Q-MERGE: Parallelising Quantum State Preparation for Large-Scale Classical Data

技術要約: Q-MERGE

問題提起
古典的なデータセットを量子状態の振幅に効率的にマッピングすることは、量子優位性を約束する多くの量子アルゴリズムにとって基本的な前提条件である。しかし、大規模な振幅符号化状態の準備は、依然として大きなボトルネックとなっている。直接的な準備手法は、特に複雑なもつれ構造や大きな次元を持つデータに対して、指数関数的なゲート複雑性の問題に直面することが多い。テンソルネットワークを用いた最適化ベースのアプローチは1次元構造に対して有望であるが、複雑な最適化ランドスケープによってアルゴルズムが局所解に陥るため、大規模なデータセットに対する高忠実度な準備にはしばしば苦慮する。さらに、これらを緩和するための既存の戦略（例えば、異なるレジスタ上でセグメントを個別に準備する手法）は、空間利用が最適ではなくなり、相対的なスケーリングの損失を招く。一方で、単一のレジスタ上での逐次的な準備は、並列化を禁止し、ゲート数を倍増させる複雑な制御操作を必要とする。

手法: Q-MERGE フレームワーク
著者らは、ターゲットとなる状態 $|\psi\rangle$ を $M$ 個のより小さな $n$ 量子ビットのセグメント $|\psi_i\rangle$ に分割し、それらを独立かつ並列に準備して、単一の振幅符号化状態へとコヒーレントに結合するように設計された2段階のフレームワーク、Q-MERGE（Quantum Multi-ReGister Encoding）を導入する。

1. ステージ1: 並列準備と SELECT-SWAP 圧縮

   • 分割: ターゲット状態は、$M$ 個の正規化されたセグメントに分解される。
   • 並列準備: 各セグメント $|\psi_i\rangle$ は、特定の状態準備回路 $U^{(i)}_{prep}$ を用いて、個別の準備レジスタ $A_i$ 上に準備される。これにより、より小さな部分問題に対して既存の効率的な手法を利用することが可能になる。
   • 圧縮: ストレージレジスタ $S$ とインデックスレジスタ $I$ が重ね合わせ状態で初期化される。一連の制御 SELECT-SWAP 操作が適用され、インデックス $|i\rangle_I$ に条件付けられて、各準備レジスタ $A_i$ の内容をストレージレジスタ $S$ へとスワップする。
   • 測定: すべての準備レジスタが計算基底で測定される。この測定により、システムは「重み付きスタック」状態 $|\psi_w\rangle = \sum w_i |\psi_i\rangle_S |i\rangle_I$ へと崩壊する。重み $w_i$ は、測定結果と他の準備されたセグメントの特定の要素によって決定される。
   • リソースのトレードオフ: 本フレームワークは、回路の深さと量子ビット数の間で調整可能なトレードオフを提供する。
     • 並列設計: 最大限の並列性のために、$O(Mn)$ 個のアニラ量子ビット（セグメントごとに1つ）を使用する。
     • コンパクト設計: 中間回路測定とレジスタのリセットを利用して、固定された数の準備レジスタ（$\tilde{M} < M$）を再利用し、回路の深さとアーキテクチャを維持したまま、量子ビット要件を $O(n)$ に削減する。

2. ステージ2: 重みの再分配

   • 状態 $|\psi_w\rangle$ は正しいセグメントを含んでいるが、元のターゲットの重み $\sigma_i$ に対して不正確な相対重み $w_i$ を持っている。
   • 古典的なポストプロセッシングステップにより、必要な補正係数 $\alpha_i = \sigma_i / w_i$ が計算される。
   • 元の振幅を復元するために、ブロック符号化された対角演算子が適用される。このステップは確率的であり、成功確率は $P = 1/\beta^2$ （ここで $\beta = \max |\alpha_i|$）で決定される。
   • 古典的プリプロセッシング: $\beta$ が大きい場合（これにより成功確率が低下する場合）に対処するため、著者らは古典的なプリプロセッシング層を提案している。データを分割する前に、浅い「フラットニング回路」$V$（$SU(4)$ ゲートのブリックウォール層で構成される）をデータに適用する。これにより、逆参加比（IPR）を最小化し、実質的に分散を振幅から位相へと移動させ、再重み付けステップの成功確率を高める。最後に、ターゲット状態を復元するために逆回路 $V^\dagger$ が適用される。

主な貢献

• 新しいアーキテクチャ: Q-MERGE は、大規模な状態の準備の困難さをハードウェアの制約から切り離し、セグメントの並列準備を可能にすることで、スケーラブルなフレームワークを提供する。
• 量子ビット効率: 中間回路測定とリセットのプロトコルを導入することで、アニラ量子ビットの要件を $O(Mn)$ から $O(n)$ に削減し、量子ビット数が限られた近未来のデバイスでの実現を可能にする。
• 成功確率の最適化: 古典的プリプロセッシング（IPRの最小化）の統合は、非ユニタリな再重み付け段階の成功確率を大幅に向上させ、潜在的なボトルネックを管理可能なものへと変貌させる。
• ハードウェア検証: 本手法は、トラップイオン量子コンピュータである Quantinuum System Model H2 上で実験的に検証されている。

結果

• 数値的ベンチマーク: 実世界の $128 \times 256$ 超音波データセットに適用した結果、Q-MERGE は $1.066 \times 10^{-8}$ のインフィデリティ（不完全性）を達成した。対照的に、同じ基礎となる Schmidt Spectrum Optimisation (SSO) 法を用いた直接準備では、$3.413 \times 10^{-1}$ のインフィデリティとなり、7桁の改善を示した。
• 成功確率: 超音波データセットにおいて、古典的プリプロセッシングステップは、わずか10層のオーバーヘッドで、再重み付けの成功確率を $0.0053$から$0.3154$ へと向上させた。
• ハードウェア実証:
  • アップサンプリングされたデータ: 53 量子ビット上に 4 行の $N=1024$ データポイントをエンコードし、加重平均忠実度 $0.7135 \pm 0.0720$ を得た。
  • ダウンサンプリングされたデータ: より深い準備回路（10 SSO レイヤー）を用いて $4 \times 32$ データセットをエンコードし、加重平均忠実度 $0.6081 \pm 0.0689$ を得た。
  • 忠実度は、シャドウ・オーバーラップ・トモグラフィーと逆線形回帰を用いて検証された。
• スケーラビリティ: Haar ランダム状態に関する数値解析によれば、成功確率は $M = 10^7$ セグメントまで一貫しており、この手法がセグメント数に対して良好にスケールし、セグメントサイズ $N$ にはほとんど依存しないことを示唆している。

意義と主張
本論文は、Q-MERGE が直接的な状態準備に対する柔軟でスケーラブルな代替策を提供することで、量子データロードの重大なボトルネックに対処することを主張している。この手法は、データがオンザフライで生成可能であるか、あるいはセグメントごとに処理可能である限り、量子コンピュータのリソースに対して指数的なサイズの古典データをエンコードできることを断言している。著者らは、Q-MERGE を単なる特定の手法ではなく、既存のアプローチのスケーラビリティを向上させ得る状態準備手法の「基礎的な構成要素」として位置づけている。さらに、このアーキテクチャは、専用の準備レジスタがメインの量子プロセッサを補助する、専用の状態準備ハードウェアの潜在的なパラダイムを示唆していると述べている。本研究は、再重み付けステップが非ユニタリであるものの、並列準備と古典的プリプロセッシングの組み合わせによって、このアプローチが大規模なデータセットに対して実行可能であることを強調している。