技術要約：リソース制約下における開放型量子系の制御可能性ベンチマーク

問題提起

量子技術の実用的な実現には、有限のハードウェア・リソースおよび開放系ダイナミクス下での高フィデリティな操作の実装が必要である。理想的な閉じた系の制御可能性は、リー代数的な二値の基準（ドリフト項と制御ハミルトニアンが $\mathfrak{su}(d)$ を生成するかどうか）によって明確に定義されているが、この理論的条件は、実際のデバイスにおける達成可能な性能を予測するには不十分である。現実のシステムは、デコヒーレンス、ドリフト、帯域制限、および非理想的なパルスによって誘起される非ユニタリなダイナミクスが生じる開放的な領域で動作する。さらに、ノイズはしばしば部分的にしか特性化されておらず、制御依存的であり、かつ非マルコフ的である可能性がある。

既存の開放系制御可能性に関する文献は、特定のモデル（例：マルコフ的リンドブラッドダイナミクス）や抽象的な到達可能性解析に依存していることが多いが、これらはエンジニアリング上の問いに直接答えるものではない。すなわち、「固定された、ハードウェアとして実現可能な制御パルス群と、明示的なリソース制約（例：振幅および帯域幅）が与えられたとき、どのターゲット操作が高フィデリティで達成可能であり、その能力は利用可能なリソースとともにどのようにスケールするか？」という問いである。純粋な「ホワイトボックス」物理モデルは、未モデル化の散逸のために高フィデリティ領域での精度を欠くことがあり、一方で「ブラックボックス」のデータ駆動型モデルは、診断的な構造を欠き、過剰なデータを必要とする。

手法

著者らは、実用的な制御可能性をデバイス・エンジニアリングの問題として扱うリソース制約フレームワークを提案している。このアプローチは、目標ゲートに対するベスト達成可能フィデリティの分布を定量化するものであり、二値的な到達可能性条件を求めるものではない。手法は以下の4つのステージで構成される：

1. グレーボックス・モデリング:
   本フレームワークの核となるのは、訓練された「グレーボックス」サロゲートモデルである。このモデルは、ドリフトおよび制御ハミルトニアン ($H_0(t)$) によって生成される既知のコヒーレントなダイナミクスを保持しつつ、プロービング・データから、制御依存的な開放系による歪み ($V_O(T)$) のコンパクトな記述を学習する。

   • システムのダイナミクスは、$H_0(t)$ に対する相互作用描像において表現される。
   • モデルは、制御パラメータ $\vec{\theta}$ と、完全なトモグラフィー基底における測定期待値ベクトル $\vec{E}$ のペアを用いて訓練される。
   • 一度訓練されると、モデルは高速なルックアップ・エンジンとして機能し、フル物理シミュレーションを必要とせずに、訓練された制御空間内の任意の波形に対する有効なチャネルを予測する。

2. チャネル再構成:
   与えられた候補制御波形に対して、グレーボックスモデルはコヒーレントなプロパゲータと、有効な観測空間補正演算子の集合を予測する。これらの予測値を用いて、固定されたトモグラフィー基底における実装された量子チャネルのプロセス行列（チョイ行列）を再構成する。

3. フィデリティ・スコアリングと最適化:

   • $N_G$ 個のターゲットゲートが、$SU(d)$ 上のハール測度から独立に抽出される。
   • 各ターゲットゲートに対し、フレームワークは「許容される」パルス族内のすべての波形に対するプロセス・フィデリティを評価する。
   • 許容されるパルス族は、明示的なリソース予算（例：最大振幅 $A_{cap}$ および帯域幅 $B_{cap}$）によって定義される。
   • ベスト達成可能フィデリティ $F^*_g(A_0)$ は、特定のターゲット $g$ と予算レベル $A_0$ に対して、実現可能な制御を最大化することによって決定される。

4. 制御可能性メトリクス:
   実用的な制御可能性は、ハール・アンサンブル上のベスト達成可能インフィデリティ（不完全性）の分布によって統計的に特徴付けられる。

   • 主要な指標は、ゼロ・インフィデリティにおける生存関数の積分として定義される面積ベースの要約 ($CM$) である。
   • 数学的には、これはベスト達成可能インフィデリティの経験的分布と、ゼロ・インフィデリティにおける理想的な点質量との間の1-ワッサースタイン距離 ($W_1$) に等しい。
   • このメトリクスは、リソース予算のグリッドにわたって計算され、「制御可能性曲面」を生成する。

主な結果

本フレームワークは、駆動された量子ビット（$d=2$）が有限次元のバスに結合しているケースについて、以下の3つのレジームで数値的に実証された：

1. 閉じた系の参照系: 理想的なユニタリ・ダイナミクス。
2. 古典的ノイズモデル: 確率的なデフェージング。
3. 量子＋古典ノイズの複合モデル: 散逸的な補助モードと古典的デフェージング。

一次元研究:

• ベスト達成可能インフィデリティの分布が、振幅スケーリングおよび帯域幅（ガウス幅）スケーリングに対して分析された。
• 閉じた系のケースでは、ゼロ・インフィデリティにおいてステップ関数へと収束した（$CM \approx 0$）、これはフレームワークの妥当性を裏付けている。
• ノイズが存在するレジームでは、インフィデリティ分布は右側にシフトし、複合ノイズモデルが最も低い性能を示した（振幅スケーリングにおいて $CM \approx 0.021$）。
• 結果は、一貫した順序を示した：閉じた系 > 古典的ノイズ > 複合ノイズ。

二次元研究:

• 結合振幅・帯域幅制御可能性曲面 ($CM(A_{cap}, B_{cap})$) は、明確な低リソース–遷移–飽和の構造を明らかにした。
• 低リソース: 小さなキャップ（制限）はパルス族を制限し、低い制御可能性をもたらす。
• 遷移: キャップが緩和されるにつれ、制御可能性は急速に向上する。
• 飽和: さらなるリソースの増加は、収穫逓減をもたらす。
• ノイズの影響: ノイズは、制御可能性の全体的なレベルを下げるだけでなく、有用な領域をも変形させる。複合ノイズの場合、絶対的な性能は古典的ノイズの場合よりも低いものの、表面は再形成され、帯域幅への依存性が低帯域幅領域により集中するようになる。
• リソースの階層: 本研究は、振幅が制御可能性の開始を支配する主要なリソースとして機能し、帯域幅は十分な駆動強度が確保された後にレジームを精緻化する二次的なリソースとして機能することを示唆している。

意義と主張

本論文は、部分的に未知の開放系ノイズが存在する中で、ハードウェアとして実現可能な固定制御族に対するデバイスレベルの制御可能性の概念を提供することを主張している。その意義は以下の点にある：

1. パラダイムの転換: 二値的な理論的到達可能性から、達成可能な性能分布の定量的かつリソース制約のある評価へと移行すること。
2. 運用的マッピング: 実用的な制御可能性を、特定のハードウェア制約（振幅および帯域幅）と達成可能なゲート性能を結びつける解釈可能な「リソース・ランドスケープ」（制御可能性曲面）へと変換すること。
3. ベンチマークとしての有用性: 達成可能なゲート・フィデリティの分布の変化を（1-ワッサースタイン距離を介して）定量化することにより、異なる制御族、ノイズ・レジーム、またはハードウェア構成を比較するためのパイプラインを提供すること。
4. 実用的な関連性: 有限の制御リソースと開放系のノイズが共にゲート性能を制約することを実証し、高パフォーマンス・レジームに入るために必要な具体的なリソースレベルを特定する方法を提示すること。

著者らは、限界事項についても述べている。具体的には、グレーボックスモデルは訓練領域内でのみ有効であること（外挿は不可）、帯域幅は明示的なハードウェア・フィルタではなくガウス幅によってモデル化されていること、およびメトリクスは厳密な解析的基準ではなく数値的な要約であることなどである。本フレームワークは、現実的でリソース制約のある設定において、制御能力を特性評価しベンチマークするためのツールとして提示されている。