1 量子トモグラフィの概要
1.1 目的と対象（状態・測定・量子操作）
量子トモグラフィは、量子系に対して複数の測定を行い、その結果から量子状態や量子操作を推定する方法論の総称である。主な対象は、（1）密度行列として表される量子状態、（2）量子測定そのものの有効記述、（3）量子チャネル（量子操作）である。いずれも、実験で直接観測できるのは測定器の出力統計であり、そこから状態空間のパラメータを復元する点が共通する。
状態推定の目的は、与えられた実験準備により実際に実現している状態を推定し、理想モデルとの整合性を評価することにある。操作推定では、入力に対する出力変換としてのチャネルを推定し、ゲートの品質評価や誤りモデルの把握に役立てる。測定に関しては、装置が意図どおりの演算子を実現しているかを推定・検証する文脈で用いられる。
1.2 基本概念（密度行列、観測、測定確率）
量子状態は一般に密度行列で表される。密度行列は、確率的に混合した状態の記述を含み、正定値性とトレース条件を満たす。状態ベクトルによる純粋状態の表現は密度行列の特殊形として扱えるため、推定枠組みは密度行列を中心に整理されることが多い。
観測は、量子測定の要素である測定演算子（後述するPOVM要素）としてモデル化される。測定結果ごとに対応する演算子が定める確率は、密度行列との内積として与えられる。したがって、測定設定の違いは、測定演算子の集合を変える操作として表現される。
1.2.1 統計データからの推定問題
実験では、特定の測定設定のもとで多数回の試行を行い、各出力に対するカウント（出現回数）を得る。これらは確率のサンプリングに相当し、有限回数で生じるばらつきのもとで最適な状態（またはチャネル）を推定するのが基本方針となる。
推定の定式化では、未知パラメータを密度行列の成分、またはそのパラメータ化とし、測定確率とカウントの関係に基づいて評価関数を設ける。最尤推定は、観測されたデータが与えられたモデルのもとで最も起こりやすいパラメータを選ぶ。ベイズ推定は事前分布を導入して不確かさを確率的に更新し、凸最適化は物理的制約を含む形で最適性を保証しやすい。
1.2.2 物理的制約の扱い（正定値性など）
密度行列には物理的制約がある。代表的には、正定値性(もしくは半正定値性)とトレース=1である。推定問題を自由な実数変数の最小化として扱うと、最適解がこれらの制約を破る可能性があるため、再構成は制約付きで行う必要がある。
実務上は、（1）直接パラメータ化により正定値性を自動的に満たす設計、（2）正定値性を含む凸制約として最適化に組み込む設計、（3）最初に unconstrained に推定してから射影する設計、などが用いられる。どの方式でも目的は同じで、推定結果が物理的に意味のある量になるようにする点にある。
1.3 関連する分野との位置づけ
量子トモグラフィは量子情報処理の検証・キャラクタリゼーション手段として位置づけられる。量子状態の性質を知ることは、量子アルゴリズムの期待性能、エンタングルメントの評価、エラー耐性の解析などと結びつく。また、基礎物理の実験では、理想化されたモデルが現実の実装をどれほど説明できるかを検証するためのデータ解析枠組みとしても用いられる。
データ駆動型推定という観点では、統計推定や逆問題の理論と親和性が高い。測定設計と推定誤差の評価、モデル誤差を含む頑健性の議論は、工学的な推定・信号処理の発想とも共通する。
2 理論的枠組み
2.1 計測モデル（測定演算子と確率）
計測モデルでは、測定設定ごとに測定演算子の集合が与えられると考える。状態が既知でない場合でも、測定演算子が既知（または校正により推定済み）なら、測定結果の確率は状態の関数として表現できる。この関数形が推定の基盤になる。
2.1.1 POVMと期待値の関係
POVM（正な測度値付き演算子）は、測定結果の確率を計算するための枠組みである。各測定結果 i に対応する演算子 \( \{E_i\} \) は半正定値で、総和が恒等演算子に一致する。密度行列 \( \rho \) に対して、測定結果 i の確率は \( p_i=\mathrm{Tr}(\rho E_i) \) と表される。
測定の期待値は、観測量を対応づけることで得られるが、POVMの言葉では「確率分布」そのものが中心的な対象になる。特定の測定がプロジェクタ測定（射影演算子）に限られる場合はPOVMの特殊例として扱えるため、一般性を保ちながら議論を進められる。
2.1.2 チャンネル・プロセストモグラフィとの違い
状態トモグラフィは入力が一つの状態であるのに対し、チャネル・プロセストモグラフィは量子操作が未知である点が基本的な違いである。後者では、複数の既知入力状態を準備し、その後の出力に対して測定を行うことで、操作全体を推定する。
チャネルの表現は、線形写像としての構造を保持する必要がある。さらに、完全正性やトレース保存といった物理制約が現れるため、状態推定よりも変数の次元が大きくなりやすい。結果として、設計する測定設定や推定アルゴリズムも、計算量や数値安定性の観点で慎重に選ぶ必要がある。
2.2 再構成の数学（逆問題・最適化）
量子トモグラフィは、測定確率から状態（またはチャネル）を復元する逆問題として書ける。通常、測定データは有限個であるため、逆写像は一意に定まらない場合がある。そこで、情報量のある測定セットを用いること、あるいは最適化規準を採用して適切な解を選ぶことが重要になる。
2.2.1 線形反転とその限界
最も素朴には、測定確率を線形方程式として扱い、疑似逆行列などで逆算する方法がある。測定が十分に情報を含み、方程式系がよく条件づけられている場合は有効であるが、有限サンプルの統計揺らぎに対して解が極端に振れやすいという欠点が生じることがある。
さらに、線形反転の結果が正定値性などの物理制約を満たさないことも問題になる。このため、実務では制約を尊重する最適化や正則化を組み合わせる方針が採用されることが多い。
2.2.2 最尤推定による再構成
最尤推定では、測定カウントに対する尤度関数を構成し、その最大化を行う。カウントは多項分布に従うモデルとして扱えるため、尤度は測定確率の関数になる。密度行列の変数は連続量である一方、制約付きのため、数値最適化の手法が必要になる。
実装上は、（1）物理制約を明示的に組み込む、（2）必要に応じて正則化項を追加して過学習や不安定性を抑える、（3）収束性や初期値依存性を管理する、といった工夫が行われる。最尤推定は統計的に整合した推定器として解釈しやすく、実験解析でもよく利用される。
2.2.3 ベイズ推定と事前分布
ベイズ推定では、未知の状態に事前分布を与え、データにより事後分布へ更新する。事前分布は、既知の知識（たとえば状態の近傍、対称性、物理的にあり得る範囲）を反映する役割を担う。事後分布が得られると、推定値だけでなく不確かさの定量化も自然に行える。
計算面では、事後分布からのサンプリングや期待値計算が課題になることがある。そのため、変分法やサンプリングに加えて、事後の近似表現（たとえば低次元のパラメータ空間への投影）を用いる場合も多い。ベイズ流の利点は、有限データ時の振る舞いを統計的にコントロールできる点にある。
2.3 推定誤差と不確かさの評価
推定された状態やチャネルがどれほど信頼できるかを評価することは、再構成と同じくらい重要である。誤差は主に、統計的ばらつき、測定モデル誤差、装置の補正の不完全さなどの要因から生じる。
2.3.1 信頼区間・分布の考え方
信頼区間は、推定量の真値がある範囲に含まれる確率を、選んだ基準に従って表す枠組みである。頻度論的には、データから構成する推定器の分散や漸近分布を用いて区間化する考え方がある。
ベイズ推定の文脈では、事後分布そのものが不確かさの記述になる。たとえば、観測量に対応する関数値の事後分位点を用いて区間を作ると、状態推定の不確かさが最終的な評価指標へ反映される。
2.3.2 ブートストラップ等の統計手法
ブートストラップは、観測データを再サンプリングし、推定器のばらつきを経験的に評価する手法である。トモグラフィでは、カウントの有限性が効くため、リサンプリングにより再構成がどれほど揺れるかを見積もれる。これにより、理論モデルの複雑さが高い場合でも比較的柔軟に誤差評価ができる。
加えて、実験的には複数の独立系列データを集めて変動を直接測る方法や、近似的な漸近理論に基づいて標準誤差を推定する方法なども用いられる。どの方法を選ぶかは、データ量、計算資源、推定器の性質に依存する。
3 実験設計と実装
3.1 測定設定の選び方
量子トモグラフィの性能は、測定設定の集合によって大きく左右される。十分な情報を含まないと推定が不定になり、逆に情報があっても数値条件が悪いと統計ノイズに弱くなる。
3.1.1 基底選択と情報量
測定基底は、測定演算子の集合をどう選ぶかに対応する。状態が要素として表せる次元に対して、測定数が不足すると復元は一意にならない。情報量が高いとは、推定したい量に関して測定が相補的に作用することを意味する。
選択の指針として、測定演算子が線形独立になっているか、条件数が極端に悪化しないか、などが考えられる。一般に、対象が高次元になるほど、設計の重要性は増す。
3.1.2 実験制約（測定可能性、コスト）
理想の測定セットが必ずしも実験で実現可能とは限らない。たとえば装置が取り得る測定設定の数が限られる、切替に時間がかかる、特定の設定は安定に維持しにくい、といった制約がある。
そのため、測定セットは情報量最大化だけでなく、切替のコスト、安定性、リソース配分といった条件を同時に満たすよう調整される。結果として、理論上の最適測定からは妥協が必要になり、推定器の設計とセットで最適化する考え方が実務では重要になる。
3.2 装置不完全性の補正
実験では測定設定が理想からずれる。補正をせずに推定を行うと、状態推定が装置誤差を「本来の量」として誤認する恐れがあるため、モデル化と補正の工程が必要になる。
3.2.1 誤差モデル化と校正
校正では、測定演算子や状態準備の実際の挙動を測定可能な指標により推定する。誤差モデルは、系統誤差とランダム誤差を分けて扱うことが多い。系統成分は再現性があるため補正しやすいが、ランダム成分は推定の不確かさとして反映する必要がある。
実務では、校正データから測定演算子の補正行列やパラメータを推定し、その補正後のモデルをトモグラフィの推定器へ渡す。校正が不十分だと補正自体が新たな不確かさ要因になるため、推定と校正の整合性が問われる。
3.2.2 測定のクロストーク・損失の扱い
クロストークは、ある測定チャンネルが別のチャンネルの結果にも影響する現象である。損失は、検出されない成分が存在することで確率保存が崩れる形で現れる。これらは単純な確率モデルに追加の状態や有効演算子を組み込む必要を生む。
扱いとしては、損失やクロストークを拡張モデルに含めて推定する方法、あるいは有効的な補正で置き換える方法がある。前者は推定変数が増えるが整合性が高い一方、後者は計算負荷を抑えられる反面、モデル化の精度に依存する。
3.3 データ処理の実務
データ処理では、生の出力を推定に適した形式へ変換し、統計処理に耐える形で整える。再構成アルゴリズムはデータ形式に敏感であり、前処理の品質が結果に直結する。
3.3.1 生データから確率推定への変換
各測定設定に対するカウントから、経験的確率を計算する。有限サンプルではゼロ確率が生じ得るため、対数尤度などを用いる推定器では数値安定性の観点から工夫が必要になる。たとえば微小な平滑化を入れる、あるいは尤度関数をカウントのまま扱うなどの方法が選択される。
また、試行の総数が測定ごとに異なる場合には、その違いを明示的にモデルへ反映することで、統計的重み付けを適切化する。
3.3.2 整数カウントと正則化
推定器によっては、確率推定値よりも整数カウントに基づく評価関数を直接使う方が自然な場合がある。尤度最適化はカウントに整合的であり、統計分布の仮定とも整合する。
正則化は、情報が不足する場合や測定の条件が悪い場合に過度な振れを抑えるために導入される。たとえば滑らかさや低ランク性を反映する設計があり得る。正則化の強さはバイアスと分散のトレードオフを生むため、検証データや誤差推定により妥当性を確認することが望ましい。
4 応用例と発展
4.1 状態検証（量子ビット、連続変数）
量子トモグラフィは、量子ビットの状態検証から連続変数系の推定まで幅広い対象に適用される。ビット系では密度行列の復元が直接的な目標となり、連続変数では測定結果の分布を適切に扱う必要がある。
4.1.1 スピン系・光学系での実装
スピン系では、異なる測定軸に対する回転と測定を組み合わせて状態を推定する。光学系では、偏光や位相に関わる自由度を測定可能な形へ写像し、複数設定の統計から状態を再構成する。いずれの場合も、測定演算子が実験で実現されるための操作（回転、干渉、フィルタリングなど）を測定設定として設計する必要がある。
また、光学系では検出効率や損失の影響が結果に大きく現れやすい。したがって、補正や不確かさ評価が状態再構成の信頼度を左右する。
4.1.2 高次元系への拡張
高次元系では状態のパラメータ数が増え、測定数や計算負荷が同時に増大する。理想的には測定集合の情報量を確保する必要があるが、実験上の切替回数の制限がボトルネックになることが多い。
さらに高次元では数値的な不安定性も増える傾向があるため、安定化のための最適化手法、低ランク仮定を活かしたモデル化、あるいは工学的な簡約が検討される。目的は、推定の精度を維持しつつ測定と計算の負担を現実的な範囲に収める点にある。
4.2 量子操作の評価（ゲート品質、チャネル再構成）
量子ゲートは誤差を含んで実装されるため、その性能を定量的に評価する必要がある。チャネル再構成では、理想ゲートに対する実際の写像の差を推定し、受ける影響（たとえば忠実度や平均性能指標）を計算できる。
ゲート品質の評価は、単に推定値を得るだけでなく、不確かさ込みで解釈することが重要になる。推定誤差が大きいと、性能改善の判断が不確かになるためである。そのため、推定と誤差評価を統合した解析設計が実験側で求められる。
4.3 高効率化と新しい推定戦略
測定数の爆発や計算量の増大により、トモグラフィは高次元ほど負担が大きくなる。この課題に対し、推定戦略を工夫して必要なデータ量や計算負荷を下げる研究が進んでいる。
4.3.1 圧縮センシング型アプローチ
圧縮センシング型の発想では、状態（あるいはチャネル）がある種の低複雑性を持つ場合に、少数の測定からでも復元できる可能性を利用する。ここでいう低複雑性は、たとえば有効ランクが小さい、疎性がある、といった構造として現れる。
これにより、従来の一様な測定設計よりも少ない測定セットで推定を目指す。実際には、構造仮定の妥当性が重要であり、仮定が外れると誤差が増えるため、事前検証やモデル選択の工夫が必要になる。
4.3.2 サンプル数削減の考え方
サンプル数削減は、測定回数を減らしつつ推定精度を保つことを目標とする。典型的には、測定を一様に割り当てるのではなく、情報の見込みが高い設定へ試行を集中させる適応的戦略が検討される。
さらに、推定器側で事前情報や制約をより積極的に利用することで、統計効率を高める方向もある。結果として、同じデータ量でもより信頼できる再構成を目指す設計が可能になる。
4.4 今後の課題（汎用性・頑健性・計算量）
今後の課題は、手法の汎用性、装置誤差への頑健性、計算負荷の現実化の三点に集約されることが多い。汎用性とは、異なる物理プラットフォームでも同程度に機能する設計指針を持つことを意味する。頑健性は、誤差モデルのずれや校正の不確かさがある状況で、推定がどれだけ安定に振る舞うかに関わる。
計算量は、特にチャネル推定や高次元で顕著になる。高速化アルゴリズム、近似推定、並列計算の活用などが検討される。最終的には、実験の制約下で実用的な精度と速度を両立する枠組みが求められる。