技術要約：変数としての表現：量子コンパイルにおけるクロスフレームワーク分散分解

問題提起

本論文は、量子アルゴリズムが抽象的な回路として指定された場合、特定のコンパイル・フレームワークが選択されれば、一意的またはそれに近い一意のコンパイル済み回路が得られるという、量子コンピューティングにおける根本的な仮定に異議を唱えるものである。著者は、ユーザーがフレームワーク（例：Qiskit、PyTKET）を選択し、そのデフォルト設定を受け入れる従来のアプローチに対し、結果として得られる「表現」（特定のコンパイル済み回路）を、アルゴリズムとフレームワークの選択のみによって決定される固定された変換であると暗黙的に扱っている点を批判している。

核心となる問題は、コンパイルは一意的ではないということである。異なるフレームワークは、異なるパス、ヒューリスティック、およびゲート分解を実装している。さらに、単一のフレームワーク内であっても、構成の選択（レイアウト、ルーティング、最適化レベル）は、同じ入力から極めて異なるコンパイル済み回路を生み出す。本論文は、表現の選択自体が、これまで十分に活用されてこなかった最適化変数であると断じている。本研究は、コンパイルの品質（具体的には回路の深さ）の分散が、以下の要素にどれだけ起因するかを定量化することを目的としている：

1. フレームワークの選択。
2. フレームワーク内における構成の選択。
3. フレームワークとアルゴリズムの相互作用。
4. これらの要因が回路サイズ（量子ビット数）とともにどのようにスケールするか。

手法

著者は、4,608件の観測値を用いた、要因実験デザインに基づく大規模な実証研究を実施した。

• フレームワーク: 4つの主要な量子コンパイル・フレームワークを評価した：Qiskit (v2.5.2)、PyTKET (v2.18.4)、PennyLane (v0.45.1)、および Cirq (v1.7.0)。
• アルゴリズム: 様々な回路構造を持つ6つのベンチマーク・アルゴリズムを使用した：量子フーリエ変換 (QFT)、グローバーのアルゴリズム、量子位相推定 (QPE)、GHZ状態準備、Bernstein–Vazirani (BV)、および重ね合わせ回路。
• スケール: 6, 8, 10, 12 量子ビットの回路を用いて実験を行った。
• 探索空間: 本研究はデフォルト設定に依存しなかった。代わりに、構成を探索変数として扱った：
  • Qiskit: 128構成のグリッドのうち、32構成のサブセットを探索（最適化レベル、レイアウト、ルーティング、トランスレーション）。
  • PyTKET: 108構成の空間からの逐次ビームサーチを通じて、32の状態を探索（最適化、配置、ルーティング、リベース）。
  • PennyLane: 24構成の空間から22の状態を探索（コミット、キャンセル、マージ、クリーンアップ）。
  • Cirq: 6構成の空間から9の状態を探索（ゲートセット、最大パス数）。
• 制約: すべての実験では、ルーティングを強制するために制限的な線形（最近接）結合マップを利用し、表現の選択の影響を増幅させた。
• 分析: 著者は、回路の深さの分散を以下の要素に分割するために、**二元配置分散分析（ANOVA様の手法）**を適用した：
  • $\eta^2_{algorithm}$: アルゴリズムの同一性によって説明される分散。
  • $\eta^2_{framework}$: フレームワークの選択によって説明される分散。
  • $\eta^2_{interaction}$: アルゴリズムとフレームワークの相互作用によって説明される分散。
  • $\eta^2_{residual}$: セル内の構成の選択（および確率性）によって説明される分散。

主な貢献

1. 大規模なクロスフレームワーク・ベンチマーク: 4つのフレームワーク、6つのアルゴリズム、4つの回路サイズにわたる4,608件のコンパイル観測データのデータセットを作成し、すべてのデータをWestQuantエコシステムを通じて公開した。
2. 分散分解の定式化: 表現探索の問題を分散分解によって定量化することで、フレームワーク $\times$ アルゴリズムの相互作用がコンパイル品質の支配的な要因であることを示し、表現探索の問題を定式化した。
3. 探索空間の構造的比較: 本研究は、フレームワークが単に同じ空間の異なるパラメータ化ではなく、構造的に異なる表現探索空間（例：コンパイラ構成 vs ゲートレベルの変換 vs ゲートセットの選択）を提示していることを明らかにした。
4. 探索価値の定量化: 系統的な表現探索が大幅な改善をもたらすという実証的証拠を提示しており、最良の構成は平均的な構成と比較して、回路の深さを中央値で29%、最大で**99%**削減する。

主な結果

1. 相互作用が支配的な要因である (6–10 量子ビット)

最も重要な発見は、フレームワーク $\times$ アルゴリズムの相互作用が、6から10量子ビットの回路において、回路の深さの分散の32–42%（平均39%）を説明していることである。これは、フレームワークの選択による主効果（10–14%）を上回り、アルゴリズムの主効果（23–34%）に迫る数値である。

• 示唆: 普遍的に最適なフレームワークは存在しない。「最良」のフレームワークは、コンパイルされる特定のアルゴリズムに完全に依存する。

2. 構成の分散はスケールとともに増大する

単一のフレームワーク内において、構成の選択によって説明される分散は、回路サイズが大きくなるにつれて大幅に増加する。

• 12量子ビットにおいて、構成の選択はPyTKETにおいて深さの分散の最大78%、Qiskitにおいて**45%**を説明する。
• 対照的に、6量子ビットでは、これらの数値はそれぞれ55%および12%であった。
• これは、回路がスケールするにつれ、フレームワーク内の構成の選択が、アルゴリズム自体の選択と同等、あるいはそれ以上に重要になることを示している。

3. 特定のケースにおける極端な分散 (グローバーのアルゴリズム)

本研究は、特定のアルゴリズムにおけるコンパイル品質の極端な格差を浮き彫りにしている。12量子ビットのグローバーのアルゴリズムにおいて：

• PyTKET は深さ 7 を達成。
• PennyLane は深さ 13 を達成。
• Qiskit は深さ 4,519 を達成。
• Cirq は深さ 6,610 を達成。
  これは、同一の論理回路に対して、異なるフレームワーク間の深さに944倍の差があることを示しており、これはすべて、異なるフレームワークがマルチ制御ゲートをどのように分解するかという点に起因している。

4. 探索空間の構造

フレームワークは互換性のあるものではない。

• QiskitとPyTKET は、コンパイラ構成（どのパスを適用するか）を探索する。
• PennyLane は、ゲートレベルの変換空間（どのゲート書き換えを適用するか）を探索する。
• Cirq は、ゲートセットおよびパス数の空間を探索する。
  これらの空間のサイズと性質は、それらが説明できる分散と相関している。より大きな探索空間（例：PyTKETの108構成）は、より多くの最適化の余地を提供するが、より多くの探索労力を必要とする。

意義と主張

本論文は、表現は固定された選択肢ではなく、真の最適化変数であると主張している。この発見の意義は、以下の3点に集約される：

1. 普遍的な最適性の否定: 高い相互作用効果は、研究者がすべてのタスクに対して単一の「最良」のフレームワークに依存することはできないことを証明している。静的なコンパイル戦略は不十分である。
2. スケーリングの重要性: 表現探索の重要性は、回路のスケールとともに増大する。12量子ビットにおいて、構成の選択は最適化の主要なレバーとなっており、これは量子ハードウェアが20量子ビット以上にスケールするにつれ、系統的な探索が不可欠になることを示唆している。
3. 実用的な影響: 発見された改善は、わずかなものではない。それらはしばしば、回路がデバイスに適合するかどうかの分かれ目となる。中央値で29%、最大で99%の深さ削減は、デフォルトの構成から最適化された表現へと移行することが、具体的かつ実質的な利点をもたらすことを示している。

著者は、分野がデフォルトのフレームワーク構成を受け入れることから、フレームワークおよび構成を横断した系統的な表現空間の探索へと移行しなければならないと結論付けている。彼らは、この探索を促進し、将来的な機械学習ガイド型の表現選択を可能にするためのツールとして、WestQuantオープンソースエコシステムを位置づけている。