Quantum Natural Gradient Optimization for Convergence Reliability in NISQ Variational Quantum Algorithms

あなたは、パズルを解くように、ある非常に賢いけれど、とても不器用なロボットに教えようとしているところだと想像してください。このロボットは、私たちのキッチンや街中にあるような物理法則とは異なるルールが存在する、「量子領域」と呼ばれる奇妙で、ゆらゆらと揺れ動く世界に住んでいます。科学者たちは、これらのロボット、すなわち「量子コンピュータ」を構築しています。これらは、新しい薬の設計や複雑なコードの解読など、現在の通常のコンピュータには不可能な問題を解決するために作られています。しかし、現在、これらのロボットはまだ「幼児期」にあります。つまり、サイズが小さく、すぐに疲れてしまい、何かをしようとするとミスをしてしまうのです。この段階は「NISQ時代（ノイジー中間規模量子）」として知られています。

このロボットに教えるために、科学者たちは「変分量子アルゴリズム」という特別なトレーニング方法を使用します。これは、何千ものつまみがある巨大で複雑なラジオをチューニングするようなものです。つまみ（パラメータ）を回して、最もクリアな信号（最良の解）を得ます。外側にあるコンピュータは、ラジオの音を聞きながら、「もっと良くなった！」「もっと悪くなった！」と言うことで、どの方向につまみを回すべきかを判断する手助けをします。問題は、時としてラジオの信号が非常に静かでぼやけてしまい、コンピュータが、つまみを左に回すか右に回すかの違いさえ聞き取れなくなることです。それは、まるで巨大で平坦な霧の谷の底を探しているようで、どこへ一歩踏み出しても全く同じ感覚になるようなものです。量子コンピューティングの世界では、この混乱した平坦な領域は「バレン・プラトー（不毛な高原）」と呼ばれます。もしトレーニングがここで行き詰まってしまうと、どれほど時間をかけても、ロボットは解を見つけることができません。

この論文は、その霧の谷をナビゲートするための、よりスマートな新しい方法のガイドブックです。研究者たちは、メズバ・ウディン・ラフィ（Mezbah Uddin Rafi）率いるチームによって、「量子自然勾配（Quantum Natural Gradient: QNG）」と呼ばれる手法のテストを行いました。標準的なトレーニング手法が、つまみの風景を平坦で退屈な格子状として扱うのに対し、QNGは量子世界が実際には球面の表面のように曲がっていて、凹凸があることを理解しています。この曲率を考慮した特別な地図を使用することで、Q-NGは信号が弱いときでも、解への経路を見つけ出すことができます。この論文は、完璧なロボットを作り上げたとか、実機で問題を解決したと主張しているわけではありません。その代わりに、ロボットがノイズにさらされ、ミスをしている時に、この新しい地図が古い平坦な地図よりもうまく機能するかどうかを確認するために、大規模で制御されたシミュレーションを実行しました。

核心となる発見：ノイズの多い世界のためのスマートなコンパス

この研究の主な発見は、この「曲がった地図」（QNG）を使用することで、量子コンピュータがノイズを含んでいる場合でも、トレーニングプロセスがより信頼性が高く、高速になるということです。シミュレーションにおいて、研究者たちは4量子ビットの量子コンピュータを設定し、「MaxCut」と呼ばれる特定のパズル（これは、グループの友人たちを2つのチームに分け、チーム間で最も多くの論争が起こるようにするというものです）を解かせました。彼らは、トラップド・イオンや超伝導量子コンピュータに見られる現実世界の誤差をシミュレートするために、3つの異なるレベルの「ノイズ」の下で、このセットアップを50回テストしました。

標準的な旧式の手法（バニラ勾配降下法）を使用したとき、ロボットはわずか30%の確率でしか解を見つけることができませんでした。それはあまりにも頻繁に霧の谷の中で迷ってしまったのです。しかし、新しい量子自然勾配法に切り替えると、成功率は95%へと急上昇しました。さらに、この新手法は単に成功確率が高いだけでなく、はるかに速く動作しました。平均して、旧来の方法と比較して約6倍少ないステップ数で解に到達しました。たとえ「曲がった地図」を計算するために、ステップごとに余分な時間と労力がかかるとしても、全体としてのステップ数が大幅に少ないため、現実世界の実行時間（ウォールクロックタイム）では、プロセス全体が約16%早く終了しました。

なぜこれが起こるのか：問題の幾何学

論文では、標準的な手法が失敗する理由を説明しています。それらは、解の可能性のある空間が紙のように平坦であると仮定しているからです。この平坦な視点では、もし信号（勾配）が極めて小さい場合、ロボットは微小で役に立たないステップを踏み、停滞してしまいます。しかし、実際には量子状態の空間は地球の表面のように曲がっています。平坦な地図では、ある方向への信号が非常に小さく見えることがあっても、曲がった表面においては、それが非常に大きな意味を持つ変化に対応していることがあります。QNGは、「量子フィッシャー情報行列」と呼ばれるものを使用して、この曲率を測定します。これはスマートなコンパスとして機能し、ロボットに「たとえここでの信号が弱く見えても、もしこの特定の方向に動けば、実際には大きな飛躍ができる」と教えてくれるのです。

また、研究では、ロボットが立ち往生してしまう他の理由についても慎重に排除しました。パズル自体が設計上難しすぎる（「表現力に起因する」プラトー）ことがないようにしました。そして、ノイズだけが犯人ではないことも確認しました。彼らは、「ノイズに起因するバレン・プラトー」を特定しました。これは、現実の量子コンピュータがエラーを起こすことによって特異的に発生するものです。結果として、QNGは特にこれらのノイズに起因するエラーに対抗することに優れており、ハードウェアが不完全であってもトレーニングを軌道に乗せ続けることができることが示されました。

この論文が主張していること、および主張していないこと

この論文が述べていない重要な点があります。著者たちは、実験を研究所の物理的な量子コンピュータ上で実行したのではなく、量子的な挙動を模倣するソフトウェアを使用して、古典的なコンピュータ上でプロセス全体をシミュレーションしました。したがって、結果は非常に有望ではありますが、それらはシミュレーションに基づいたものであり、まだ実機での物理的なデモンストレーションではありません。また、QNGが「あらゆる」問題を解決したり、「あらゆる」種類のノイズに対して機能したりすると主張しているわけでもありません。この研究は、具体的に4量子ビットのシステムと3つの特定のノイズモデルに焦点を当てています。

本研究は、標準的なオプティマイザ（最適化手法）が量子コンピューティングの未来にとって十分であるという考えに対し、明確に異を唱えています。より大規模でノイズの多いマシンを構築していくにつれ、古い「平坦な」手法はより頻繁に失敗するようになり、物事を前進させるためにはQNGのような幾何学を考慮したツールが必要になるだろうと示唆しています。論文は将来へのロードマップを提示して締めくくられており、次のステップは、シミュレーションの結果が実際の物理的なハードウェアでも通用するかどうかを確認するために、これらの知見を実際の物理的ハードウェアでテストすることであると提案しています。今のところ、シミュレーションは、私たちが不器用な量子ロボットに、霧の中を進む方法を教えることができるという、数学的に裏付けられた強い希望を示しています。