技術要約：パリティ超選択下における局所フェルミオン・リンドブラディアンの学習

1. 問題設定

本論文は、フェルミオン系における（時間独立で、パリティ共変な、$k$モード局所的な）リンドブラディアン（マルコフ的な開放量子ダイナミクスの生成子）を学習するという課題に取り組んでいる。学習タスクは、奇数のマヨラナ観測量は直接測定できず、全フェルミオンパリティと可換な偶数演算子のみが物理的にアクセス可能であるという、基本的な物理原則であるパリティ超選択によって制約されている。

主な困難は以下の通りである：

• 測定の制約： 物理的な状態および測定は偶数でなければならない。フェルミオンのダイナミクスを完全に特徴付けるために必要な奇数プローブは、外部のパリティ参照なしにはアクセス不可能である。
• 局所性と量子ビット写像： フェルミオン演算子はモードの観点では局所的であるが、標準的なジョルダン・ウィグナー変換の下では、長距離の非局所的な量子ビット文字列に写像されることがあり、学習アルゴリズムにおける「局所性」の定義を複雑にする。
• スケーラビリティ： 標準的な量子プロセス・トモグラフィは、モード数に対して指数関数的にスケールする。目標は、局所的な生成子に対して、システムサイズ $m$ に対して多項式時間（具体的には、ほぼ線形または対数）でスケールするサンプル複雑度を達成することである。
• 未知の構造： 学習プロトコルは、非ゼロの係数の具体的な位置や、基礎となる相互作用グラフに関する事前知識なしに動作しなければならない。注：幾何学的学習シナリオでは、許可されたサポートを定義するために、既知の有界次数を持つモードグラフを明示的に仮定しているが、構造学習シナリオでは、補助的なモードを用いて未知のグラフを扱う。

2. 手法

提案されたフレームワークは、パリティ・ドレッシング（parity dressing）、内部マーカー校正（internal marker calibration）、および**符号付きフィアーズ反転（signed Fierz inversion）**を組み合わせ、短時間の進化データから標準的な生成子の係数を復元する。

2.1 パリティ・ドレッシングと内部マーカー

奇数観測量を測定できない問題を回避するため、著者らは「パリティ・ドレッシング」技術を採用している：

• ドレッシング： 奇数のマヨラナ単項式 $\Gamma_A$ を、互いに素なマヨラナマーカー $\eta$ を用いて偶数のエルミート観測量（すなわち $i\Gamma_A\eta$）に変換する。
• 内部マーカー： 外部のアドバンシャル（補助的）モードを必要とするプロトコルとは異なり、この手法では、ターゲット領域から空間的に離れた内部マーカー（システム内の特定のマヨラナモード）を使用する。
• 校正： これらの内部マーカーのダイナミクスは、システムのリンドブラディアンの影響を受ける。3つの分離されたマーカー（$\eta_1, \eta_2, \eta_3$）間のペア応答のスロープを測定することで、プロトコルはマーカーの自身の進化を補正し、ターゲット観測量の「裸の（bare）」微分を校正する。これにより、マーカー自体の進化による影響を排除して、ターゲットの微分を抽出できる。

2.2 符号付きフィアーズ反転

ドレッシングされた転送微分の（偶数転送曲線の初期時刻微分）が推定されると、著者らは符号付きフィアーズ反転を用いて標準的な係数を復元する：

• 完全性： この反転は、マヨラナ基底の完全性に依存している。
• 制限された反転： 領域 $R$ にサポートを持つターゲット係数のために、アルゴリズムはラベルが $R$ にサポートされる微分のみを使用する。
• 下降再帰： 制限されたドレッシングされた係数とグローバルな標準係数の関係は、三角形式となっている。アルゴリズムは、より大きなサポートサイズ（$k$）からより小さなサイズ（$0$）へと下降しながら、各ステップで大きなサポート（対角拡張）からの寄与を差し引くことで、係数を復元する。この再帰は安定しており、誤差の伝播は局所性パラメータ$k$ によって制御される。

2.3 実験プロトコル

学習プロトコルは、**偶数短時間実験（even short-time experiments）**を利用する：

• 準備： 局所的なフェルミオン・ガウス制御、ランダム化された占有状態準備、およびペア回転を用いて、偶数状態を準備する。
• 進化： システムは、中間制御なしに、未知のリンドブラディアンの下で、あらかじめ指定された短い時間 $t \le (4k\bar{\alpha})^{-1}$ だけ進化する。
• 測定： 偶数観測量が測定される。
• ペア・ブロック・シャドウ： 単一のデータセットから多くの入出力オーバーラップを推定するために、著者らは「ペア・ブロック・プロセス・シャドウ（pair-block process shadow）」技術を使用する。モードをブロックにペアリングし、各ブロックにランダムな偶数設定を適用する。これにより、複数の転送曲線を同時に推定することが可能となり、サンプル複雑度が大幅に削減される。

3. 主な結果

本論文は、2つの異なるシナリオに対して厳密な学習保証を提供している。

3.1 幾何学的学習（既知のグラフ、外部モードなし）

既知の有界次数を持つモードグラフと有限の相互作用範囲 $r$ を仮定する場合：

• サンプル複雑度： すべての標準係数に対してエントリーごとの誤差 $\varepsilon$ を達成するために、プロトコルは $\tilde{\mathcal{O}}(\bar{\alpha}^2 \varepsilon^{-2} \log(m/\delta))$ 個のサンプルを必要とする。
• ダイヤモンドノルム復元： 有効な物理的生成子をダイヤモンドノルム誤差 $\varepsilon$ で返すためのコストは、$m^2$ の因子によって増加する。すなわち $\tilde{\mathcal{O}}(\bar{\alpha}^2 m^2 \varepsilon^{-2} \log(m/\delta))$ である。
• サポート復元： ゼロと非ゼロの係数の間にギャップが存在する場合、閾値処理によって正確なサポート復元が可能である。
• 下界： 本論文は、新鮮なシステムに対する短時間実験の既知の下界に対し、ダイヤモンドノルム復元のための $m^2$ スケーリングが、対数因子および幾何学的因子を除いて一致することを確立している。
• 注： グラフが既知であることは許可されたサポートを固定するが、プロトコルは非ゼロ係数の具体的な位置や局所的な分解に関する事前知識を必要としない。

3.2 構造学習（未知のグラフ、補助モードあり）

相互作用グラフが未知の場合、プロトコルはシステムモードごとに1つのアイドルな補助モードと、潜在的に非局所的なペア操作を許容する：

• 近似次数： この手法は、「近似係数次数」の境界 $d$（少数の係数の裾を除いた後、任意の単一モードに関与する係数が高々 $d$ 個であること）を仮定している。
• サンプル複雑度： プロトコルは、局所誤差 $\varepsilon$ に対して $\tilde{\mathcal{O}}_k(d^2 m^{\lfloor k/2 \rfloor} \varepsilon^{-2} \log(m/\delta))$ 個のサンプルを用いて、局所誤差 $\varepsilon$ を達成する。
• 出力： 推定された係数は、局所誤差 $\varepsilon$ で抑えられ、1つのモードにつき最大 $\mathcal{O}_k(d)$ 個の非ゼロ成分を含む。その後の凸適合（convex fit）により、同等の誤差を持つ有効な生成者を返すことができる。

3.3 拡張

• 指数的裾（Exponential Tails）： 本フレームワークは、指数関数的に減衰する相互作用を持つモデルにも拡張可能であり、サンプル複雑度において多項式対数（polylogarithmic）のオーバーヘッドしか発生しない。
• 予測： 幾何学的モデルについては、固定サポートの偶数観測量は、固定された時間と精度において、システムサイズに対して対数的なサンプル複雑度で予測可能である。

4. 重要性と主張

著者らは、以下の基準を同時に満たす、相互作用する局所フェルミオン・リンドブラディアンのための最初の一般的かつスケーラブルなスキームを確立したと主張している：

1. パリティ適合性： 外部のパリティ参照を必要とせず、偶数の準備と測定のみを使用して、パリティ超選択を尊重する。
2. 局所性の保持： 量子ビット文字列の局性に依存するのではなく、フェルミオンの局所性（モードサポート）を維持する。
3. 中断のない進化： 進化中に制御を挟み込むことなく、短時間データのみに依存して動作する。
4. 標準量子限界のスケーリング： 係数学習に対して、標準量子限界のサンプルスケーリング（$\varepsilon^{-2}$）を達成する。

本研究は、理論的な学習境界と、フェルミオン系（フェルミ・ハバードモデルなど）における物理的な制約との間の溝を埋めるものである。これは、内部マーカー校正と符号付き反転を介して、相互作用するリンドブラディアンへの連続自由フェルミオン・ポテンシャル学習の手法を拡張することで、相互作用するダイナミクスの完全な特性評価が可能であることを示している。これらの結果は、パリティ制約が本質的な性質である極低温原子や超伝導回路などのプラットフォームにとって特に重要である。

論文では、これまでの研究では、局所的な偶数アクセス、中断のない短時間進化、および相互作用するフェルミオン系に対する最適なサンプルスケーリングの組み合わせを確立できていなかったことが明記されている。本手法は、連続体自由フェルミオン・ポテンシャル学習の技術を適応させ、内部マーカー校正と符号付き反転を通じて、相互作用するリンドブラディアンへと拡張したものである。