、コンピュータに数字を計算させるのではなく、量子のルールを「感じる」ことを教えることで、研究者たちは最も複雑な分子を外科医のような精密さで、かつ瞬時に操るための扉を開いたのです。