Efficient and identifiable noise models for symmetry-preserving quantum circuits

技術要約：対称性を保持する量子回路のための効率的かつ識別可能なノイズモデル

問題提起
量子ノイズモデルは、回路のシミュレーション、ハードウェアのエラー特性評価、およびエラー緩和戦略の開発において不可欠である。しかし、既存のモデルは、物理的な詳細さと計算コストの間のトレードオフに直面している。複雑なモデル（例：ベイズ最適化を介してフィッティングされる20以上のパラメータを持つもの）は正確であるが、計算コストが高い。一方で、独立ビット反転（IBF）のような単純なモデルは効率的であるが、対称性を保持する回路における2つの異なるノイズ現象、すなわち「ハミング重みセクター内での確率の拡散」と「そのセクターからの確率の漏洩」を分離できていない。理想的な出力が単一のハミング重みセクター内に制約される回路（例：粒子数や磁化を保存する量子化学やスピン回路）において、標準的なIBFモデルは単一の反転率を通じてこれら2つの効果を結合させてしまい、コンパクトなパラメータセットでハードウェアデータに正確に適合させる能力を制限している。さらに、有限のショット数に対して複数のパラメータをフィッティングすることは、パラメータが区別できなくなる識別性の問題を引き起こすことが多い。

手法
著者らは、理想的な出力が単一のハミング重みセクター上に支持される回路のために特別に設計された、2パラメータの閉形式ノイズモデルであるSA-IBF（Symmetry-Aware Independent Bit-Flip）を導入する。

1. モデルの構築:

   • SA-IBFは、共通のビット反転率 $q$ を共有する2つのコンポーネントの混合として、確率カーネル $K_{SA}$ を定義する：
     • $K_{IBF}$：セクター内およびセクター間両方に確率を拡散させる標準的な独立ビット反転。
     • $K_{sym}$：入力が元のハミング重みセクター内に留まることを条件とした独立ビット反転。
   • この混合は、セクター保存ウェイト $\alpha \in [0, 1]$ によって制御される：
     $$K_{SA} = \alpha K_{sym} + (1 - \alpha) K_{IBF}$$
   • 物理的解釈： パラメータ $q$ は全体的な拡散および漏洩率を制御し、$\alpha$ は抑制される漏洩の割合（すなわち、理想的なセクター内に保持される確率質量）を制御する。このモデルは、$\alpha$ がセクター内の相対的な確率分布をIBFの予測と比較して変化させることなく、セクターの総人口（全確率）にのみ影響を与えることを予測している。

2. フィッティングと評価:

   • パラメータ $(\alpha, q)$ は、予測分布と観測されたハードウェアヒストグラムの間のヘリンジャー距離を最小化することによって、トレーニングデータにフィッティングされる。
   • モデルは、同じ指標を用いてテストデータに対して評価される。

3. 識別性解析:

   • 著者らは、$(\alpha, q)$ の局所的な識別性のための条件を導出した。彼らは、$\alpha$ が非ゼロである場合、SA-IBFカーネルはいかなる積型ビット反転チャネルの混合によっても再現できないことを証明した（命題1）。
   • ランク診断： フィットされたパラメータにおいて解析的なヤコビ行列が計算され、パラメータが識別可能であることを確認するために、ヤコビ行列がフルランク（2）であるかどうかの判定、および条件数とクラメール・ラオ標準誤差の評価が行われ、フィットが良好に条件付けられているかを確認する。
   • 理論的境界（定理1）は、反転率が小さい場合、$\alpha$ に関するフィッシャー情報量が制限され、局所的な識別性がシンプレクトックスの内部で一般的に成立することを確立している。

主な貢献

• 新規なノイズモデル： セクター漏洩とセクター内拡散を明示的に分離し、高次元モデルの複雑さを持たずに、標準的なIBFよりも柔軟な適合を提供する2パラメータモデル、SA-IBFの導入。
• 理論的保証： 局所的な識別性の条件に関する厳密な導出、および、すべての回路のフィットにおいて、パラメータが適切に条件付けられていることを検出するために適用できる実用的なランク診断。
• 計算効率： 大規模なパラメータ空間に対する反復的な数値探索を回避し、閉形式のカーネルと効率的な最適化を利用する。

結果
モデルは、IBM Heronプロセッサ（Boston, Kingston, Pittsburgh, Marrakesh）を用い、3つのファミリー（Molecular Quantum Autoencoders (MolQAE)、Unitary Coupled Cluster (UCCSD)、および磁化保存回路）にわたる230の回路で評価された。

• 予測精度： SA-IBFは、すべての230の回路およびすべての4つのプロセッサにおいて、標準的なIBFモデルと比較して一貫して低いヘリンジャー距離を達成した。また、デポラリゼーションやハミング重み収縮などの他のベースラインをも上回った。
• 複雑なモデルとの比較： ベイズ最適化を用いてフィッティングされた21パラメータのノイズモデルであるJi-BOと比較して：
  • 4、5、7量子ビットのMolQAE回路において、SA-IBFはセクター認識型のJi-BOと同等の精度（ヘリンジャー距離の許容誤差 $\pm 0.01$ 以内）を達成した。
  • 4量子ビットの磁化回路において、SA-IBFはテストされたすべてのJi-BOバリアントよりも低い平均ヘリンジャー距離を達成した。
  • 速度： SA-IBFは、セクター認識型Ji-BOよりも200倍以上速くフィッティングされた（1フォールドあたり数分/数時間に対し、数秒）。
• 堅牢性： モデルは、トレーニングショット数が減少した場合（1,000ショットまで）や、ゼロノイズ外挿（ZNE）プロトコル下でも優れた性能を維持した。
• 識別性： メインデータセットにおける230件のフィッティングすべてがランク診断を通過し、パラメータが局所的に識別可能であり、良好に条件付けられていることが確認された。

意義と主張
本論文は、SA-IBFが小規模な対称性保持量子回路のための低コストなノイズモデリングを可能にすると主張している。わずか2つのパラメータでセクター漏洩とセクター内拡散を分離することにより、このモデルは、ベイズ最適化によってフィッティングされた複雑な高パラメータモデルに匹敵する精度を、極めて低い計算コストで実現する。ランク診断の導入により、フィッティングされたパラメータが統計的に信頼できることが保証され、迅速かつ信頼性の高いノイズ特性評価が求められるエラー緩和パイプラインへの統合に適したモデルとなっている。著者らは、このアプローチが、理想的な出力が特定のハミング重みセクター内に存在することが既知である回路、特に量子化学やスピン物理学のアプリケーションにおける制約において特に効果的であることを強調している。