Numerical Optimization Strategies for the Variational Hamiltonian Ansatz in Noisy Quantum Environments

完璧なチョコレートケーキを焼こうとしているところを想像してみてください。しかし、あなたは、照明が激しく点滅し、オーブンの温度が上下に変動し、生地を味わうたびにスプーンが少しずつ異なる測定値を示すようなキッチンにいます。これが、今日の量子コンピューティングの世界です。科学者たちは、新しい医薬品や材料を生み出すために分子がどのように相互作用するかをシミュレートするなど、通常のコンピュータでは不可能な問題を解決できるマシンを構築しています。しかし、これらのマシンは現在「ノイズが多い」状態にあり、つまり、間違いを犯したり、曖昧な答えを出したりするということです。有用な結果を得るために、研究者たちは**変分量子固有値ソルバー（VQE）**と呼ばれる巧妙なトリックを使っています。これは、レシピを使った「ホット・アンド・コールド（熱いか冷たいか）」ゲームのようなものです。あなたはデジタルレシピ（量子回路）を持っており、そこには回すことができる多くのつまみ（パラメータ）があります。あなたは、ケーキ（分子）がまさに理想的な味（最低エネルギー）になるまで、つまみを回したいと考えています。しかし、キッチンがノイズだらけであるため、味見をするたびに、結果が少し乱れてしまうのです。

この乱れた味を修正するために、あなたには古典的最適化アルゴリズム、つまり賢いプログラムである「副料理長」が必要です。その役割は、ノイズの混じった味見の結果を見て、完璧なケーキに近づくために次につまみをどちらに回すべきかを判断することです。長い間、科学者たちは、最高の副料理長とは、正確な地図を使って谷の底を見つけるハイカーのように、風味の曲線の正確な傾き（勾配）を計算できるもの（勾配ベースの手法）であると想定してきました。しかし、この論文は極めて重要な問いを投げかけています。もし地図が霧に覆われ、地面が揺れているとしたらどうなるでしょうか？正確な地図を持つハイカーが勝つのでしょうか、それとも道に迷ってしまうのでしょうか？この研究の著者たちは、量子キッチンが混沌としていてノイズが多い状況において、どの「副料理長」アルゴリズムが最も堅牢（ロバスト）であり、これらの壊れやすい新しいマシンから実際に良い結果を引き出せるのかを調べたいと考えました。

---

ノイジーなキッチンにおける偉大なる最適化アルゴリズムの対決

この研究において、研究者たちは8種類の異なる「副料理長」アルゴリズムをテストするために、大規模なデジタルシミュレーションを設定しました。彼らは単一のレシピでテストしたわけではありません。4種類の異なる分子の「ケーキ」を試しました。単純な水素分子（$H_2$）、4つの水素の鎖（$H_4$）、そしてリチウムヒドリド（$LiH$）の完全版および簡略版です。彼らは、時間を節約しエラーを減らすために不要なステップをスキップする、効率的なレシピ設計である**切断型変分ハミルトニアン・アンザッツ（tVHA）**を使用しました。

チームは1,280回の独立したシミュレーションを実行しました。彼らは各アルゴリズムを2つの条件下でテストしました。一つは、完璧な照明と安定したオーブンがあるような、ノイズのない完璧な世界です。もう一つは、「有限ショットサンプリング」をシミュレートする必要がある、現実的でノイズの多い世界です。量子用語で「有限ショットサンプリング」とは、エネルギーを完全に測定できないことを意味します。つまり、限られた数のサンプル（例えば、生地を6,144回味わうようなもの）を取り、それらを平均化しなければなりません。この平均化によって統計的なノイズが導入され、エネルギーの測定値が揺れ動くことになります。

プロットツイスト：地図が嘘をつくとき

結果は驚くべきもので、科学者たちの予想を覆しました。ノイズのない完璧なシミュレーションでは、勾配ベースの手法（BFGSやSLSQPなど）が明確な勝者でした。それらは高速かつ精密で、機械のような正確さで最低エネルギーレベルに到達し、誤差は$10^{-14}$ Hartree（エネルギーの単位）もの小ささになりました。彼らは完璧なGPSを持つハイカーのように、谷底へと一直線に突き進みました。

しかし、研究者がサンプリングノイズ（揺れるキッチン）を導入すると、ランキングは完全に逆転しました。正確な傾きを計算することに依存していた勾配ベースの手法は、混乱してしまったのです。ノイズによって、「傾き」が間違った方向に向かっているように見えたり、地面が平坦であるにもかかわらず平坦に見えたりしました。

• クリーンな世界でのチャンピオンであったBFGSは、ノイジーな世界では最悪のパフォーマンスの一つとなり、誤差はほぼ$4 \times 10^{-3}$ Hartreeまで跳ね上がりました。
• SLSQPは、最小の分子である$H_2$に対しても信頼性のある収束に失敗し、事実上諦めてしまいました。
• ノイズは非常に欺瞞的であり、時にはアルゴリズムに、完璧なものよりも優れたケーキを見つけたと錯覚させることがありました（これは、真の基底状態よりも良いエネルギーを得ることはできないという「変分原理」に反します）。これは単なる統計的な偶然、つまりノイズによる「ラッキーな推測」であり、実際の改善ではありませんでした。

新しいヒーロー：探検家たち

ノイジーな環境における勝者は、集団ベースおよび確率的メソッド、具体的には CMA-ES、PSO（粒子群最適化）、および SPSA でした。

• CMA-ES（共分散行列適応進化戦略）が最も堅牢であるという結果が出ました。単一の精密な経路を辿ろうとするのではなく、それは探検家の群れのように振る舞いました。それは候補となる解の全集団を保持し、彼らの集合的な経験から学習します。個々の経路がひどい状態に見えることがあっても、グループの平均がエラーを滑らかにします。
• $H_2$ 分子に対して、CMA-ESは$5 \times 10^{-4}$ Hartree以下の補正誤差を達成しました。
• より複雑な $LiH$分子に対しても、勾配ベースの手法が$2 \times 10^{-2}$ Hartreeを下回るのに苦戦する中で、CMA-ESは誤差を$10^{-2}$ Hartree以下に抑え続けました。

この研究は、勾配ベースの手法は小さくクリーンな問題には優れているものの、地形がデコボコでノイズが多くなると崩壊することを明らかにしました。対照的に、CMA-ESのような集団ベースのアプローチは、単一の不安定なコンパスに頼るのではなく、群れの知恵を利用して霧の深い山脈をナビゲートできる探検家チームのようなものです。

「ハイショット」による現実的な検証

最も興味深い発見の一つは、アルゴリズムが真の基底状態よりも低いエネルギーを見つけたように見える、あの「魔法のような」結果についてです。論文では、これはノイズによって引き起こされる錯覚であると説明されています。ノイズが高いとき、ランダムな変動によって、悪い推測が素晴らしいものに見えてしまうことがあります。

これを修正するために、研究者たちは**ハイショット再評価（high-shot reevaluation）**と呼ばれるトリックを使用しました。最適化アルゴリズムが「良い」解を見つけた後、膨大な数のサンプル（$10^5$ ショット）を用いて再測定し、超精密な読み取りを行いました。

• これにより、多くの「改善」が単なるノイズによるアーティファクト（偽の現象）であったことが判明しました。
• しかし、集団ベースの手法（CMA-ESなど）は、この再評価を行う前であっても、その平均化メカニズムによって自然にノイズを滑らかにできるため、真の最良の解を見つける能力が高かったのです。
• この研究は、ノイジーな量子環境においては、目標が単に「最小値を見つけること」から「エネルギーを信頼性高く推定すること」へとシフトすることを示唆しています。最善の戦略は、堅牢な最適化アルゴリズムであるCMA-ESを使用し、最後に（精緻な勾配法を無理に機能させるのではなく）追加のショットを用いて最終的な答えを検証することです。

将来への教訓

論文は、今日のノイジーな量子コンピュータを使おうとしているすべての人への明確なガイドとともに締めくくられています。もしあなたが、ノイズが非常に少ない、小さく単純な問題に取り組んでいるのであれば、高速な勾配ベースの手法を使用できます。しかし、より大きな分子や現実的なノイズの多いハードウェアに移行する際は、CMA-ES、PSO、またはSPSAのような集団ベースの最適化アルゴリズムに切り替えるべきです。

著者らはまた、「化学的に動機付けられた」初期値（ハートリー＝フォック初期化を使用）を用いることは小さなシステムには役立つものの、問題が大きくなるにつれて、探索空間があまりに広大であるため、ランダムな開始点も同様にうまくいくことがあるとも指摘しています。

結局のところ、この研究は、今日のノイジーな量子マシンから最大限の成果を得るためには、それらを古典的なコンピュータのように精密に扱おうとするのではなく、堅牢で、探索的で、混沌を平均化することに長けたアルゴリズムを使用するようにすべきであることを示唆しています。嵐の中では「完璧な」地図は役に立ちません。自分たちの力で道を見つけ出せる探検家チームが必要なのです。