New directions in dynamical expectation estimation

技術要約：動的な期待値推定における新たな方向性

問題提起
観測量の期待値を計算することは、物理科学および量子情報における基礎的な課題である。しかし、量子系のダイナミクスを古典的にシミュレートすることは計算量的に困難であり、制御された近似が必要となる。行列積状態（MPS）による状態発展や、パウリ伝搬（Pauli propagation）およびハイゼンベルク描像におけるDMRGといった現在の代表的な手法は、状態または観測量のそれぞれに最適化された切り捨て基準に依存している。これらの手法は、近似された状態とターゲットとなる状態の間の距離、あるいは近似された観測量とターゲットとなる観測量の間の距離を最小化するが、それらの誤差が最終的な期待値の式の中でどのように組み合わさるかについては考慮していない。その結果、これらの近似は、計算対象である特定の期待値には無関係な特徴を状態や観測量の中に保持してしまう可能性があり、ターゲットとなる量に対しては不十分な精度をもたらす。

手法
著者らは、状態と観測量の両方の近似が、最終的な期待値においてそれらの誤差がどのように組み合わさるかに基づいて共同で導かれる代替的なアプローチを提案している。本手法の核となるのは、結合された損失関数を用いて、前方への状態更新と後方への観測量更新を最適化するスイープ・アルゴリズム（Algorithm 1）である。

このアルゴリズムは、初期状態 $\rho_0$ と観測量 $O$ を持つ量子回路 $C = U_L \cdots U_1$ 上で動作する。前方方向に発展する状態 $\rho_t$ と、後方方向に発展する観測量 $O_t$ を定義する。手法は、以下の損失関数を最小化するように、時間スライスを通じて状態近似 $\tilde{\rho}_t$ と観測量近似 $\tilde{O}_t$ を更新する：

1. 前方損失 ($\ell_F$): 状態近似における誤差を最小化すると同時に、期待値における誤差を罰則化する。
   $$\ell_F(\rho; \rho^*, \bar{O}) = \gamma |\text{Tr}[(\rho - \rho^*)\bar{O}]|^2 + \mu \|\rho - \rho^*\|^2$$
   ここで、$\rho^*$ は圧縮されていないターゲット状態、$\bar{O}$ は固定された後方伝搬観測量であり、$\|\cdot\|$ はヒルベルト・シュミット・ノルムを表す。パラメータ $\gamma$ は期待値誤差の重みを制御し、$\mu$ は従来の「状態のみ」の圧縮誤差を制御する。

2. 後方損失 ($\ell_B$): 同様に、前方方向に伝搬した状態を用いて、期待値における偏差を罰則化しながら、観測量近似の誤差を最小化する。
   $$\ell_B(O; O^*, \bar{\rho}) = \gamma |\text{Tr}[\bar{\rho}(O - O^*)]|^2 + \mu \|O - O^*\|^2$$

実装にはテンソルネットワーク（状態にはMPS、観測量にはMPOまたはパウリ・ストリング）を利用する。前方スウィープの間、アルゴリズムは固定された後方観測量を必要としながら、$\ell_F$ を最小化するようにMPSテンソルを更新する。逆に、後方スウィープでは、固定された前方状態を必要としながら、$\ell_B$ を最小化するように観測量テンソルを更新する。$\mu$ 項は、$\gamma$ 項によって制約されない方向に対する正則化として機能し、$\gamma$ 項は期待値の縮約に直接関連する部分を標的とする。

主要な貢献と理論的根拠
本論文は、なぜこの共同最適化が従来の片側切り捨てと比較して誤差を減少させるのかについて、解析的な根拠を提供している。全誤差 $E - b^{(i)}$ （$E$ は真の値、$b^{(i)}$ は推定値）は、2つの剰余項 $R_1$ と $R_2$ に分解される：

• $R_1$ (局所期待値誤差): 各時間スライスにおける期待値の局所的な誤差の総和を表す。提案手法における損失関数の $\gamma$ 項は、これらの局所的な変化を直接的に罰則化し、従来の手法 ($i=0$) と比較して、提案手法 ($i=1$) において $R_1$ の大きさを抑制する。
• $R_2$ (結合近似誤差): 状態近似誤差と後方圧縮誤差の積を表す。著者らは、$R_2$ が両方の誤差が $O(\epsilon)$ であるとき $O(L\epsilon^2)$ とスケールするのに対し、従来手法の支配的な誤差項 ($R_1^{(0)}$) は $O(L\epsilon)$ とスケールすると主張している。したがって、誤差が十分に小さい場合、共同アプローチはより小さな全誤差をもたらす。

なお、損失関数はヒューリスティックな選択として提示されており、最適な形式の目的関数は依然として未解決の課題であると論文内で述べられている。

数値結果
提案されたアルゴブルズムは、「バレン・プラトー（barren plateau）」アンサンブルから抽出された30量子ビットのランダム回路を用い、変分状態圧縮（VSC）およびパウリ伝搬（PP）と比較してベンチマーク評価を行った。回路は、$L$ 層の単一量子ビット回転と近接チャンドルZゲートで構成され、深さは5から100まで変化させた。

• 性能: 同等のボンド次元 ($\chi_\rho = \chi_O \leq 30$ または $50$) において、提案アルゴリズムは、変分状態圧縮によって生成されたものよりも**2桁から3桁小さい**期待値誤差 ($\langle Z_1 Z_2 \rangle$) を達成した。
• 誤差解析: 20量子ビットのインスタンスを用いた数値テストにより、理論的な分解が確認された。提案手法は、従来手法と比較して $|R_1|$ 項（局所期待値誤差）を大幅に抑制したが、両方の $|R_2|$ 項は従来型の $|R_1|$ 項よりも小さかった。

意義と主張
本論文の核心的なメッセージは、状態と観測量の近似は、それぞれを単独で最適化するのではなく、それらが最終的な期待値に与える結合効果に基づいて導かれるべきであるということである。著者らは、このスイープ・アルゴリズムがこの原理の「最適な実現」であるとは主張していないが、それが明確な解析的根拠を提供し、精度において大幅な改善をもたらすことを示している。これらの結果は、動的な期待値推定のための状態と観測量の共同近似に関するさらなる探求を促すものであり、近似の基準をターゲットとなる量に合わせることで、量子系の最も関連性の高い特徴を優先できる可能性を示唆している。なお、具体的な損失関数の形式については、一意に好ましい目的関数ではなく、あくまで一つの例として扱うという控えめな姿勢を維持している。