テンソルネットワークによる古典シミュレーション

なぜ量子回路を古典で「近似」シミュレートできるのか

n量子ビットの純粋状態は、原理的には 2^n 個の複素振幅を持つベクトルです。40量子ビットで既に約1兆成分、300量子ビットなら宇宙の原子数を超え、正直に全振幅を並べる厳密シミュレーション（state-vector 法）はすぐ壁に当たります。ところが現実に興味のある多くの状態は、この巨大な空間の中の「ごく痩せた一角」にしか住んでいません。その構造――具体的にはもつれの量――を突いて状態を圧縮するのがテンソルネットワークです。

本記事では、量子状態をテンソルとして書き直し、行列積状態（MPS, Matrix Product State） へ分解する仕組み、その圧縮率を支配する結合次元ともつれエントロピーの関係、そして「どんな量子回路なら古典で近似シミュレートでき、どこで破綻するか」を原理から正確に押さえます。これは 量子優位性と量子超越 の古典側の見積もりを自分で評価するための土台にもなります。

量子状態をテンソルとして書く

まず記法を整理します。量子ゲートと量子回路 で見たとおり、n量子ビットの状態は各ビットの添字 s_1, s_2, …, s_n（各 s_i は 0 か 1）で振幅を並べたものです。

|ψ> = Σ  C[s_1, s_2, …, s_n] · |s_1 s_2 … s_n>
      s

  C は n 本の添字を持つ「テンソル」。
  各添字が 0/1 の2値なので、成分数は 2^n（＝指数的）。

このn階テンソル C を丸ごと保持するのが厳密法で、コストは 2^n。テンソルネットワークの発想は、この1個の巨大テンソルを小さなテンソルを線でつないだ網（ネットワーク）に分解し、線でつながれた添字（結合添字、bond index）を潰す（縮約する）ことで元の C を再現する、というものです。分解の仕方（網の形状）にはいくつも種類があり、1次元的に一列に並べるのが MPS、2次元格子状にするのが PEPS、階層的に束ねるのが MERA です。最も基本かつ実務で最頻出の MPS を軸に見ます。

行列積状態（MPS）：一列のテンソルの積

MPS は、n階テンソル C を n個の小さなテンソル A^(1), …, A^(n) の積として書き直したものです。各サイト（量子ビット）に3本足のテンソルを1つ割り当て、隣どうしを結合添字でつなぎます。

C[s_1, …, s_n] = Σ  A^(1)[s_1; a_1] · A^(2)[a_1; s_2; a_2] · … · A^(n)[a_{n-1}; s_n]
                 a

  ・s_i          : 物理添字（0/1）。外に出ている足で、測定される自由度
  ・a_i          : 結合添字。隣接テンソルをつなぐ内部の足
  ・χ = max|a_i| : 結合次元（bond dimension）。結合添字が取りうる値の数

ポイントは結合次元 χです。χ を大きくすればどんな状態でも厳密に表せます（十分大きな χ なら任意の C を再現可能）が、その代わりメモリは膨らみます。逆に χ を小さく抑えれば圧縮になりますが、表せる状態が制限されます。MPS のメモリコストは、テンソル1個あたり 2·χ² 程度で、全体で n · χ² のオーダー――n に対して線形です。ここが決定的で、χ さえ小さく保てれば 2^n を n·χ² に落とせます。

χ を小さく保てるのはどんな状態か。それを決めるのがもつれエントロピーです。

もつれエントロピーと結合次元：圧縮率の正体

系を左半分 L と右半分 R の2つに分ける（二分割、bipartition する）とき、その分割にまたがるもつれの量はもつれエントロピー（フォン・ノイマンエントロピー）で測ります。これは 量子もつれとベル状態 の「分離できるか否か」を、連続的な量として一般化したものです。定義の核心はシュミット分解にあります。

シュミット分解:  |ψ> = Σ_k  λ_k · |L_k> ⊗ |R_k>     （λ_k ≥ 0, Σ λ_k² = 1）

  ・{|L_k>}, {|R_k>} : それぞれ L 側・R 側の正規直交ベクトル
  ・λ_k              : シュミット係数。ゼロでない λ_k の個数 = シュミット階数 r

もつれエントロピー:  S = − Σ_k  λ_k² · log₂(λ_k²)

シュミット階数 r（ゼロでない λ_k の本数）が、その二分割を横切る MPS の結合添字に必要な次元そのものです。つまり MPS の結合次元 χ は、その位置での二分割のシュミット階数に等しい。そしてもつれエントロピー S は、r 本の係数の分布の偏りを測る量なので、次の厳密な上限が成り立ちます。

S ≤ log₂(r) = log₂(χ)      ⇔      χ ≥ 2^S

この一本の不等式が、テンソルネットワーク古典シミュレーションの成否をすべて決めます。必要な結合次元 χ は、もつれエントロピー S に対して指数的（χ ≥ 2^S）に効くからです。S が定数なら χ も定数で、n·χ² は事実上 n に線形――効率的。S が系サイズとともに増えれば χ は爆発し、圧縮は破綻します。

近似と切り捨て：小さいシュミット係数を捨てる

MPS が「近似」シミュレーションになるのは、小さいシュミット係数 λ_k を積極的に捨てるからです。ゲートを1つ適用するたびにその周辺の結合次元は増えがちですが、各ステップで特異値分解（SVD）を行い、大きい特異値の上位 χ 本だけ残して残りを切り捨てることで結合次元を χ に固定します。捨てた係数の二乗和が、その一手で生じる**近似誤差（truncation error）**です。

1ゲート適用の1サイクル（時間発展ブロック分解, TEBD の骨子）:

  1. 隣接2サイトのテンソルを縮約し、ゲート（2量子ビットユニタリ）を掛ける
  2. 結果を SVD で L側・R側に分解 → 特異値 = シュミット係数 λ_k が並ぶ
  3. λ_k を大きい順に χ 本だけ残し、残りを切り捨てる（誤差 = 捨てた λ_k² の和）
  4. χ を保ったまま次のゲートへ

  → もつれが χ に収まる限り誤差は小さいが、
     もつれが χ の容量を超えると切り捨て誤差が急増し、近似が崩れる

したがって MPS シミュレーションは「χ という予算内でもつれを表現し続ける」営みです。回路が浅く、もつれが log₂(χ) の枠に収まっているうちは高精度ですが、回路を深くしてもつれが飽和すると、固定 χ では表しきれず精度が急落します。「どこまで深い回路を回せるか」は χ の予算とメモリの兼ね合いで決まるのです。

古典で近似シミュレートできる回路／できない回路

以上を、量子回路のシミュレーション可能性という実務的な問いに翻訳します。原理は一貫して「回路が生成するもつれエントロピーが小さく抑えられるか」です。

いくつか補足します。第一に、ノイズは古典シミュレーションを助けます。NISQとデコヒーレンス のとおり、実機ではデコヒーレンスがもつれを絶えず壊すため、状態は純粋なままもつれを溜め込むことができません。ノイズが強いほど有効なもつれエントロピーが抑えられ、小さな χ で追随できてしまいます。これは実機の量子優位にとっては逆風で、**「ノイズがあるから古典に勝ちにくい」**という NISQ 特有のジレンマの一因です。

第二に、Clifford ゲート（H, S, CNOT）だけの回路は、たとえ大量のもつれを生んでも古典で多項式時間シミュレートできます（Gottesman–Knill 定理）。これはもつれエントロピーとは別軸の構造で、状態をスタビライザ（安定化群）として簡潔に記述できるためです。「もつれが多い＝古典困難」は必ずしも成り立たず、もつれは古典困難の必要条件ではあっても十分条件ではない点は重要な注意です。

テンソルネットワークが超越主張を押し下げてきた理由

量子回路サンプリングの古典シミュレーションでは、回路そのものを1枚のテンソルネットワークとみなし、全体を縮約して特定の出力振幅を計算します（回路の縮約）。ここでのコストは MPS の χ ではなく、縮約経路上に現れる最大の中間結合次元（tree width や contraction complexity と呼ばれる量）で決まり、賢い縮約順序を見つけるほど劇的に安くなります。

回路シミュレーションのコスト = f(最良の縮約順序で現れる最大結合次元)

  ・愚直な順序     : 状態ベクトル法と同じ 2^n 級
  ・最適化した順序 : 回路の「もつれ構造」に沿えば桁で削減できることがある
  → 見積もりは「古典アルゴリズムの工夫」で動く。固定された量ではない

2019年の 量子優位性と量子超越 では、Google が「古典で1万年」と見積もった課題に対し、改良されたテンソルネットワーク縮約や二次記憶の活用によって古典側の推定が数日～数時間級まで繰り返し縮められました。これは超越が誤りだったという話ではなく、**「古典困難性の見積もりは、テンソルネットワークをはじめとする古典アルゴリズムの進歩で動く境界だ」**という本質を示しています。量子超越を主張するには、この古典側の最良手法にどれだけ差をつけられるかを、常に更新し続けねばなりません。

まとめ

テンソルネットワークによる古典シミュレーションの核心は、「量子状態の圧縮可能性はもつれエントロピーが決める」という一点に尽きます。要点は3つ。(1) MPS は 2^n のテンソルを一列のテンソル積に分解し、結合次元 χ を予算としてメモリを n·χ² に落とす。(2) その χ は二分割のシュミット階数であり、もつれエントロピー S に対して χ ≥ 2^S と指数的に効く。ゆえに面積則の状態は効率的に、体積則の状態は破綻的に扱われる。(3) 浅い・1次元的・強ノイズの回路は古典で近似シミュレートでき、深く2次元的な回路は破綻する。ただし Clifford 回路のようにもつれが多くても古典で解ける例もあり、古典困難性はもつれの量だけでは決まらない。この地図を持てば、量子優位性と量子超越 の見積もりが「古典アルゴリズムの進歩で動く境界」である理由を、原理から読み解けるようになります。