When Does Fuzzy Adaptation Earn Its Complexity? A Calibration-Aware Computational Study of Finite-Shot Entanglement Detection

技術要約：ファジィ適応はその複雑さに見合う価値があるのか？

問題提起
有限ショットの絡み合い検出には、検出力、推定誤差、および偽陽性制御のバランスを取るために、複数の観測量に対して限られた測定予算を分配する必要がある。絡み合いウィットネス（entanglement witness）は、全状態トモグラフィを必要とせずに検出を可能にするが、その実用的な信頼性は統計的なゆらぎや系統的な測定の不完全性（例：校正オフセット、不確かなゲイン、時間的ドリフト）によって制約を受ける。中心となる課題は、観測量への測定ショットの割り当て方法である。分散適応型割り当て（variance-adaptive allocation）は、パイロット推定された不確実性に基づいてショットを分配することで統計的な基準を提供するが、ファジィ論理のようなより複雑なメカニズムが堅牢な優位性を提供するかどうかは依然として不明である。具体的には、本研究では、重み付けされたファジィメンバーシップスコアと分散ベースの割り当てを組み合わせた「ファジィ適応型割り当て」の追加的な複雑さが、非理想的な検出器条件下において、固定型または純粋な分散適応型戦略と比較して、その使用を正当化できるかどうかを検討している。

手法
本研究では、2量子ビットのウェルナー型状態ファミリー（$\rho(p) = p|\Phi^+\rangle\langle\Phi^+| + (1-p)I_4/4$）と特定の絡み合いウィットネス（$W = (1 - \langle XX \rangle + \langle YY \rangle - \langle ZZ \rangle)/4$）を用いた比較計算フレームワークを採用している。総測定予算は1試行あたり3,000ショットに固定され、不確実性を推定するための初期パイロット段階として、各観測量につき30ショット（計90ショット）が割り当てられる。

3つの割り当て戦略を評価する：

1. 固定割り当て（Fixed Allocation）: 予算を各観測量に均等に分配する（1,000ショットずつ）。
2. 分散適応型割り当て（Variance-Adaptive Allocation）: パイロットデータを使用して相対的な不確実性を推定し、残りの予算を比例配分する。
3. ファジィ適応型割り当て（Fuzzy-Adaptive Allocation）: 正規化されたパイロット不確実性を重み付けされたファジィメンバーシップスコア（低、中、高）に変換し、これらをパラメータ $\lambda$ を介して分散適当型の比率と混合するハイブリッド戦略。

ファジィ戦略は、事前指定された81種類の構成（メンバーシップの重みと混合係数の組み合わせ）のファミリーから抽出される。各条件における最適構成の選択は、開発セットにおける検出力のみに基づいて行われる。

評価は、以下の4つのシミュレートされた検出器条件にわたって行われる：

• 理想的（Ideal）: 不完全性なし。
• 固定オフセット（Fixed Offset）: 一定の検出器応答オフセット。
• 校正の不確かさ（Uncertain Calibration）: 校正パラメータの不確かさ。
• ドリフト（Drift）: 時間的に変化する検出器応答。

性能は、保持されたテストおよび検証サンプルを用いて、以下の3つの異なる指標で評価される：

• 検出力（Detection Power）: 絡み合い状態を正しく特定できた割合。
• 偽陽性率（False-Positive Rate, FPR）: 分離状態（独立した境界状態の検証を含む）が誤って絡み合い状態として特定された割合。
• 平方根平均二乗誤差（RMSE）: ウィットネス値の推定誤差。

主な結果

• 検出力: すべての手法が、理想的および固定オフセット条件下で高い検出力（約99.6–99.8%）を達成した。校正の不確かさの下では、選択されたファジキ適応戦略が最高の観測検出力（98.59%）を達成し、固定型（97.79%）および分散適応型（97.99%）を僅差で上回った。ドリフトの下でも、ファジィ適応はベースラインに対してわずかな優位性（96.39%）を示した。
• 偽陽性制御: 結果はトレードオフを明らかにした。ファジィ戦略は一般的な分離状態テストでは競争力のある性能を示したが、独立した境界状態の検証により、不完全な条件下でのファジィ手法の高い偽陽性率が露呈した。具体的には、校正の不確かさの下で、ファジィ戦略は**9.00%**の境界状態FPRを示し、これは公称目標である5%および両方のベースライン（7.33%および6.50%）を超えていた。ドリフトの下でも、最も高いFPR（7.17%）を記録した。
• 推定誤差（RMSE）: ファジィ戦略は、理想的および固定オフセット条件下で最低のRMSEを達成した。しかし、校正の不確かさの下では、固定割り当てが最低のRMSEを生成しており、これはファジィ手法が検出力を最大化する場合であっても、一貫して推定誤差を最小化するわけではないことを示している。
• 構成依存性: 最適なファジィ構成は検出器条件によって異なり（例：理想的な場合の重み(1,1,1)対、校正の不確かさの場合の(1,4,1)）、単一の構成がすべての環境において支配的ではないことを示唆している。

意義および主張
本論文は、その貢献を、量子測定におけるファジィ論理の普遍的な優位性の主張ではなく、条件依存的なベンチマークとして明確に位置づけている。

• 緩やかな優位性: 本研究は、ファジィ適応が、ベースラインが苦戦する検出器の不完全性下においても競争力のある検出力を維持できる、有限ショットの絡み合い検出における有力な候補であると結論付けている。
• 複雑さの代償: 主要な知見は、検出力の見かけ上の利得は、偽陽性の挙動や推定精度とともに解釈されなければならないということである。本研究は、開発セットの検出力のみに基づいてファジィ構成を選択すると、公称の偽陽性制御（例：校正の不確かさにおける9%のFPR）を維持できない構成を選択してしまう可能性があることを示している。
• 方法論的洞察: 本研究は、適応的な割り当ては単独で評価されるべきではなく、検出器モデル、推定器、および閾値校正を含む完全な統計的決定手順の一部であることを強調している。結果は、ファジィ論理が不確実性からリソース割り当てへの柔軟なマッピングを提供する一方で、その実用的な価値は、特定の検出器条件と多目的評価基準に依存することを示唆している。
• 限界: 著者は、結果が計算によるものであり、特定のウェルナー型ファミリー、3,000ショットの予算、および使用された特定の検出器モデルに特有のものであることを強調している。これらの知見は、任意の量子系や物理ハードウェアへの汎用性を確立するものではなく、ファジィ論理が統計的ベースラインよりも本質的に堅牢であることを証明するものでもない。

要約すると、本論文は、ファジィ適応が「複雑さに見合う価値がある」のは、ベースラインが苦戦する特定の不完全な検出器レジームにおいて、わずかな検出力の向上が得られる場合に限られると主張している。ただし、これらの利得は、選択基準がこれらのトレードオフを明示的に考慮しない限り、推定精度の向上や偽陽性制御の改善を伴わない可能性があるという警告を伴うものである。