Efficient Learning of Structured Fermionic States under General Quadratic Evolution

技術要約：一般的な二次進化下における構造化フェルミオン状態の効率的学習

問題設定
本論文は、特定の構造化されたファミリーから生成される未知の純粋フェルミオン状態を学習するという課題に取り組んでいる。対象となる状態 $|\Psi\rangle$ は、離散的な入力ブロックのテンソル積に対して、未知の偶ガウス回路（粒子数の保存を伴うホッピングと、ペアの生成・消滅の両方を許容する二次ハミルトニアンによって生成される）を作用させることで形成される。各入力ブロックは、限定された数の離散的な占有パターン（ブランチ）の余弦重ね合わせで構成されており、ブロックごとに固定された粒子数上限 $r^\star$ を持つ。核心となる困難さは、ブロック分解、ガウス回路、および特定のブランチ重みの事前知識なしに、独立した状態のコピーから、コンパクトな準備記述（隠れたブロック構造とガウス回路の特定）を再構成することにある。標準的なトモグラフィーはモード数 $n$ に対して指数関数的に高コストとなるため、これらの「マジック」状態が持つ特定の構造を利用するアルゴリズムが必要となる。

手法
著者らは、単一コピーのガウス測定（回転とその後の占有数読み出し）と古典的な後処理に依存する、3つの学習手順（2つの一般的手法と1つの特化型）を提案している。この手法は、指数関数的に巨大な占有基底ベクトルを再構成するのではなく、構造パラメータの回復に焦点を当てている。

1. 交換子による構造特定: アルゴリズムは、連結四次相関（四点マヨラナ相関）と共分散行列（二点相関）の結合交換子を利用する。二次進化はモードを混合しブロック構造を隠蔽するが、連結四次相関は離散的なブランチ空間に関する情報を保持している。共分散と連結四次のジョイント交換子は、隠れたブロック射影体（projectors）を明らかにし、これによりアルゴリズムはモードを元の離散的なグループへと分離できる。
2. 局所再構成: ブロックフレームが特定された後、アルゴリズムは各ブロック内で局所的な再構成を行う。
   • 適応型手順: 学習された局所フレーム内での新たな測定を用いて、密度行列の成分とコヒーレンスを直接推定する。これには、「親ハミルトニアン」を用いた検証ステップが含まれ、受動的（粒子数保存）な準備が存在するかどうかを判定する。
   • 非適応型手順: すべての測定設定とバッチサイズを事前に固定する。これは、局所的な行列成分を評価し、候補を検証するために、あらかじめ決定された有界次数（次数 $2r^\star$ まで）のモーメントクエリのテーブルを使用する。
   • 安定した復元: 局所的なブランチ係数とモードを、推定されたベクトルから復元するための安定した古典的アルゴリズムであり、ブランチ重みの下限やスペクトルギャップを必要とせず、微小な振幅に対する堅牢性を確保している。
3. 特化型四次学習: 「ペアード・マジック状態」（離散的な占有ペアの等しい重ね合わせ）の特定ケースについて、著者らは四次測定のみで十分であることを示している。彼らは、二次的なデータを用いることなく、四次の座標の誤差から対象状態と候補状態の間のトレース距離を直接境界付ける証明（「親ハミルトニアン」）を導出している。

主な貢献

• 一般的な二次進化: 以前の研究は受動的（粒子数保存）な進化に限定されていたが、本論文は、ペアの生成・消滅を含む能動的な回路（active circuits）を含む、一般的な二次進化の下での学習可能性を証明している。
• 構造に関する制約なし: アルゴリズムは、最小ブランチ重み、共分散ギャップ、またはブロックの均質性を仮定しない。ブランチの重みが極端に小さい場合やゼロの場合、あるいはブロック数がシステムサイズとともに増大する場合でも対処可能である。
• 認証された受動的出力: 適応型手順は、約束されたファミリー内に受動的な準備が存在するかどうかを判定し、見つかった場合にはそれを返すことができる。これには事前に入力に関する情報提供は不要である。
  Nil
• リソース境界: 論文は、システムサイズ $n$、逆忠実度 $f^{-1}$、および失敗確率 $\delta$ に対する明示的な多項式リソース境界を提供している。
  • 適応型: $N = O_{r^\star}(n^{\max(20, 2r^\star+6)} f^{-2} \log(nr^\star/\delta))$ コピーを必要とする。
  • 非適応型: $N_{na} = O_{r^\star}([t^{6r^\star+26} f^{-2} + t^{3r^\star+25} f^{-3} + t^{9r^\star+8} f^{-1}] \log(\dots))$ コピーを必要とする（ここで $t=n+1$）。この境界には、$f^{-2}, f^{-3}, f^{-1}$ に比例する項が含まれており、$f^{-1}$ の項において最も高い多項式依存性が現れる。
  • ペア軌道 (Paired Orbit): ペアード・マジックの特化ケースでは、四次測定のみを用いて $N = O(n^{19} \epsilon^{-2} \log(n/\delta))$ コピーで十分である。
• 下界: 著者らは、$\Omega((n^2 + \log(1/\delta))/f)$ コピーという必要な下界を確立しており、これは彼らのアルゴリズムの上界が多項式である一方で、理論的な最小値との間にギャップが存在することを示唆している。

結果
主要な定理は、記述されたファミリーからの独立したコピーの標的状態が与えられたとき、学習器が標的状態を忠実度 $1-f$、信頼度 $1-\delta$ で近似する準備の古典的記述（入力ブロックとガウス回路）を出力することを保証する。

• 定理 1: 一般的な二次進化の下での、任意の二次進化における学習可能性を確立する。明示的な準備記述を提供し、もし標的が受動的な表現を持つならば、アルゴリズムがそれを見つけ出し、認証できることを保証する。
• 定理 2: ペアード・マジック軌道については、四次測定のみが状態の学習に十分であることを示し、観測誤差を状態誤差へと変換する明示的な境界を示す。
• 数値例: 1つおよび2つのダイマー（4および8モード）を用いたシミュレーションは、四次再構成手法を示しており、コピー予算を増やすことで、学習された状態が標的軌道の近くに集中し、隠れたブロックのスペクトル分離が改善される様子を描いている。

意義と主張
本論文は、複雑な一般的な二次進化によって混合された後でも、その隠れた準備構造が効率的に学習可能なまま残る、非ガウス的フェルミオン状態のクラスを特定したと主張している。

• ガウス展開との区別: 著者らは、自身の手法が状態をガウス成分へと展開するのではなく、「構造化された準備記述」を学習するものであることを強調している。これは重要である。なぜなら、このような状態のガウスランクは指数関数的に大きくなり得ることが最近の結果で示されており、ガウス展開は計算不可能なものとなるが、構造化された準備自体は多項式リソースで学習可能だからである。
• 量子優位性の検証: 本研究は、非ガウス的な入力をガウス回路によって進化させた、フェルミオン・サンプリングの提案の検証に関わるものである。
• 最適性に関する謙虚な姿勢: 著者らは、自身の多項式境界は最悪ケースの十分な境界であり、必ずしも最適ではない（例：ペアードの場合の $n^{19}$ 依存性）ことを明記している。彼らは、他の手法に対する実用的な優位性を確立したり、フェルミオン・サンプリングのサンプリング困難性の仮定を論破したりすることを目的としているのではなく、状態の「記述」を学習することは、その全分布からサンプリングすることとは別物であり、潜在的に容易であることを示している。
• 先行研究の拡張: 論文は、同時並行の研究 [9] が「受動的」な進化の下での同様の学習を扱っているのに対し、本研究はすべてのパリティ保存的な二次ハミルトニアン（ペアの生成・消滅を含む）へと範囲を広げ、接続されたマヨラナ相関と共分散適合交換子に基づく異なる方法論的アプローチを用いていることを述べている。