次世代のコンピュータが構築されている、静かで極低温の研究所において、科学者たちはスケールの問題に解決を試みています。従来のコンピュータはビットを使用しており、これはオンかオフのいずれかの状態をとる小さなスイッチのようなものです。しかし、量子コンピュータは量子ビット（qubit）を使用しており、これは両方の状態が同時に混ざり合った状態で存在できるため、古典的なマシンには不可能な方法で情報を処理することができます。これらのマシンをさらに強力にするために、研究者たちは「クディット（qudit）」と呼ばれる変種に注目しています。わずか2つの状態ではなく、クディットは多くの異なるエネルギー準位を同時に保持することができます。それは、ピアノの鍵盤を押し、単一の音を奏でることに似ていますが、この場合、「鍵」とはフォトンのと呼ばれる粒子を特定の数だけ保持できる容器のことです。これらの多準位の容器を使用することで、科学者たちはより少ない物理的デバイスにより多くの情報を詰め込み、量子回路をより単純かつ効率的にすることを目指しています。
しかし、これらの複雑な量子状態を準備することは非常に困難です。計算に必要な正確な構成にクディットを設定するために、研究者は一連の精密な操作を実行しなければなりません。最も一般的な手法の一つは、エネルギーを移動させた後に、状態を構成する波のタイミングを微調整するという、2段階のダンスによるものです。最初のステップである「ディスプレイスメント（変位）」は、エネルギー準位をシフトさせます。第2のステップでは、「SNAPゲート」として知られる特殊なツールを使用して、各エネルギー準位に対して独自のタイムディレイ（位相）を適用します。課題は、多くの準位を持つクディットの場合、状態を正しく整えるために必要なこれらのタイムディレイの数が爆発的に増加してしまうことです。もし研究者がすべてのレベルを独立して制御しようとすれば、システムはあまりに複雑になり、必要な制御信号は長くなり、校正が困難になり、エラーが発生しやすくなります。それは、個々の演奏者にそれぞれ独自の、絶えず変化する指示が必要な巨大なオーケストラをチューニングしようとするようなものです。演奏者が増えれば増えるほど、ミスをすることなく全員の同期を保つことは難しくなります。
これを解決するために、イタリアのミラノ・ポリテクニコ大学の研究チームは、コンピュータにどの指示が実際に必要であるかを教える新しい方法を開発しました。すべての可能なタイムディレイを制御しようとしたり、硬直した既製の制御パターンに固執したりする代わりに、彼らは「学習する」システムを作り上げました。彼らは、既知の効率的な制御パターンから出発し、そこに「スマートなフィルター」として機能する学習レイヤーを追加しました。このフィルターは、学習プロセスの中で、どの特定のタイムディレイが現在のタスクに有用であり、どれを無視できるかを決定します。システムは「温度アニーリング（温度焼きなまし）」と呼ばれる手法を使用しますが、これは溶けた金属をゆっくりと冷却して、強固で安定した形状へと落ち着かせるプロセスに似ています。最初はシステムは「熱く」柔軟であり、多くの可能性を探索することを許容します。冷却が進むにつれて、システムは確実な決定を下し、柔軟なフィルターを、不可欠な制御のみを保持する厳格なオン・オフ・スイッチへと変えていきます。
研究者たちは、この学習手法を、2種類のターゲット状態（高度に構造化され規則的なものと、完全にランダムなもの）を用いて、従来の固定されたパターンと比較検証しました。彼らはコンピュータ上でシミュレーションを行い、高い精度に到達するためにどれだけのタイムディレイが必要になるかを調べました。その結果、構造化された規則的な状態に対しては、学習手法が著しく効率的であることが示されました。あるケースでは、既存の最良の手法と比較して、最終的な状態の精度を損なうことなく、必要な制御数をほぼ半分に削減できました。例えば、32の準位を持つシステムにおいて、新手法は特定の高精度な目標に到達するために81個の制御のみを必要としましたが、従来の最良の手法では152個を必要としていました。この削減は極めて重要です。なぜなら、制御が少なければ少ないほど、信号は短く単純になり、実際のマシンにおいて失敗する可能性が低くなるからです。
しかし、この優位性は普遍的なものではありませんでした。研究者がランダムで混沌とした状態に対してこの手法をテストしたところ、結果はより混合したものでした。学習手法はいくつかのケースでは依然として良好なパフォーマンスを示しましたが、すべてのシナリオにおいて古い固定パターンを凌駕したわけではありませんでした。このことは、どの制御を保持すべきかを学習するメリットが、処理される情報の具体的な種類に大きく依存していることを示唆しています。この研究は、硬直した定義済みの制御パターンがしばしば十分な性能を発揮する一方で、不要な複雑さを削ぎ落とすように適応し学習できるシステムが、より効率的な量子コンピュータを構築するための明確な道筋を提供することを裏付けています。この研究は、量子制御の問題を完全に解決したと主張するものではありませんが、機械に対して自らの指示に対して選択的になるよう教えることが、リソースの大幅な節約につながり、実用的な量子コンピューティングという夢を現実へと一歩近づけることを実証しています。
技術要約：SNAPゲートのためのスパースな構造を学習することによる、クディット状態準備コストの削減
問題提起
ボゾン量子コンピューティングにおいて、dレベルのクディット（超伝導共振器にエンコードされたもの）における任意の量子状態を準備するには、通常、一連の選択的数依存任意位相（SNAP）ゲートと変位操作が用いられる。完全にパラメータ化されたアンザッツは、各SNAPゲート内のすべてのフォック準位に対して独立した位相を割り当てる。B個のSNAPゲートがd次元のクディットに作用する一連のシーケンスに対して、これはB×d個の独立した位相パラメータをもたらす。この急激なパラメータの増加は、近未来のシステムに対して2つの重要な課題を提示する：
- 制御の複雑性： 多くの位相を制御するには、周波数成分が密集した複雑な制御パルスが必要となり、ゲートが長くなり、校正が困難になる。
- 誤差の蓄積： 制御の複雑さが増すと、制御誤差やノイズに対する感受性が高まる。
先行研究では、学習可能な位相を事前定義されたスパースなパターン（例：対角構造やグリッド構造）に制限することで、この問題に対処してきた。しかし、これらのヒューリスティックなパターンは学習前に固定されている。その結果、不要な位相が残ったり、特定のターゲット状態に不可欠な位相が除外されたりする可能性があり、フィデリティとリソースのトレードオフを制限する可能性がある。
手法
著者らは、必要なSNAP位相の値と位置の両方を動的に決定する「学習可能（Learnable）」な手法を提案している。このアプローチは、変分量子状態準備フレームワークに、微分可能なマスキングのための機械学習技術を統合している。
- 微分可能なマスキング： この手法は、「対角（適応型）」アンザッツの構造的マスク（学習可能な位相の事前定義されたバンド）から始まる。次に、第2の連続的な「学習されたマスク（Mlearn）」が導入される。ここで、各エントリは学習可能なロジットzb,fに対応する。これらのロジットは、温度パラメータτを伴うシグモイド関数を介して[0,1]の区間にマッピングされる。
- 同時最適化： ゲートパラメータ（変位の振幅/位相およびSNAP位相）とマスクのロジットは、勾配降下法（Adam）を用いて同時に最適化される。目的関数Jは、状態フィデリティを最大化しつつ、保持される位相の数と大きなゲートパラメータにペナルティを課す：
J=F(α,Θ~)−Rgate−Rmask
マスクの正則化項Rmaskには、活性な位相の数を近似するℓ1項と、マスクの値が中間値ではなくバイナリ（0または1）になるよう促すエントロピー項が含まれる。
- 温度アニーリング： 連続的なソフトマスクを離散的なバイナリの決定に変換するために、幾何学的なアニーリングスケジュールを用いて、温度τを10,000ステップにわたって1から0.05へと段階的に減少させる。これによりシグモイド関数が鋭くなり、マスクのエントリが0または1へと強制される。
- 後処理： 学習後、ソフトマスクはバイナリのハードマスクへと閾値処理される。続いて、固定されたバイナリマスクの下でゲートパラメータを最適化するための短い微調整フェーズ（200ステップ）が行われ、最終的な構成が物理的に実現可能であることを確実にする。
主な貢献
- 適応的な位相選択： 固定された構造的マスクを持つ従来のスパースなアンザッツとは異なり、本手法は、特定のターゲット状態に対して、開始となるヒューリスティックな構造内の「どの」位相が必要であるかを学習する。
- 微分可能なスパース性： 温度アニーリングを伴う微分可能なマスクの導入により、メインの学習ループ中に離散的で非微分的な操作を行うことなく、エンドツーエンドの位相スパース性の最適化が可能になる。
- 包括的な評価： 本手法は、完全なパラメータ化アンザッツおよび事前定義されたスパースアンザッツ（対角（適応型/複数）、グリッド）に対し、Fourier-5およびHaarランダムなターゲット状態を用いて、クディット次元d∈{8,16,32}で評価されている。
結果
評価は、不完全性（I）と、特定の閾値における最小位相数によって測定される活性なSNAP位相数の間のトレードオフに焦点を当てている。
- 位相の削減： 学習可能な手法は、いくつかの構成において、ベースラインと比較して必要なSNAP位相の数を一貫して減少させている。
- Fourier-5状態に対して： 本手法は、特に大きな次元（d=16,32）および中間的な不完全性（10−2から10−4）において、顕著な利点を示している。例えば、d=32かつI≤10−3の場合、学習可能な手法は、最良のベースラインの152個に対し、81個の位相を必要とした（約47%の削減）。
- Haarランダム状態に対して： 結果はより混在している。学習可能な手法はd=8およびd=16で厳格な改善を示したが、d=32では競争力が低下し、報告されたどの閾値においても最小位相数を達成できなかった。
- パレートフロントとハイパーボリューム：
- Fourier-5状態について、学習可能な手法は中間的な不完全性領域（10−2から10−4）において明確な優位性を示し、Diagonal（適応型）ベースラインよりも優れたトレードオフを提供している。
- I≤10−3に限定したハイパーボリューム分析において、学習可能な手法は、すべての次元のFourier-5状態に対して最高の平均ハイパーボリュームを達成した。
- Haarランダム状態については、Diagonal（適応型）ベースラインが全範囲にわたって高いハイパーボリュームを維持することが多かったが、学習可能な手法も特定の領域では競争力を保っていた。
- 期間： 減少した位相数は、必ずしもゲート時間の短縮に直結するわけではない。なぜなら、期間はブロック間の位相の分布に依存するためである。しかし、いくつかの好ましいケース（例：d=32のFourier-5）では、学習可能な手法はより少ない位相数とより短い期間の両方を達成した。
意義と主張
本論文は、位相の値とともに位相の位置を学習することが、静的なスパースパターンと比較して、競争力のある、あるいは改善されたフィデリティ・リソースのトレードオフを提供することを主張している。著者らは、この利点が状態依存的であり、かつ次元依存的であることを強調している。
- 本手法は、構造化された状態（Fourier-5など）および、近未来のアプリケーションに関連する中間的な不完全性領域において最も効果的である。
- 高次元における高度にランダムな状態（Haar）に対する利点は減少しており、これは初期のヒューリスティック構造（Diagonal adaptive）が、それらのケースにおいては既に最適に近いか、あるいはマスクとパラメータの共同学習のための最適化ランドスケープがより困難であることを示唆している。
- 本研究は、微分可能なマスキングが、ボゾン状態準備における制御オーバーヘッドを削減するための実行可能な戦略であることを示しているが、現在はゼロから全く新しいトポロジーを発見するというよりは、既存の構造を剪定（プルーニング）することによって機能している。
著者らは、手法が事前定義されたスパースアンザッツを改善する一方で、その恩恵の大きさは、特定のターゲット状態や不完全性の範囲に大きく依存すると結論付けている。今後の課題として、より広範な初期構造や現実的なノイズ制約を探索することが示唆されている。
毎週最高の 量子物理学 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