A Coherent Memory Register for Sequential Quantum Generative Modeling, with Application to Calorimeter Showers

宇宙の基本構成要素を探求する高エネルギー物理学の実験では、粒子を検出器に向けて発射し、それらがどのように壊れ、散乱するかを観察します。高エネルギー粒子がカロリメータと呼ばれる装置に衝突すると、単に停止するのではなく、二次粒子のカスケード（降下）を引き起こします。このシャワーは広がり、何百、何千もの微小なセンサーにエネルギーを堆積させます。これらのシャワーをシミュレーションすることは、物理学者が目に見えているものを理解するために不可欠ですが、現在利用可能な最も正確な手法を用いてこれを行うことは、計算能力の面で非常に大きなコストがかかります。実験が大規模化し、生成されるデータが増加するにつれ、粒子シャワーをシミュレートするために必要な時間とエネルギーが、利用可能なリソースを上回る脅威となっています。科学者たちは、より高速なショートカットを作るために機械学習を利用してきましたが、これらの古典的なショートカットは、粒子シャワーの異なる部分間の複雑な関係性を捉えるために、膨大なメモリと処理能力を必要とすることがよくあります。

DESYとRWTHアーヘン大学の研究チームは、量子コンピュータを用いた異なるアプローチを提案しました。検出器のすべてのセンサーを量子コンピュータの個別の部分に対応させようとする代わりに、彼らは粒子シャワーを一つずつ生成していく手法を開発しました。彼らの革新は、すでに生成されたものの「知識」を保持する、小さく固定されたサイズの量子メモリに依拠しています。これにより、画像と同じ大きさの量子コンピュータを必要とすることなく、大規模で複雑な画像を構築することが可能になります。彼らが「コヒーレント・メモリ・ボルン・マシン（coherent-memory Born machine）」と呼ぶこの手法は、実際の量子プロセッサ上で粒子シャワーの統計的パターンを再現することに成功し、極めて小さな量子システムが、より大きな物理的事象の複雑な相関関係を担うことができることを実証しました。

粒子シャワーのシミュレーションにおける課題は、検出器の一部分に堆積したエネルギーが、他の部分のエネルギーと深く結びついていることです。これらのつながりはランダムではなく、エネルギー保存則のような物理法則によって支配されています。シャワーを正確にシミュレートするには、コンピュータは検出器の一つのセルにおける変動が、遠く離れたセルにどのように影響するかを理解しなければなりません。従来の量子的なアプローチでは、画像のサイズに合わせて量子レジスタ（量子コンピュータのメモリ）を拡張する必要がありました。もしシャワーが千個のセルに触れるならば、量子コンピュータは千個の量子ビット（量子情報の基本単位）を必要とします。この要件は、現在の技術の能力を急速に超えてしまいます。他の手法では、画像の各部分の間に情報を伝達するために古典的なチャネルを使用しようとしましたが、これは事実上、シミュレーションの量子的な性質を分断し、シミュレーションを正確にするための相関関係そのものを失わせることになります。

研究者たちは、量子コンピュータが過去をどのように記憶するかを変えることで、この問題を解決しました。彼らは粒子シャワーの画像を小さなブロックに分割し、それらを一つずつ順番に生成しました。各ブロックに対して、量子コンピュータは6個という固定された小さな量子ビットのセットを使用しました。これら3個の量子ビットは現在のブロックを生成するために使用され、残りの3個はメモリとして確保されました。決定的なのは、このメモリがプロセス中に一度も測定されたり読み出されたりしなかったことです。量子力学の世界では、系の測定を行うと系は確定した状態を選択することを強制され、複雑な相関関係を可能にする繊細な量子的なつながりが破壊されてしまいます。メモリの量子ビットを未測定のままにしておくことで、量子コンピュータは、前のブロックに関する情報を重ね合わせの状態（システムが複数の可能性を同時に保持する量子的な状態）として保持し続けました。この未測定のメモリは、最初のブロックの情報を最後のブロックまで、単純な古典的値へと崩壊させることなく運ぶ架け橋として機能しました。

チームは、12個のセルに広がった粒子シャワーを表すデータセットを用いてこの手法をテストしました。彼らは、生成されたパターンを実際のシミュレーションデータと比較する特定の学習プロセスを用いて、量子回路をブロックのシーケンスを生成するように訓練しました。目標は、単に各セルの平均エネルギーを一致させることではなく、それらの間の複雑な相関の網を再現することでした。IBMの「ibm kingston」という実在の量子プロセッサでシミュレーションを実行したところ、結果は驚くべきものでした。モデルは、すべてのセルのエネルギー分布と、シャワー全体の総エネルギーを正常に再現しました。さらに重要なことに、モデルは相関行列、すなわち、あるセルのエネルギーが別のセルのエネルギーとどのように関連しているかを示すマップを、ブロックの境界をまたぐ複雑なパターンを含めて正確に捉えました。

未測定のメモリが確かにこれらの相関の源であることを証明するために、研究者たちは対照実験を行いました。彼らは全く同じ回路を実行しましたが、その際、3個のメモリ量子ビットを取り除きました。それ以外の部分はすべて変更していません。メモリがない状態では、モデルはブロック同士が完全に独立したものとして生成しました。遠く離れた部分の間の相関は消失し、モデルはデータの複雑な構造を再現することに失敗しました。これにより、量子メモリこそがブロック間で情報を運んでいた唯一の要素であることが確認されました。この研究は、量子システムが固定された小さなメモリを用いることで、古典的なシステムが同等の精度で表現するためにほぼ7倍もの隠れた状態を必要とするような結合確率分布を表現できることを示しました。

研究者たちはまた、実際のハードウェアと、ノイズのない完璧なシミュレーションとの間でのモデルの性能についても調査しました。IBMの量子プロセッサは、総エネルギーのスペクトルをわずかにシフトさせるようなエラーを導入しましたが、相関の根本的な構造は維持されていました。モデルは崩壊したのではなく、単にドリフト（漂流）したのです。これは、このアーキテクチャが現行の量子デバイスの不完全さに対しても十分に堅牢であることを示唆しています。この研究は、複雑な物理プロセスをシミュレートするためのボトルネックは、必ずしも量子コンピュータのサイズではなく、むしろ、シーケンスの遠く離れた部分を連結できるコヒーレントなメモリを維持する能力にあることを明らかにしました。

このアプローチは、高エネルギー物理学に新たな道筋を提供します。量子レジスタのサイズを画像のサイズから切り離すことで、研究者たちは、小さく管理可能な量子デバイスを用いて、大規模で複雑なシステムをシミュレートできることを示しました。この手法は、情報を直接観測されない状態で保持するという量子力学の独自の能力に依拠しており、これにより、古典的なコンピュータが効率的に再現することに苦慮するような接続を維持することを可能にしています。量子ハードウェアの進化が進むにつれ、この技術は、物理学者がデータの規模に制限されることなく、より大規模で複雑な粒子シャワーをシミュレートすることを可能にし、自然界の基本原理に対するより深い洞察への扉を開くことになるでしょう。