はじめに：なぜ今、QSTとQEMの統合が問われるのか
量子コンピュータを用いたシミュレーションでは、量子ビット数の増加とともに「量子状態をどう知るか」という課題が急速に難しくなります。量子状態断層撮影（QST）は本来、未知の量子状態を測定データから再構成する枠組みですが、系が大きくなるほど必要な測定回数や計算コストが膨らみやすいという性質があります。一方、量子誤差緩和（QEM）は、誤り訂正のように量子ビットそのものを保護するのではなく、複数回の回路実行と古典的な後処理によって、測定結果から得られる期待値の精度を高めようとする手法群です。
この二つの技術はしばしば混同されがちですが、性質は大きく異なります。QSTが対象とするのは「状態そのもの」の再構成であるのに対し、QEMが対象とするのは主に「観測量の期待値」の補正です。この違いを踏まえずに両者を組み合わせようとすると、得られた結果が何を意味しているのかという解釈にずれが生じる可能性があります。本記事では、機械学習（ML）を活用したQSTとQEMをどのように統合し、量子シミュレーションに役立てるかについて、技術面と考え方の両面から整理します。
量子状態トモグラフィー（QST）と量子誤差緩和（QEM）の違いを正しく理解する
QSTとは何か
QSTは、測定データから密度行列を推定する手法です。全系の密度行列を再構成する「full-state QST」は、量子ビット数が増えるにつれて指数的に困難になりやすいとされています。これに対し、低ランク性や局所性、テンソルネットワーク構造といった前提を導入することで、実用的な規模まで適用範囲を広げられる可能性があると報告されています。代表的な手法としては、圧縮センシングを用いたQST、ベイズ的な事前分布を用いる適応型QST、ニューラルネットワークを用いた生成的な再構成（NN-QST）、局所測定に基づくQSTなどが挙げられます。
QEMとは何か
QEMは、複数の回路実行結果を組み合わせて、理想的な（ノイズがない場合の）期待値を推定しようとするアプローチです。代表的な手法には、ゼロノイズ外挿（ZNE）、確率的誤差キャンセレーション（PEC）、仮想蒸留、近Clifford回路を用いた回帰であるCDR・vnCDR、そして回帰モデルなどを用いる学習ベースのQEM（ML-QEM）があります。重要なのは、QEMの多くが目指しているのは状態そのものの復元ではなく、観測量の期待値誤差の低減であるという点です。
NISQ量子シミュレーションで統合が必要とされる背景
現在のNISQデバイスは、ノイズの影響を受けやすく、量子ビット数にも制約があります。こうした環境で量子シミュレーションを行う際、研究者が本当に必要としているのは、多くの場合「密度行列そのもの」ではなく、エネルギーや相関関数、エンタングルメントエントロピー、位相の分類といった特定の物理量です。この観点に立つと、必ずしもfull-state QSTを標準的な手段として据える必要はなく、必要な物理量に応じてQST・QEM・MLを選択的に組み合わせる設計が合理的だと考えられます。
例えば、Classical shadowsと呼ばれる手法は、少数の測定から多数の物理量を推定できる可能性を示しており、full-stateの知識を必要としない「観測量中心」のアプローチとして注目されています。many-body系のシミュレーションでは、局所的な測定や構造化された表現を活用することが有効である場合が多いと報告されています。
機械学習を活用したQSTの代表的アプローチ
ML-QSTの分野では、いくつかの代表的な手法が提案されています。ニューラルネットワークを用いたQST（NN-QST）は、制限ボルツマンマシンや生成モデル、ニューラル量子状態（NQS）などを活用し、高度にエンタングルした状態の再構成に取り組む研究が報告されています。畳み込みニューラルネットワーク（CNN）を用いたQSTは、少ないデータ量の条件下で従来の最尤推定（MLE）よりも良好な結果を示す場合があるとされています。
また、次に測定する基底を逐次的に選択する適応型QST（NAQTなど）は、従来のベイズ適応型QSTと同等の精度を、より短い計算時間で達成できる可能性が示されています。局所的な測定データに基づくQSTや、局所純粋化密度演算子（LPDO）のようなテンソルネットワーク表現は、局所ハミルトニアンの基底状態や2次元系の解析において有効性が報告されており、実験検証の例も存在します。
これらの手法に共通するのは、何らかの「構造仮定」を導入することで、測定コストや計算コストを抑えている点です。正定値制約のように再構成品質を高める制約は学習を難しくする一方、純粋状態を仮定するような制約は学習を容易にする代わりに推定にバイアスをもたらす可能性がある、という指摘もあります。つまり、モデル選択そのものが、何を事前知識として許容するかという判断と切り離せない関係にあると言えます。
データ駆動型QEMの代表的アプローチ
QEM側でも、データを活用した手法が発展しています。ZNEはノイズレベルを人為的に変化させた複数の実行結果から理想値を外挿する手法で、実装が比較的容易であることから広く用いられています。ただし、一般に不偏推定を保証するものではないとされています。PECは理論的には不偏推定を返すとされる一方、必要なショット数が回路の深さに対して急激に増加しやすいという課題も指摘されています。
CDRおよびvnCDRは、近Clifford回路のノイズあり・ノイズなしのペアを学習データとして誤差を補正する手法であり、実験や数値シミュレーションにおいて誤差の大幅な低減が報告されています。さらに、回帰モデルやニューラルネットワークを用いたML-QEMは、比較的大規模な量子ビット数を持つ回路においても、追加コストを抑えながら従来手法と同等以上の精度を達成できる可能性が示されています。
これらの成果は励みになる一方で、理論面では誤差緩和のサンプリングオーバーヘッドに関する下界が示されており、浅い回路であっても場合によっては非常に多くのサンプルが必要になる可能性が指摘されています。したがって、個別の実証結果を「一般にスケールする」性質として捉えるのではなく、問題設定やノイズ特性に依存した局所的な成功として理解することが望ましいと考えられます。
量子シミュレーションへの統合アーキテクチャ：三つの設計様式
QSTとQEMを量子シミュレーションに統合する際には、少なくとも三つの設計様式が考えられます。
第一に「状態中心統合」で、QSTを主軸とし、QEMを測定前処理や再構成前の補正として用いる設計です。第二に「観測量中心統合」で、QEMやshadowベースの推定を主軸とし、QSTは必要なサブシステムに限定して用いる設計です。第三に「ハイブリッド統合」で、局所QSTやテンソルネットワーク表現、QEM、ML後処理を組み合わせ、必要な物理量だけを重点的に精度良く求める設計です。
many-body系の基底状態や局所ハミルトニアンを扱う場合には、第三のハイブリッド型が特に自然な選択肢になり得ると考えられます。実装面では、量子実行環境が提供するダイナミカルデカップリングやパウリツイリング、TREX、ZNE、PECといった機能と、オープンソースのQEMツールキット、そしてQST向けの独自実装や既存フレームワークを組み合わせる構成が、再現性と可搬性の観点から現実的だとされています。
認識論的な留意点：不確実性とモデル依存性
ML-QSTやQEMを取り入れることは、量子状態についての知識のあり方そのものを変化させます。従来の線形反転や最尤推定では、測定統計から状態を導く過程が比較的明示的でした。これに対し、ニューラルネットワークを用いたQSTでは、状態の表現がモデルの内部パラメータを介して間接的に得られるため、知識は「観測の直接的な写像」というよりも「仮説空間の中で最も尤もらしい表現」に近づきます。
こうしたモデル依存性は欠点であると同時に、効率化の源泉でもあります。圧縮センシングは低ランク性を、局所測定に基づくニューラルネットワークは局所ハミルトニアンの性質を、それぞれ前提としています。重要なのは、こうした前提を暗黙のままにせず、明示的に検討することです。また、ベイズ的な手法は不確実性を自然に表現しやすい一方で計算負荷が高く、ニューラルネットワークを用いる手法はスケールや速度に優れる反面、点推定的になりやすいという傾向も指摘されています。したがって、点推定に加えてブートストラップやアンサンブル、ベイズ的な不確実性評価を併記することが、科学的な説明責任の観点から望ましいと考えられます。
さらに、QEMによって得られる期待値の改善を、そのまま「理想状態に近づいた」と解釈することにも注意が必要です。QEMの多くは物理量の期待値誤差を抑える枠組みであって、密度行列全体をノイズのない形で復元するものではありません。この違いを踏まえずに結果を報告すると、実際の精度以上の主張になってしまう可能性があります。
実装における倫理的・実務的な配慮
MLを組み込んだQSTやQEMは、性能向上と引き換えにブラックボックス化のリスクを伴う可能性があります。特に、複雑な回帰モデルやニューラルネットワークを用いる手法では、どの特徴量が誤差補正に寄与しているかが直感的に把握しにくくなる場合があります。このため、モデルの構造や学習データの生成過程、適用範囲や外挿条件を明記することが、研究の透明性を保つ上で重要だと考えられます。
また、誤差緩和によって得られた結果を「ほぼノイズのない結果」であるかのように誇張して伝えることは、産業応用や政策判断において誤解を招くおそれがあります。改善の程度や追加コスト、検証可能な範囲を併記する姿勢が求められます。オープンソースの実装や標準的なベンチマークの整備は、こうした再現性や公正性を支える基盤としての役割を持つと考えられます。
まとめと次の研究テーマの掘り下げ
量子シミュレーションにおけるQSTとQEMの統合は、単に「トモグラフィーを大規模化する」ことを目的とするのではなく、量子シミュレーションで本当に必要とされる知識の対象――状態全体なのか、局所的な部分状態なのか、特定の観測量なのか――を見極めたうえで、圧縮センシングやベイズ推定、ニューラルネットワークによるQST、局所QST、classical shadows、ZNEやCDR、ML-QEMといった手法を選択的に組み合わせる設計思想が重要だと考えられます。特にNISQデバイスの制約を踏まえると、full-state QSTを常に用いるのではなく、観測量中心のアプローチや局所的な構造を活用したハイブリッド設計が、現実的な選択肢となる可能性があります。
同時に、こうした手法はいずれもモデルや事前分布への依存性を伴うため、不確実性の適切な表現と、モデル依存性の明示、再現可能な後処理の整備が、今後の研究において重要な課題になると考えられます。
コメント