分子のエネルギーを理解するために、科学者たちはしばしば量子コンピュータに頼ります。これは、従来のコンピュータには複雑すぎる問題を解決するために、亜原子の世界の奇妙な規則を利用するデバイスです。しかし、単に量子状態を準備するだけでは、そのエネルギーを知るには不十分です。研究者は答えを推論するために、その状態を繰り返し測定しなければなりません。この繰り返しの測定プロセスはコストがかかり、利用可能な計算リソースの大部分を消費します。課題は、分子のエネルギー方程式のどの部分を一緒に測定すべきかを決定することにあります。一部の要素は互いに干渉することなく同時に測定できますが、他の要素は個別に測定する必要があります。もし科学者がこれらの要素を非効率的にグループ化してしまうと、不要な繰り返しのために時間とリソースを浪費してしまいます。目標は、これらの測定をまとめる最善の方法を見つけ出し、コンピュータを実行する必要がある総回数を可能な限り少なくし、実用的な量子化学を実現することです。
マクマスター大学の研究チームは、このグルーピングの問題を、単なるルールのリストとしてではなく、最適化のパズルとして扱う新しい手法を開発しました。彼らはまず、分子のエネルギー方程式を多くの異なる項の集合として捉えることで、この課題に取り組みました。彼らの戦略は、これらの項を、グループ内のすべてのアイテムが同時に測定可能となるようなグループへと分類することです。これを効果的に行うために、彼らは混合整数線形計画法と呼ばれる強力な数学的ツールを使用しました。これは、数百万通りの可能な組み合わせをテストして、最小限の測定で済む配置を見つけ出す、非常に効率的な仕分け器のような役割を果たします。彼らは、単純な水素鎖から水やアンモニアのようなより複雑な分子に至るまで、さまざまな分子系を用いてこのアプローチをテストしました。
結果は、彼らの最適化されたグルーピングが、現在使用されている標準的な手法よりも大幅に優れていることを示しました。平均して、彼らの新しいアプローチは、従来の最良の手法と比較して、必要な測定回数を52パーセント近く削減しました。これは、同じ精度を得るために、量子コンピュータを約半分の回数しか実行する必要がないことを意味します。また、研究者たちは、これらの最適化されたグループが堅牢であることも発見しました。ある特定の形状の分子のために設計されたグルーピングは、同じ分子のわずかに異なる形状に対しても非常によく機能し、分子の幾何学的構造の微細な変化ごとに戦略全体を再計算する必要性を省いてくれました。この転用性は、現実世界の分子が常に振動し、形を変えていることを考えると極めて重要です。
単に重複しない項をグループ化するだけでなく、チームは、単一の項が複数のグループ間で共有されることもある、より高度な戦略も探求しました。彼らは、単に初期の重複しないリストを洗練させるのではなく、これらの重複するグループを直接選択する手法を開発しました。この直接探索は、すでに強力であった彼らの初期手法に対して、わずかな追加の改善をもたらしたに過ぎませんでしたが、グループの選択の質そのものが、単に洗練ステップを増やすことよりも重要であることを証明しました。実際、彼らの直接探索法は、標準的なアプローチと比較して、より少ない洗練ステップを用いながらも、測定要件を27パーセント削減しました。このことは、効率性の鍵は、単に後から数値を微調整することではなく、グループの正しい構造を見つけることにあることを示唆しています。
この研究は、単純な分子を超えて、物理学における様々な種類の量子相互作用を表す複雑な格子モデルにもこれらの手法を適用してテストを行いました。これらのケースにおいても、新しい最適化手法は標準的な戦略を大幅に上回り、このアプローチが異なる種類の量子問題においても有効であることを裏付けました。研究者たちは、分散情報に基づいた最適化（つまり、測定がどのように変動するかという推定値を使用して選択を導くこと）を用いることで、分子および格子のハミルトニアンの両方におけるサンプリングコストを劇的に削減できると結論付けました。彼らの研究は、数学的に厳密でスマートな測定の整理方法が、基礎となる量子ハードウェアを変更することなく、量子エネルギー推定をはるかに実現可能なものにし、化学や物理学における将来の応用への強固な基盤を提供できることを示しています。
技術要約：量子エネルギー推定のためのバイナリ最適化による測定グループ化
問題提起
変分量子アルゴリズムにおいて、量子状態のエネルギーを決定するには、期待値を推論するための繰り返しの測定が必要である。このサンプリングコストは、パウリ項が多数存在する電子構造問題などにおいて、計算リソースを占める主要な要因となる。互換性のある（可換な）パウリ項は、回路の実行回数を減らすために同時に測定できるが、総ショット数は、これらのグループ内の統計的ゆらぎによって決定される。既存の戦略（Sorted Insertion: SIなど）は、状態に依存しないヒューリスティックに依存していることが多く、状態依存的な相関を十分に考慮できていない。さらに、重複する測定戦略（パウリ項が複数のグループに寄与する場合）は、非重複の分割よりも分散を低減できる可能性があるが、これらは通常、後続の係数分割に対して最適ではない非重複の初期化に依存している。
手法
著者らは、測定グループの設計を、以下の3つのレベルの最適化を区別する古典的なバイナリ最適化問題として定式化している。(I) 非重複グループの構築、(II) 分散情報を考慮した初期化からの重複係数の最適化、および (III) 重複する測定サポートの直接探索である。
- 非重複グループ化 (MILP): 著者らは、パウリ語の可換グラフ（頂点は項を表し、エッジは可換性を表す）をモデル化する。彼らは、近似的な共分散（例：CISDによる）を用いて最適化を行いながら、厳密な共分散を用いて性能を評価しつつ、グループの分散の和に基づく測定コスト ε2M を最小化するように、混合整数線形計画法（MILP）を用いて、非重複なクリーク（可換なグループ）の集合を選択する。
- 反復係数分割 (MILP-ICS): 最適化された非重複グループは、反復係数分割（ICS）の初期化として機能する。このフェーズでは、ハミルトニアンを保持しながら分散を最小化するように、係数がグループ間で再分配され、これにより重複するサポートが可能になる。
- 直接的な重複最適化 (O-clique): 著者らは、重複するサポートを直接最適化する手法である「O-clique」を導入している。O-cliqueは、メンバーシップ行列を直接最適化するのではなく、有限の候補クリークのプール（MILPおよびSIを含む）から選択し、ハミルトニアンの再構成を満たすように連続的なマルチプライヤーを用いて定義済みの係数プロファイルをスケーリングする線形MILPとして定式化されている。この手法は、最終的な短いICSの精緻化の前に、プロファイルを初期化するためにヒューリスティック（相対標準偏差、相対分散、またはSoftmax）を使用する。
主な結果
本研究では、分子ハミルトニアン（H4, LiH, MgOなど）および格子モデル（Fermi–Hubbard, Kitaev–Heisenberg–Γ, XYZ）を用いてこれらの手法をベンチマークしている。
- 非重複最適化: MILPベースのグループ化は、分子ベンチマーク全体において、Sorted Insertion (SI) と比較して、非重複測定要件 (ε2M) を平均 51.8% 削減した。
- 重複メソッドのための初期化: MILPグループをICSの初期化として使用する（MILP-ICS）と、SIから初期化されたICS（SI-ICS）よりも大幅な改善が見られる。論文では、平均的な性能比 R=3.79 （ここで R=ε2M(SI)/ε2M(Method)）が報告されており、MgOでは最大 8.42 の比率に達しており、SI初期化と比較して測定コストの大幅な削減を示している。
- 転移性: 最適化されたグループは、近接する分子幾何構造に対して堅牢性を示す。ポテンシャルエネルギー曲面のスキャンに対して再利用する場合でも、MILPによるグループ化は、再最適化を行わなくても、SIと比較して大幅な節約（例：H4で39.7%の削減）を維持する。単純なヒューリスティックによる精緻化（MILP-R）は、遠い幾何構造における性能低下をさらに軽減する。
- 直接的な重複最適化 (O-clique): O-cliqueは、テストされたシステム全体において、わずか5回の最終的な係数精緻化イテレーションのみを使用しているにもかかわらず、SI-ICSに対して測定要件を 16.0%–41.3% 削減した。これは、O-cliqueが単に係数最適化を延長することで利益を得ているのではなく、より高品質な重複サポートを特定していることを示唆している。しかし、既に最適化されたMILP-ICSのベースラインに対する増分的な利得は緩やかであり（一般に10%未満）、これは追加の古典的探索コストに対する収穫逓減を示している。
- 格子ハミルトニアン: SIベースの戦略に対するMILPベースのグループ化の優位性は、質的に異なる相互作用構造を持つ格子モデルにも及んでいる。
意義と主張
本論文は、分散情報を考慮した測定グループ構造の最適化が、分子および格子の両方のハミルトニアンにおいてサンプリングコストを大幅に削減できると主張している。著者らは以下の通り述べている：
- 最適化された非重複グループは、重複メソッドのための強力かつ転移可能な初期化を提供し、標準的なヒューリスティックを凌駕する。
- 重複するサポートの直接最適化（O-clique）は、優れたサポート構造を特定することによってさらなる利得をもたらすが、よく初期化されたICS（MILP-ICS）に対する限界的な利益は限定的である。
- 古典的な最適化時間と量子測定の節約とのトレードオフを考慮すると、初期化のためにMILPを使用することには価値があり、O-cliqueは追加の古典的リソースが利用可能な場合の二次的な精緻化ステップとして機能する。
本研究は、状態に依存しないヒューリスティックを超えて、分散を考慮したバイナリ最適化へと移行することが、変分量子アルゴリズムにおけるサンプリングのボトルネックを緩和するための有効な戦略であることを確立している。
毎週最高の quantum physics 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録