Neural networks learn to reconstruct multipartite entanglement from quantum marginals

技術要約：ニューラルネットワークによる多部構成もつれ（Multipartite Entanglement）の再構成学習

問題提起
現実的な量子デバイスにおいて、ヒルベルト空間の指数関数的な増大により完全な量子状態へのアクセスは極めて困難であり、フル量子状態トモグラフィー（量子状態全容解明）は大規模なシステムでは実行不可能である。このため、簡約された記述、具体的には簡約密度行列（RDM）または周辺量（marginals）の使用が必要となる。本研究が取り組む中心的な課題は、**量子周辺問題（Quantum Marginal Problem: QMP）**である。これは、与えられた一連のRDMがグローバルな量子状態と互換性があるか、また、互換性がある場合にそのグードバルな状態が周辺量によって一意に決定されるかどうかを判定する問題である。

一般的な量子状態は、適切な一連の周辺量によって一意に指定されるが、すべての断片的なデータが等しく情報量を持つわけではない。ある種の簡約データはグローバルな状態を一意に決定する一方で、他のデータは曖昧さを残す。一意性の条件を特定し、部分的な情報からグローバルな状態を再構成することは、依然として計算量的に困難な課題である。従来の半正定値計画法（SDP）に基づくアプローチは、ノイズに対して非常に敏感であり、量子状態を構造化された物理的対象としてではなく、凸集合の一般的な要素として扱うため、複数のグローバルな状態が同じ簡約データを共有する場合の非一意性を解決できないことが多い。さらに、SDPの階層構造はシステムサイズに対して指数関数的にスケールアップする。

手法
著者らは、再構成可能性、もつれのクラス、および周辺量の次数が非自明に絡み合う最小の設定である4量子ビット系に焦点を当てている。本研究では、SDPによる認証とニューラルネットワーク（NN）による推論を組み合わせたハイブリッドフレームワークを採用している。

1. SDP認証とデータ生成:

   • 著者らは、9つのファミリーに分類される49個の不等価なSLOCCクラスからサンプリングされた、4量子ビット純粋状態のデータセットを生成した。
   • これらのグローバルな状態から、2体および3体RDMを構築した。
   • 特定の周辺量が、互換性のあるグローバルな量子状態を一意に決定するかどうかを判定するためにSDPを用いた。これらのSDPの結果は、ニューラルネットワークの学習用ラベル（再構成可能か否か）として使用される。
   • 再構成可能性への影響を分析するため、位相減衰（phase damping）によるノイズの影響をシミュレートした。

2. ニューラルネットワーク・フレームワーク:

   • 入力: NNは、フルなグローバル状態へのアクセスなしに、のみ 簡約密度行列（2体および/または3体周辺量）を入力として受け取る。
   • タスク1（分類）: 分類器ネットワークは、与えられた一連の周辺量が、互換性のあるグローバルな量子状態を一意に指定するかどうかを判定する。
   • タスク2（再構成）: 再構成ネットワークは、SDPによって一意性が認証された場合にのみ、周辺量からフルな4量子ビット密度行列を明示的に復元するための逆写像を学習する。
   • 学習戦略: ネットワークは、49のSLOCCクラスから生成されたデータを用いて学習される。堅牢性を確保するため、モデルは純粋状態、様々なノルイス型（位相減衰、振幅減衰、デポラリゼーション）、および複合ノイズ分布を含むデータセットで学習される。

3. 実験的検証:

   • 本アプローチは、4量子ビット核磁気共鳴（NMR）量子プロセッサ（$^{13}$C核スピンにラベル付けされたtrans-crotonic acidを使用）を用いてベンチマークが行われた。
   • 実験データセットには、再構成可能なクラスと再構成不可能なクラスの両方を代表する状態、およびランダムに生成されたもつれ状態が含まれる。
   • フル量子状態トモグラフィーを実行して「真の」周辺量を生成し、それを学習済みネットワークに入力する。

主な結果

• 再構成可能性のランドスケープ: 本研究は、9つのファミリー内の49のSLOCCクラスにわたる4量子ビット状態の再構成可能性をマッピングした。これにより、再構成可能性は一般的な性質ではなく、もつれの構造と周辺量の次数の両方に強く依存することが明らかになった。
  • 3体周辺量は、広範な真正多部もつれ（genuinly multipartite entangled）状態を一意に固定する。
  • 2体周辺量は、特定のエンタングルメントクラス（例：$G_{abcd}$クラスは2体および3体両方の周辺量から再構成不可能であるが、$L_{a_4}$クラスは2体周辺量からは再構成不可能だが3体周辺量からは再構成可能である）において、グローバルな状態を一意に決定できないことが多い。
• ニューラル分類の性能:
  • 3体周辺量で学習した分類器は、精度（accuracy）において99.93%（訓練）、99.93%（検証）、98.40%（テスト）を達成し、AUCは0.982であった。
  • 2体周辺量で学習した分類器は、精度において97.05%（訓練）、96.97%（検証）、95.36%（テスト）を達成し、AUCは0.964であった。
  • 実験的なNMRデータにおいて、分類器は再構成可能性クラスの識別において**100%**の精度を示した。
• ニューラル再構成の性能:
  • 3体周辺量からの再構成は一様に信頼性が高く、すべてのエンタングルメントクラスにおいてフィデリティ（忠実度）は1に近い値に集中した。
  • 2体周辺量からの再構成は、ペアワイズの相関による情報内容の制限を反映し、より高い分散と低い中央値のフィデリティを示した。
  • 混合周辺量アプローチ（1つの3体周辺量と3つの2体周辺量を組み合わせる）は、**99%**を超える平均フィデリティを達成した。
  • 実験的なNMRプロセッサにおいて、再構成フィデリティは高い水準（実験的状態に対して**94%**超）を維持しており、学習された逆写像が位相減衰や制御の不完全性に対しても安定していることを示した。
• ノイズへの堅牢性: 複合ノイズデータセットで学習されたモデルは、純粋状態のみで学習されたモデルよりも、異なるノイズ条件下において大幅に優れた汎化性能を示した。回帰タスクとしての再構成は、分類タスクと比較して、連続的なマッピングが摂動に対して本質的に頑健であるため、優れた汎化性能を示した。

意義と主張
本論文は、量子周辺問題を推論タスクとして再定義することを主張している。各インスタンスに対して新たな制約付き最適化問題（SDPのような）を解く代わりに、ニューラルネットワークはデータから再構成可能性の構造と対応する逆写像を直接学習する。

著者らは以下のことを主張している：

1. 情報の符号化: 多部構成もつれのクラスおよび再構成可能性に関する情報は、2体および3体の小さな量子ビットの周辺量の中にコンパクトに符号化されている。
2. 構造の学習: 周辺密度行列のみから学習したニューラルネットワークは、周辺問題の固有の適合性制約を学習し、それを表面的な統計的特徴から区別することができる。
3. 実用的有用性: このアプローチは、圧縮量子トモグラフィーへの実用的な経路を提供し、フル量子状態トモグラフィーを行うことなく、実験的に測定された周辺量からグローバルな量子状態を忠実に復元することを可能にする。
4. 基礎的な洞察: 本研究は、グローバルな量子構造がいかに簡約データに符号化されているかを明らかにした。これは、高次の周辺量が真正多部相関に関連する集団的な制約を保持しているのに対し、ペアワイズの周辺量はしばしばグローバルな状態を決定不足にするという事実を浮き彫りにしている。

結論として、ニューラルネットワークは、ローカルな相関がいつグローバルな量子状態を一意に指定するかを効果的に学習でき、かつ高いフィデリティでその状態を再構成できることが示された。これは、量子周辺問題に対する従来のSDPベースの手法に代わるスケーラブルな選択肢を提供するものである。