Normalizing Flow-Based Bayesian Parameter Estimation for Noisy Quantum States

量子物理学という奇妙な世界では、粒子は私たちが日常的に目にしている固形物のような振る舞いはしません。その代わりに、粒子は「量子状態」と呼ばれる数学的な対象によって記述される、確率の霞の中に存在しています。量子コンピュータや安全な通信ネットワークを構築しようとしている科学者にとって、ある瞬間にこの状態が正確にどのようなものであるかを知ることは極めて重要です。しかし、これらの状態を測定することは非常に困難です。量子系を観察するという行為自体がそれを乱してしまい、収集されるデータは環境からのノイズに満ちた、しばしば乱れたものになります。何十年もの間、研究者たちは、量子状態がどのような姿をしているかについて、単一の「最善の推測」を見出そうとする手法に頼ってきました。これは、本質的には、無数の可能性の中から一つの答えを選び出す手法です。このアプローチは機能してはいるものの、その状態を作り出した様々な要因間の不確実性や関係性に関する膨大な情報を捨て去ってしまうことになります。

物理学者のチームは今、この問題に対して、不確実性を無視しようとするのではなく、むしろそれを受け入れる新しいアプローチを開発しました。高度な機械学習と、ベイズ推論として知られる統計的手法を組み合わせることで、彼らは単一の最善の答えを見つけるだけでなく、あらゆる実験設定やノザイス源がどのように結びついているかを示す、可能性のある答えの全景を描き出すフレームワークを構築しました。彼らはこの手法を、「光の猫状態（optical cat state）」として知られる特定の種類の量子状態を用いてテストしました。これは、将来の量子技術において不可欠な、光の波の繊細な重ね合わせ状態です。彼らの研究は、レーザーの具体的な設定や、機器に避けられない熱ノイズが、最終的な量子状態をどのように形作るかを明らかにしており、従来の手法よりも、そこで起きている物理的プロセスのより鮮明な姿を提供しています。

研究者たちは、量子光学における特定の課題、すなわち「ノイズの多い」量子状態がどのように形成されるのかを理解することに焦点を当てました。彼らの実験では、スクイーズド光（一方の性質の不確定性が減少した特殊な光）を取り出し、そこに単一光子を加えることで、これらの状態を生成しました。このプロセスは、高度に非古典的な状態を作り出すはずのものですが、現実には装置は決して完璧ではありません。光は熱によって劣化し、レーザーは変動し、光子を加えるプロセスが常に成功するとは限りません。従来の手法では、最終的な状態を全体として再構成しようとしますが、これでは不完全さの具体的な原因が隠されてしまうことがよくあります。チームは、単に状態がどのようなものであるかだけでなく、そのうちのどれだけが目的の光子添加によるもので、どれだけが熱ノейズによるもので、そしてレーザーの出力がこれらの要因にどのように影響したのかを正確に知りたかったのです。

これを解決するために、彼らは洗練された「翻訳機」として機能する機械学習モデルを構築しました。まず、レーザーの強度、熱ノイズの量、状態が単一光子を正常に受け取った割合など、実験を記述する一連の物理パラメータを定義しました。次に、単純でランダムなデータを複雑で構造化されたパターンへと変換するように設計されたニューラルネットワークの一種である「ノーマライジング・フロー（normalizing flow）」を用いました。この場合、ネットワークはランダムなサンプルを取り込み、観測された実験データを生み出すことができたであろう現実的な物理パラメータの集合へと変換することを学習しました。決定的なのは、生成されるパラメータが、例えば確率の合計が1になることや、レーザー出力が安全な範囲内に留まることなど、常に理にかなったものになるよう、物理的なルールをネットワークに直接組み込んだことです。

チームは実験データを2つの部分に分割しました。一方の部分は、事前知識や初期測定に基づいて、パラメータが取り得る値の一般的な範囲をモデルに理解させるための「舞台設定」として使用されました。もう一方の部分は、異なるパラメータの組み合わせが実際の測定値をどの程度うまく説明できるかを確認するための「テスト」として使用されました。このプロセスを数千回繰り返すことで、モデルは単一の数値に落ち着くのではなく、各パラメータの最も可能性の高い値だけでなく、それらの不確実性や相互依存性を示す「可能性の雲（分布）」を生成しました。これにより、例えば熱ノイズが増加すれば、量子的な「奇妙さ」が予測可能な形で減少するといったことが観察できました。

このフレームワークをデータに適用したところ、示唆に富む結果が得られました。初期のスクイーズド光を作成するために使用するレーザーの出力を上げると、システム内の熱ノイズが増大し、それが結果として状態の明確な量子特性を減少させることが分かりました。しかし、状態が単一光子を正常に受け取った割合は、比較的安定していました。また、モデルは光子添加の量と、「ネガティビティ（負値性）」と呼ばれる、状態がどれほど非古典的であるかを示す特定の指標との間の強い関連性を明らかにしました。光子が加えられるほど、この値はより負の方向に大きくなり、このプロセスがシステムをさらなる量子領域へと押し進めるという理論的期待を裏付けました。逆に、熱ノイズがこの特定の特性に与える影響は非常に弱く、量子的な性質は特定の種類の劣化に対しては堅牢であるが、他の種類には敏感であることを示唆していました。

研究者たちはまた、このモデルがより複雑なシナリオを扱えるかどうかについてもテストを行いました。彼らは、光が跳ね返って波の位置をシフトさせる可能性のある微妙な効果を考慮した、第2のバージョンのモデルを導入しました。これらの追加の変数を含めても、フレームワークは良好に機能し、より複雑な物理的記述に適応できることを示しました。従来の手法と比較した際、彼らのアプローチは、特に光の特性の微妙な変化を捉える点において、実験データにより良く一致することが分かりました。これは、単一の平均値を見るのではなく、可能性の全範囲を見ることで、同じノイズの多い測定からより正確な情報を抽出できることを示唆しています。

最終的に、この研究は実験家と理論家の双方に新しいツールを提供します。それは単に「状態はどうなっているか？」という問いを超えて、「状態はどうやってそうなったのか？」という問いを投げかけます。実験設定、ノイズ源、および最終的な量子特性の関係を詳細な地図として提供することで、このフレームワークは、装置のどの部分がうまく機能しており、どの部分が問題を引き起こしているのかを特定するのに役立ちます。これは、より優れた量子デバイスを構築する上で不可ントであり、どのパラメータを調整すれば性能を向上させられるかをピンポイントで特定することを可能にします。本研究は、機械学習と統計的推論を適切に組み合わせることで、現実世界の実験における混沌としたノイズを、根底にある物理学についての明確で解釈可能な物語へと変えることができることを証明しています。