技術要約：リンドブラディアン学習におけるゲージの自由度と効率的なアルゴリズム

1. 問題設定

本論文は、$N$量子ビットの開放型量子系における局所的なリンドブラディアン $\mathcal{L}$ を、動的データから逆問題として学習する問題に取り組んでいる。リンドブラディアンは、パウリ基底を用いて以下のように展開される：
$$\mathcal{L}[\rho] = -i \sum_{c \in I_h} h_c [P_c, \rho] + \sum_{(a,b) \in I_d} \alpha_{ab} D_{ab}[\rho]$$
ここで、$h_c$ はハミルトニアン係数であり、$\alpha_{ab}$ は（正定値なコサック行列の要素である）散逸係数である。

中心となる課題は、未知の状態準備および測定（SPAM）ノイズの存在である。初期状態や測定が完全である理想的な設定とは異なり、実験的なSPAMエラーは、異なるリンドブラディアンを区別不能にする可能性がある。具体的には、相似変換（ゲージ変換）によって、リンドブラディアン、初期状態、および測定観測量を同時に変化させることができ、その結果、すべての実験的な出現確率が同一に保たれる。本論文は以下の事項を追求する：

1. 局所的なリンドブラディアンのどの成分が、このゲージの自由度によって根本的に学習不可能であるかを特徴付けること。
2. どの成分が普遍的にゲージ不変であり、効率的に学習可能であるかを特定すること。
3. 補助量子ビットやもつれゲートを必要とせず、信頼できる単一量子ビット制御のみを用いた、SPAMに頑健なアルゴリズムを開発すること。

2. 手法

2.1 ゲージ変換と区別不能性

著者らは、局所的なデポラリジング写像 $S_\theta = e^{\Gamma_\theta}$ によって生成されるゲージ変換の族を定義する。ここで $\Gamma_\theta$ は、パウリ演算子 $P$ に対して $\Gamma_\theta[P] = -\theta \cdot s(P) P$ として作用する。この変換の下で、リンドブラディアンは $\mathcal{L} \to S_\theta \circ \mathcal{L} \circ S_\theta^{-1}$ と変換される。極めて重要な点は、SPAMノイズチャネルも適切に変換（ゲージを吸収）されれば、実験的な確率 $p(t) = \text{Tr}[M e^{t\mathcal{L}}(\rho_0)]$ は不変に保たれるということである。

本論文では、任意の固定されたサポートパターン（どの量子ビットが相互作用するかを定義するもの）に対して、すべての実験データを不変に保つような、このような $N$ パラメータの変換の族が存在することを確立している。これにより、リンドブラディアンの成分（ハミルトニアン係数 $h_c$ および実部・虚部 $\alpha_{ab}$）を、これらの変換の下での振る舞いに基づいて分類している。

2.2 学習可能性の分類

著者らは、成分を以下の2つのカテゴリに区別している：

• 普遍的にゲージ不変 (Universally Gauge-Invariant): あらゆる環境空間におけるあらゆる可換な生成子に対して、値が変化しない成分。
• 生成的（ジェネリック）にゲージ依存 (Generically Gauge-Dependent): ほとんどの物理的なリンドブラディアン（完全正性を保持するもの）に対して、任意に小さいゲージ変換によって値を変化させることができる成分。

この分類は、パウリ基底の構造に基づいている：

1. 対角散逸係数 ($\alpha_{aa}$): 普遍的にゲージ不変。
2. タイプI非対角係数 ($\text{Re } \alpha_{ab}$): $P_a$ と $P_b$ がちょうど一つの量子ビットにおいて異なり、かつ両者がその量子ビットにおいて非単位元である場合に不変。
3. タイプII非対角係数 ($\text{Im } \alpha_{ab}$ および単一量子ビット $h_c$): $P_a$ と $P_b$ がちょうど一つの量子ビットにおいて異なり、かつ一方の演算子がその量子ビットにおいて単位元である場合（または $h_c$ が単一量子ビットのパウリ演算子である場合）に不変。

その他の成分は、生成的にゲージ依存であることが示されている。これらの依存成分については、完全正性の制約下であっても、不確実性が $\Omega(1)$（システムサイズ $N$ に依存しない）となる特定の構成が示されている。

2.3 学習アルゴリズム

著者らは、信頼できる単一量子ビット操作のみを用いて、普遍的にゲージ不変な成分を学習するための効率的なプロトコルを提案している。核心となる技術は、特定のダイナミクスを孤立させ、SPAM因子を相殺するためのパウリ・トウィリング（または部分的なトウィリング）である。

• 対角およびタイプI成分:

  • 手法: 完全なパウリ・トウィリングにより、ダイナミクスを指数減衰曲線へと変換する。SPAMノイズは、信号 $f(t) = s_Q m_Q e^{t \ell}$ における乗法的プレファクター ($s_Q m_Q$) としてのみ現れる。$t=0$ と $t=\tau$ における信号の比を取ることで、未知のSPAM因子が正確に相殺され、減衰率 $\ell$ の抽出が可能になる。
  • 再構成: 局所的な減衰率は、サポート包含順序に基づく連立線形方程式によって係数と関連付けられる。
  • 複雑度: $O(\epsilon^{-2} \log(N/\delta))$ の実験回数および総進化時間。

• タイプII成分:

  • 手法: これらは単純な減衰率に還元できないため、著者らは部分的なトウィリング（特定の量子ビットに対する部分群 $\{I, Z\}$ による平均化）を用いて、ハイゼンベルク描像における2次元の不変部分空間へとダイナミクスを孤立させる。
  • 再構成: この部分空間におけるダイナミクスは、対象となるパラメータ（例：$h_z$ または $\text{Im } \alpha_{xy}$）が反対称結合として現れる $2 \times 2$ 行列によって支配される。時間発展した行列の非対角要素を測定し、$t=0$ での微分をとることで、パラメータを抽出する。ここでも、SPAMプレファクターはゼロ時刻の信号に対する微分の比によって相殺される。
  • 微分: 高い精度を実現するために、サンプリングされた時点におけるチェビシェフ多項式補間を用いて微分を推定する。
  • 複雑度: $O(\epsilon^{-2} \log^4(2/\epsilon) \log(N/\delta))$ の実験回数および総進化時間。

2.4 境界誘起ゲージ不変性

本論文では、完全正性（CPTP）の要求が、物理的集合の「境界」（例：コサック行列の固有値がゼロとなる場合）においてゲージの自由度を制限するかどうかを調査している。著者らは、特定の物理的なリンドブラディアンにおいて、特定のハミルトニアン係数がゲージ不変となる十分条件を導出している。しかし、これらの境界特有の不変量を学習することは、依然として未解決の問題であると述べている。

3. 主要な結果

1. 障害の厳密な特性付け: 本論文は、局所的なリンドブラディアンの成分を、普遍的にゲージ不変な集合と生成的にゲージ依存な集合へと完全に分類している。生成的に依存する集合については、無限のデータを用いたとしても、不確実性が $\Omega(1)$ となる物理的なリンドブラディアンが存在することを証明している。
2. 効率的なSPAMに頑健なプロトコル:
   • 定理 2: 信頼できる単一量子ビットゲートのみを用いて、すべての普遍的にゲージ不変な成分（対角 $\alpha_{aa}$、タイプI $\text{Re } \alpha_{ab}$、タイプII $\text{Im } \alpha_{ab}$、および単一量子ビット $h_c$）を、加法的誤差 $\epsilon$ と失敗確率 $\delta$ で学習するプロトコルが存在する。
   • リソースのスケーリング: プロトコルは、$O(\epsilon^{-2} \log(N/\delta))$ から $O(\epsilon^{-2} \log^4(2/\epsilon) \log(N/\delta))$ の実験回数および総進化時間を必要とする。単一量子ビットゲート数は、$N$ に対して（対数因子を除いて）線形にスケールする。
   • 仮定: アルゴリズムは、信頼できる単一量子ビットゲートのみを必要とし、補助量子ビットやもつれ制御は不要である。また、定数サイズの部分集合に対して非ゼロの局所的な可視性 ($r_p, r_m > 0$) がある限り、グローバルに理想から遠く離れたSPAMノイズをも許容する。
3. 境界条件: 定理 31 および 32 は、追加のハミルトニアン係数が物理的集合の境界においてゲージ不変となるための十分条件を提供し、これを「ハミルトニアンがリンドブラディアンのスペクトルに含まれない」という条件に関連付けている。

4. 意義と主張

著者らは、本研究が、現実的なSPAMノイズが存在する状況下での、スケーラブルな開放型量子系のキャラクタリゼーションのための実践的なツールキットを提供すると主張している。

• スケーラビリティ: 全プロセス・トモグラフィー（指数関数的なスケーリング）や、理想的または既知のSPAMを仮定する方法とは異なり、本フレームワークは、実験回数および進化時間に関して、システムサイズ $N$ に対して対数的なスケーリングを達成している。
• 最小限の制御: 信頼できる単一量子ビット操作のみに依存しているため、もつれゲートの較正が困難であったり、補助量子ビットが利用できなかったりする現在のハードウェア（例：捕捉イオン）への適用が可能である。
• 基礎的な限界: 局所的なリンドブラディアンの「学習不可能な」部分を厳密に特徴付けることで、本論文は、データの不足による限界と、根本的な区別不能性に起因する限界を区別し、学習タスクにおける基礎的なエラーフロアを設定している。
• ゲージを考慮したフレームワーク: 本研究は、単にSPAMを無視したり既知であると仮定したりするのではなく、ゲージの自由度を明示的にモデル化し、どの部分が学習可能かを分類し、学習不可能な自由度を相殺するアルゴリズムを提供している。

結論として、境界誘起の不変量は追加のパラメータを学習する可能性を示唆しているものの、それらを学習する一般的な問題は依然として未解決である。主要な貢献は、局所的な開放型システムにおいて物理的に重要なパラメータの大部分をカバーする、普遍的にゲージ不変な部分集合に対する完全な解決策を提供したことにある。