技術要約: Trajectree - 量子軌跡ベースの量子回路シミュレータ

問題提起

量子系の数値シミュレーションは、アルゴリズムのテスト、誤り訂正プロトコル、およびデバイスのデバッグに不可欠である。しかし、開いた量子系（ノイズのある系）のシミュレーションは、大きな課題を伴う。状態ベクトルシミュレーションは、密度行列の二次的な空間複雑性を回避できる一方で、非コヒーレントなダイナミクスを本質的にモデル化することはできない。逆に、完全な密度行列シミュレーションは指数関数的な空間複雑性を受けるため、非常に小さなスケールに制限される。

軌跡ベースのシミュレーションは、モンテカルロ法を用いることで、二次的な空間スケーリングなしに開いた系のダイナミクスを近似する中間的な手段を提供する。しかし、従来の軌跡シミュレーションは計算効率に問題がある。これらは、膨大な数の無相関なモンテカルロ・サンプルを生成する必要があり、そのたびに量子回路全体を再評価しなければならない。この繰り返される数値計算は、特に深く広い回路や、確率質量が少数の軌跡に集中している偏ったノイズプロファイルを持つシステムをシミュレートする場合において、致命的なボトルネックとなる。

手法

著者らは、モンテカルロ・サンプリングを加速させるために、新しい「状態保存部分実行（state-saving partial execution）」スキームを導入した量子回路シミュレータ、Trajectreeを提案する。核となる手法は、モンテカルロ・サンプルは同一の分布から抽出されるため、あるサンプル中に生成された中間量子状態を「学習」し、後続のサンプルに対して再利用できるという観察に基づいている。

1. 軌跡保存スキーム

Trajectreeは、中間量子状態とその関連する確率を保存するために、ツリー構造のデータ構造を実装している。

• ツリー構造: 各量子チャネル（ユニタリまたは非ユニタリ）は、ツリーの新しいレベルを表す。複数のクラウス演算子を伴う非ユニタリチャネルは、ツリーを分岐させる。
• 実行フロー: 回路の最初の実行中、Trajectreeは分岐点におけるすべての可能な軌跡を評価し、それらの確率を計算し、パスをサンプリングする。決定的なのは、最も確率の高い軌跡（完全なテンソルネットワークとして）と確率分布をデータ構造に保存することである。
• 後続の実行: 後続のモンテカルロ・サンプルについては、シミュレータは保存されたツリーを照会する。サンプリングされた軌跡が保存されたノードと一致する場合、シミュレータはその保存された状態を単に取得し、そのセグメントの数値計算をバイパスする。異なる軌跡がサンプリングされた場合は、それが数値的に評価され、キャッシュに追加される可能性がある。
• 最適化 (MFU): メモリ制約を管理するため、Trajectreeはオペレーティングシステムのページ置換に触発されたMost Frequently Used (MFU) ノード置換アルゴリズムを採用している。これにより、指数関数的なメモリ増大を防ぎつつ、最も確率の高い軌跡のみを保持し、再計算の必要性を最小限に抑える。

2. テンソルネットワーク・バックエンド

多くの相関モードを持つシステムにおけるデータの指数関数的な増大に対処するため、Trajectreeはテンソルネットワーク (TN)、具体的には行列積状態 (MPS) および行列積演算子 (MPO) を活用する。

• 効率性: TNは高次元テンソルを多項式サイズのコンポーネントに分解し、面積則に従う状態に対して、計算複雑性を指数関数的から多項式時間へと低減させる。
• 実装: シミュレータは、任意のローカル・ヒルベルト空間量子光学回路をサポートするように修正を加えたオープンソースの Quimb ライブラリ上に構築されている。これにより、Trajectreeは量子ビット/クディット系と、光子数基底における光学系の両方をシミュレートすることが可能になる。

主な貢献

本論文は、以下の具体的な貢献を提示している：

1. アーキテクチャと実装: 軌跡ベースのシミュレーションを用いた、状態保存メカニズムを備えたデジタル量子回路用シミュレータであるTrajectreeの詳細な提示。
2. 性能分析: Trajectreeが、標準的なノイズのある回路をGoogleのQSim（Cirqパッケージの一部）よりも5倍以上高速にシミュレートできることを示す広範なベンチマーク。この性能向上は、軌跡保存スキームによるものであり、初期の「学習」フェーズの後の平均サンプル時間を劇的に削減している。
3. 光学バックエンドと応用: 量子光学系をシミュレートするための専用の光学バックエンドの開発。著者らは、現実的なノイズ源を伴う3つの特定の光学実験を再現することで、このバックエンドの有用性を実証している：
   • CHSH Bell Test: 平均光子数が0.66のときにピークCHSH値が~2.30となることを示し、非局所性を検証。
   • Entanglement Swapping: Meet-in-the-middle型のリピータ構成をシミュレートし、理論的予測と一致する77% ± 2%のエンタングルメント可視性を達成。
   • Optical CNOT Gate: Knill-Laflamme-Milburn (KLM) モデルとポストセレクションを用いて、ゲートのユニタリ挙動を実証。

結果

• スピードアップ: エンタングルメント・スワッピングのベンチマークでは、最初のサンプルには約55秒かかったが、軌跡キャッシュにより後続のサンプルは平均約0.1秒となった。従来のシミュレータでは1,000サンプルのために55,000秒を要するところ、Trajectreeは作業を約100秒で完了した。
• ノイズの偏り: 軌跡保存スキームは、システムが少数の軌跡に集中する偏ったノイズ（例：振幅減衰）に対して特に効果的である。これらの場合、Trajectreeは、偏りのないノイズチャネル（例：デポラリゼーション）と比較して、高いパフォーマンスを得るためのメモリリソースを少なく必要とする。
• テンソルネットワーク: 高いローカル・ヒルベルト空間次元を持つ光学シミュレーションにおいて、テンソルネットワークは、低いエラー閾値においても疎行列シミュレーションよりも時間とメモリの両面で優れていた。
• ベンチマーク比較: 25量子ビットのMQT Bench回路（W状態、量子ニューラルネットワーク、VQE）を用いたQSimとの比較において、Trajectreeは最大5倍のスピードアップを達成した。著者らは、キャッシュ構築のオーバーヘッドによりTrajectreeの初回のサンプルはQSimよりも遅くなるが、累積時間は大幅に低くなることを指摘している。

意義と主張

Trajectreeは、完全な密度行列法では困難であり、標準的な軌跡法では遅くなることが多い、ノイズのあるクディットおよび光学系を効率的にシミュレートするための実用的な解決策を提供すると主張している。

• スケーラビリティ: 初期学習フェーズの後のサンプルの生成コストを、総サンプル数から切り離すことにより、Trajectreeはより広く深い回路のシミュレーションを可能にする。
• 量子ネットワークにおける有用性: 著者らは、Trajectreeのアーキテクチャが、スケーラビリティと精度のバランスが求められる量子ネットワーク研究で使用されるスケーラブルな離散イベントシミュレータに適していると考えている。
• オープンソース: 本ツールはオープンソースソフトウェアとして公開されており、モンテカルロ・サンプルの生成や数値計算の並列化を含む、コミュニティによる拡張が可能である。

著者らは、現在の実装がシングルコアCPU版であることを挙げ、現状に対して謙虚な姿勢を保っている。彼らは、複数のワーカーが同時に回路を学習できるようにすることで、並列化によって実行時間をさらに短縮できる可能性があると示唆している。本研究は、すべてのシミュレーションの課題を解決することを主張するものではなく、軌跡ベースの手法を用いた開いた量子系のシミュレーションにおける、特定の効果的な最適化を実証するものである。