Heuristically optimizing, synthesizing, and prioritizing measurement settings for quantum state tomography

技術要約：量子状態トモグラフィーのための測定設定のヒューリスティックな最適化、合成、および優先順位付け

問題提起
量子状態トモグラフィー（QST）は、量子系の密度行列を再構成するために不可欠であるが、「次元の呪い」に直面している。システムサイズが増大するにつれ、必要な実験数と再構成の計算コストは指数関数的に増加する。主要なボトルネックはデータ収集段階にあり、任意の観測量集合を互いに可換な部分集合へと効率的に分割することにある。総当たり的なアプローチは小規模なシステムに対しては最適な分割を見つけられるが、演算子の数やシステム次元が増加すると実行不能となる。さらに、既存の戦略は特定のタスク（例：特定の行列要素の推定）を対象としていたり、あるいは任意次元のヒルベルト空間や縮退した部分空間には普遍的に適用できない相互無角基底（MUBs）のような構造に依存していたりすることが多い。課題は、測定設定を最小化するために、任意の演算子集合を最小の可換部分集合に分割する計算効率の高い手法を見つけること、およびプロセス初期において情報利得を最大化するようにこれらの設定に優先順位を付けることである。

手法
著者らは、演算子の分割問題を**グラフ彩色（GC）**問題として定式化している。

1. グラフ構築: 頂点が演算子を表す無向グラフを構築する。2つの頂点間にエッジが張られるのは、対応する演算子が互いに可換ではない場合のみである。
2. GCによる分割: グラフを彩色し、隣接する2つの頂点が同じ色を持たないようにし、色の総数（彩色数）を最小化することを目的とする。各カラークラスは、共通の固有基底において同時に測定可能な、互いに可換な演算子の集合に対応する。
3. アルゴリズムの枠組み: 本論文では、このGC問題を解くための5つの異なるアルゴリズムをベンチマークしている：
   • DSATUR (Degree of Saturation): 隣接する頂点に割り当てられた異なる色の数によって頂点を順序付けるヒューリスティック。
   • RLF (Recursive Largest First): 次数（隣接するノード数）が最も高い頂点を優先するヒューリスティック。
   • 整数線形計画法 (ILP): 補グラフ（可換グラフ）上での最小クリーク被覆（MCC）問題として定式化された厳密な手法であり、CBCなどのソルバーを用いて解決される。
   • グラフニューラルネットワーク (GNN): 彩色をノード分類問題として扱う学習ベースのアプローチであり、演算子可換グラフを用いて訓練され、分割を予測する。
   • スペクトラルクラスタリング (SC): グラフのラプラシアンの固有構造を利用して、可換性による類似性に基づいてノードをクラスタリングする手法。
4. 回路合成: 特定された各可換部分集合に対して、バイナリ・シンプレクティック表現とシンプレクティック・ガウス消去法を用いて、基底変換量子回路を合成する。これらの回路は、共同測定を可能にするために、初等的なクリフォードゲート（アダマール、フェーズ、CNOT）のみで構成される。
5. 優先順位付け戦略: 分割が生成された後、著者らは可換部分集合の濃度（サイズ）によって測定設定を順序付けるスケジューリング戦略を提案し、実験あたりの情報利得を最大化するために最大の部分集合を最初に実行する。

主な貢献

• 汎用的なフレームワーク: 本研究は、パウリ演算子特有の代数的手法の限界を超え、任意の演算子集合および任意の次元のヒルベルト空間（マルチ量子ビット、マルチ量子トリット、およびハイブリッド量子ビット・量子トリット系を含む）に適用可能な統一されたフレームワークを提供する。
• アルゴリズムのベンチマーク: QSTのためのヒューリスティックおよび厳密なGCアルゴリズムの包括的な比較。本研究では、解の質（分割数）と実行時間のトレードオフにおいて、DSATURが最適なヒューリスティックであることを特定している。また、GNNは訓練後の高速な推論において有望であることを示している。
• 効率性の向上: ヒューリスティックなGC手法が、標準的なランダムサンプリングプロトコル（例：$\{I, R_x, R_y\}^{\otimes N}$）と比較して、必要な測定設定を大幅に削減できることを実証している。これらは標準的なコンシューマー向けハードウェア（8コアCPU、16 GB RAM）上で数分以内に収束する。
• オープンソース実装: GCアルゴリズムと回路合成ツールを含む、本フレームワークの公開Python実装を提供している。

結果
フレームワークは、5量子ビット、3量子トリット、およびハイブリッド構成（例：$2q \otimes 2t$）までのシステムで検証された。

• 分割性能:
  • ILPは、より小さなシステム（4量子ビットまで）に対して最適な分割数を達成したが、より大きなインスタンス（例：5量子ビット、3量子トリット）では指数関数的な実行時間の増大により実行不能となった。
  • **ヒューリスティック（DSATUR, GNN, RLF, SC）**は、数秒から数分で解を生成した。DSATURとGNNは、ヒューリスティックの中で一貫して最も少ない分割数を実現し、しばしば理論的最適値（例：$N$量子ビットに対して $2^N + 1$）に接近した。
  • 5量子ビットシステム（1,023個の演算子）において、DSATURとGNNは数十秒で有効な分割を生成したが、ILPは実用的な時間内に収束できなかった。
• トモグラフィー性能:
  • 優先順位付けされたスケジューリング（最大の部分集合を優先）を用いることで、GC由来のスケジュールは、標準的なQSTよりも大幅に少ない測定回数で高忠実度の状態再構成を達成した。
  • 4量子ビットシステムにおいて、GCベースの手法（GNN, DSATUR）は、わずか25の設定で高い忠実度（$F \approx 1$）を達成したが、標準的なQSTは同様の忠実度に達するために多くの設定を必要とし、同じ設定数では0.75を下回ったままであった。
  • 優先順位付けされたスケジューリングにより、迅速な情報の蓄積が可能となった。5量子ビットシステムでは、GCベースのプロトコルはわずか50の設定後に平均忠実度が0.9を超えたのに対し、標準的なプロトコルでは0.65であった。

意義と主張
本論文は、グラフ彩色ヒューリスティックが、ノイズのある中規模量子（NISQ）デバイスを特性評価するためのスケーラブルで実用的なツールであることを主張している。最適化の焦点を古典的な後処理からデータ収集段階へとシフトすることで、実験のオーバーヘッドと測定時間を削減する。

• スケーラビリティ: このアプローチは、総当たり的な分割が不可能なシステムにおける特性評価を可能にし、数桁のスピードアップを実現する。
• 適応性: 優先順位付けられたスケジューリングにより、実験者は目標とする忠実度に達した時点でデータ収集を停止することができ、プロセスを適応的に行うことができる。
• 汎用性: 手法は量子ビットやパウリ演算子に限定されず、量子トリットやハイブリッドシステムにも自然に拡張でき、現在のトモグラフィープロトコルのギャップを埋めるものである。
• 今後の展望: 著者らは、フレームワークは堅牢であるものの、任意の可換集合に対してユニバーサルゲートセット上での基底変換回路を効率的に合成することには依然として課題が残っていると述べている。彼らは、小規模な例からの学習を通じてより大きな未知のシステムへと汎化できる能力を持つGNNが、将来のスケーラブルな測定スケジューリングにおいて特に有望な方向性であると考えている。