測定と確率
量子コンピュータは「重ね合わせの状態」のままでは答えを読み出せません。 測定 をすると、状態が確率に従って どれかのビット列に崩壊(コラプス) します。
そのため、量子計算では 同じ回路を何度も実行(shots) して、 結果の分布(ヒストグラム)から答えを推定するのが基本です。
測定の仕組み
- 測定結果は決定的ではなく、確率 で決まる。
- 何度も繰り返すと、確率分布どおりの割合に収束していく。
- 測定した瞬間、重ね合わせは壊れてしまい、同じ計算をやり直す必要がある。
回数を増やして「収束」を観察しよう
50%:50% のコイン(H を 1 回かけた Qubit)を、測定回数を変えながら何度も測定してみます。 測定回数が少ないうちはバラバラ、増えるほどきれいに半々に近づくのが見えるはずです。
import%20marimo%20as%20mo%0Aimport%20numpy%20as%20np%0Aimport%20matplotlib.pyplot%20as%20plt%0A%0A%23%20%E5%9F%BA%E6%9C%AC%E3%82%B2%E3%83%BC%E3%83%88%EF%BC%88%E3%83%A6%E3%83%8B%E3%82%BF%E3%83%AA%E8%A1%8C%E5%88%97%EF%BC%89%0AH%20%3D%20np.array(%5B%5B1%2C%201%5D%2C%20%5B1%2C%20-1%5D%5D%2C%20dtype%3Dcomplex)%20%2F%20np.sqrt(2)%20%20%23%20%E3%82%A2%E3%83%80%E3%83%9E%E3%83%BC%E3%83%AB%0AX%20%3D%20np.array(%5B%5B0%2C%201%5D%2C%20%5B1%2C%200%5D%5D%2C%20dtype%3Dcomplex)%20%20%23%20NOT%20%E3%82%B2%E3%83%BC%E3%83%88%0AZ%20%3D%20np.array(%5B%5B1%2C%200%5D%2C%20%5B0%2C%20-1%5D%5D%2C%20dtype%3Dcomplex)%20%20%23%20Z%20%E3%82%B2%E3%83%BC%E3%83%88%0A%0Adef%20init_state(n)%3A%0A%20%20%20%20%22%22%22n%20%E9%87%8F%E5%AD%90%E3%83%93%E3%83%83%E3%83%88%E3%81%AE%E5%88%9D%E6%9C%9F%E7%8A%B6%E6%85%8B%20%7C00...0%3E%22%22%22%0A%20%20%20%20state%20%3D%20np.zeros(2**n%2C%20dtype%3Dcomplex)%0A%20%20%20%20state%5B0%5D%20%3D%201%0A%20%20%20%20return%20state%0A%0Adef%20apply1(state%2C%20gate%2C%20q)%3A%0A%20%20%20%20%22%22%221%20%E9%87%8F%E5%AD%90%E3%83%93%E3%83%83%E3%83%88%E3%82%B2%E3%83%BC%E3%83%88%20gate%20%E3%82%92%20qubit%20q%20%E3%81%AB%E9%81%A9%E7%94%A8%22%22%22%0A%20%20%20%20n%20%3D%20int(np.log2(len(state)))%0A%20%20%20%20perm%20%3D%20%5Bq%5D%20%2B%20%5Bi%20for%20i%20in%20range(n)%20if%20i%20!%3D%20q%5D%0A%20%20%20%20s%20%3D%20np.transpose(state.reshape(%5B2%5D%20*%20n)%2C%20perm)%0A%20%20%20%20s%20%3D%20(gate%20%40%20s.reshape(2%2C%20-1)).reshape(%5B2%5D%20*%20n)%0A%20%20%20%20s%20%3D%20np.transpose(s%2C%20np.argsort(perm))%0A%20%20%20%20return%20s.reshape(-1)%0A%0Adef%20apply_h(state%2C%20q)%3A%0A%20%20%20%20return%20apply1(state%2C%20H%2C%20q)%0A%0Adef%20apply_x(state%2C%20q)%3A%0A%20%20%20%20return%20apply1(state%2C%20X%2C%20q)%0A%0Adef%20apply_z(state%2C%20q)%3A%0A%20%20%20%20return%20apply1(state%2C%20Z%2C%20q)%0A%0Adef%20apply_cnot(state%2C%20c%2C%20t)%3A%0A%20%20%20%20%22%22%22%E5%88%B6%E5%BE%A1%20qubit%20c%20%E3%82%92%E5%85%83%E3%81%AB%E3%80%81%E6%A8%99%E7%9A%84%20qubit%20t%20%E3%82%92%E5%8F%8D%E8%BB%A2%E3%81%95%E3%81%9B%E3%82%8B%20CNOT%22%22%22%0A%20%20%20%20n%20%3D%20int(np.log2(len(state)))%0A%20%20%20%20perm%20%3D%20%5Bc%2C%20t%5D%20%2B%20%5Bi%20for%20i%20in%20range(n)%20if%20i%20not%20in%20(c%2C%20t)%5D%0A%20%20%20%20s%20%3D%20np.transpose(state.reshape(%5B2%5D%20*%20n)%2C%20perm).reshape(4%2C%20-1)%0A%20%20%20%20s%5B%5B2%2C%203%5D%5D%20%3D%20s%5B%5B3%2C%202%5D%5D%0A%20%20%20%20s%20%3D%20np.transpose(s.reshape(%5B2%5D%20*%20n)%2C%20np.argsort(perm))%0A%20%20%20%20return%20s.reshape(-1)%0A%0Adef%20measure_counts(state%2C%20shots%3D1024%2C%20seed%3D42)%3A%0A%20%20%20%20%22%22%22%E6%B8%AC%E5%AE%9A%E3%82%92%20shots%20%E5%9B%9E%E3%81%8F%E3%82%8A%E8%BF%94%E3%81%97%E3%80%81%E3%83%93%E3%83%83%E3%83%88%E5%88%97%E3%81%94%E3%81%A8%E3%81%AE%E5%9B%9E%E6%95%B0%E3%82%92%E8%BF%94%E3%81%99%22%22%22%0A%20%20%20%20probs%20%3D%20np.abs(state)%20**%202%0A%20%20%20%20probs%20%3D%20probs%20%2F%20probs.sum()%20%20%23%20%E6%B5%AE%E5%8B%95%E5%B0%8F%E6%95%B0%E7%82%B9%E8%AA%A4%E5%B7%AE%E5%AF%BE%E7%AD%96%E3%81%A7%E6%AD%A3%E8%A6%8F%E5%8C%96%0A%20%20%20%20rng%20%3D%20np.random.default_rng(seed)%0A%20%20%20%20n%20%3D%20int(np.log2(len(state)))%0A%20%20%20%20counts%20%3D%20%7B%7D%0A%20%20%20%20for%20s%20in%20rng.choice(2**n%2C%20size%3Dshots%2C%20p%3Dprobs)%3A%0A%20%20%20%20%20%20%20%20bits%20%3D%20format(s%2C%20f%220%7Bn%7Db%22)%20%20%23%20%E5%B7%A6%E3%81%8C%20qubit0%EF%BC%88%E6%9C%80%E4%B8%8A%E4%BD%8D%EF%BC%89%E2%86%92%20%E9%A0%86%E3%81%AB%20qubit1%2C%20...%0A%20%20%20%20%20%20%20%20counts%5Bbits%5D%20%3D%20counts.get(bits%2C%200)%20%2B%201%0A%20%20%20%20return%20counts%0A%0Adef%20plot_counts(counts%2C%20title%3D%22Measurement%20results%22)%3A%0A%20%20%20%20%22%22%22%E6%B8%AC%E5%AE%9A%E3%82%AB%E3%82%A6%E3%83%B3%E3%83%88%E3%81%AE%E3%83%92%E3%82%B9%E3%83%88%E3%82%B0%E3%83%A9%E3%83%A0%E3%82%92%E6%8F%8F%E3%81%8F%EF%BC%88%E2%80%BBWASM%E6%8F%8F%E7%94%BB%E3%81%AE%E3%81%9F%E3%82%81%E6%96%87%E5%AD%97%E3%81%AF%E8%8B%B1%E5%AD%97%E3%81%AE%E3%81%BF%EF%BC%89%22%22%22%0A%20%20%20%20keys%20%3D%20sorted(counts)%0A%20%20%20%20vals%20%3D%20%5Bcounts%5Bk%5D%20for%20k%20in%20keys%5D%0A%20%20%20%20fig%2C%20ax%20%3D%20plt.subplots(figsize%3D(7%2C%203.8))%0A%20%20%20%20ax.bar(keys%2C%20vals%2C%20color%3Dplt.cm.viridis(np.linspace(0.25%2C%200.85%2C%20len(keys))))%0A%20%20%20%20ax.set_title(title)%0A%20%20%20%20ax.set_xlabel(%22Outcome%20(bitstring)%22)%0A%20%20%20%20ax.set_ylabel(%22Counts%22)%0A%20%20%20%20ax.set_ylim(0%2C%20max(vals)%20*%201.2%20%2B%201)%0A%20%20%20%20return%20fig%0A%0Adef%20plot_state(state%2C%20title%3D%22State%20probabilities%22)%3A%0A%20%20%20%20%22%22%22%E5%90%84%E3%83%93%E3%83%83%E3%83%88%E5%88%97%E3%81%AE%E7%A2%BA%E7%8E%87%20%7C%CE%B1%7C%C2%B2%20%E3%82%92%E6%A3%92%E3%82%B0%E3%83%A9%E3%83%95%E3%81%A7%E8%A1%A8%E7%A4%BA%EF%BC%88%E2%80%BB%E8%8B%B1%E5%AD%97%E3%81%AE%E3%81%BF%EF%BC%89%22%22%22%0A%20%20%20%20probs%20%3D%20np.abs(state)%20**%202%0A%20%20%20%20n%20%3D%20int(np.log2(len(state)))%0A%20%20%20%20keys%20%3D%20%5Bformat(i%2C%20f%220%7Bn%7Db%22)%20for%20i%20in%20range(len(state))%5D%0A%20%20%20%20fig%2C%20ax%20%3D%20plt.subplots(figsize%3D(7%2C%203.8))%0A%20%20%20%20ax.bar(keys%2C%20probs%2C%20color%3Dplt.cm.plasma(np.linspace(0.2%2C%200.9%2C%20len(keys))))%0A%20%20%20%20ax.set_title(title)%0A%20%20%20%20ax.set_xlabel(%22Bitstring%20(q0%20is%20leftmost)%22)%0A%20%20%20%20ax.set_ylabel(%22Probability%20%7Ca%7C%5E2%22)%0A%20%20%20%20ax.set_ylim(0%2C%201.1)%0A%20%20%20%20return%20fig%0A%0Adef%20bloch_vector(state)%3A%0A%20%20%20%20%22%22%221%20%E9%87%8F%E5%AD%90%E3%83%93%E3%83%83%E3%83%88%E7%8A%B6%E6%85%8B%E3%82%92%E3%83%96%E3%83%AD%E3%83%83%E3%83%9B%E3%83%99%E3%82%AF%E3%83%88%E3%83%AB%20(x%2C%20y%2C%20z)%20%E3%81%AB%E5%A4%89%E6%8F%9B%22%22%22%0A%20%20%20%20a%2C%20b%20%3D%20state%0A%20%20%20%20theta%20%3D%202%20*%20np.arctan2(abs(b)%2C%20abs(a))%0A%20%20%20%20phi%20%3D%20np.angle(b)%20-%20np.angle(a)%0A%20%20%20%20return%20np.array(%0A%20%20%20%20%20%20%20%20%5Bnp.sin(theta)%20*%20np.cos(phi)%2C%20np.sin(theta)%20*%20np.sin(phi)%2C%20np.cos(theta)%5D%0A%20%20%20%20)%0A%0Adef%20plot_bloch(state%2C%20title%3D%22Bloch%20sphere%22)%3A%0A%20%20%20%20%22%22%221%20%E9%87%8F%E5%AD%90%E3%83%93%E3%83%83%E3%83%88%E7%8A%B6%E6%85%8B%E3%82%92%E3%83%96%E3%83%AD%E3%83%83%E3%83%9B%E7%90%83%E4%B8%8A%E3%81%AB%E6%8F%8F%E3%81%8F%22%22%22%0A%20%20%20%20v%20%3D%20bloch_vector(state)%0A%20%20%20%20fig%20%3D%20plt.figure(figsize%3D(4.6%2C%204.6))%0A%20%20%20%20ax%20%3D%20fig.add_subplot(111%2C%20projection%3D%223d%22)%0A%20%20%20%20u%20%3D%20np.linspace(0%2C%202%20*%20np.pi%2C%2040)%0A%20%20%20%20w%20%3D%20np.linspace(0%2C%20np.pi%2C%2040)%0A%20%20%20%20ax.plot_surface(%0A%20%20%20%20%20%20%20%20np.outer(np.sin(u)%2C%20np.sin(w))%2C%0A%20%20%20%20%20%20%20%20np.outer(np.cos(u)%2C%20np.sin(w))%2C%0A%20%20%20%20%20%20%20%20np.outer(np.ones(40)%2C%20np.cos(w))%2C%0A%20%20%20%20%20%20%20%20color%3D%22lightgray%22%2C%0A%20%20%20%20%20%20%20%20alpha%3D0.35%2C%0A%20%20%20%20%20%20%20%20linewidth%3D0%2C%0A%20%20%20%20)%0A%20%20%20%20for%20vec%2C%20col%20in%20%5B(%5B1%2C%200%2C%200%5D%2C%20%22red%22)%2C%20(%5B0%2C%201%2C%200%5D%2C%20%22green%22)%2C%20(%5B0%2C%200%2C%201%5D%2C%20%22blue%22)%5D%3A%0A%20%20%20%20%20%20%20%20ax.plot(%0A%20%20%20%20%20%20%20%20%20%20%20%20%5B-vec%5B0%5D%2C%20vec%5B0%5D%5D%2C%20%5B-vec%5B1%5D%2C%20vec%5B1%5D%5D%2C%20%5B-vec%5B2%5D%2C%20vec%5B2%5D%5D%2C%0A%20%20%20%20%20%20%20%20%20%20%20%20color%3Dcol%2C%20alpha%3D0.5%2C%0A%20%20%20%20%20%20%20%20)%0A%20%20%20%20ax.plot(%5B0%2C%20v%5B0%5D%5D%2C%20%5B0%2C%20v%5B1%5D%5D%2C%20%5B0%2C%20v%5B2%5D%5D%2C%20color%3D%22black%22%2C%20lw%3D2)%0A%20%20%20%20ax.scatter(%5Bv%5B0%5D%5D%2C%20%5Bv%5B1%5D%5D%2C%20%5Bv%5B2%5D%5D%2C%20color%3D%22darkorange%22%2C%20s%3D80)%0A%20%20%20%20ax.set_title(title)%0A%20%20%20%20ax.set_xlabel(%22X%22)%0A%20%20%20%20ax.set_ylabel(%22Y%22)%0A%20%20%20%20ax.set_zlabel(%22Z%22)%0A%20%20%20%20ax.set_xlim(-1%2C%201)%0A%20%20%20%20ax.set_ylim(-1%2C%201)%0A%20%20%20%20ax.set_zlim(-1%2C%201)%0A%20%20%20%20ax.set_box_aspect((1%2C%201%2C%201))%0A%20%20%20%20return%20fig
shots%20%3D%20mo.ui.slider(10%2C%208192%2C%20value%3D100%2C%20step%3D10%2C%20label%3D%22%E6%B8%AC%E5%AE%9A%E5%9B%9E%E6%95%B0%EF%BC%88shots%EF%BC%89%22%2C%20full_width%3DTrue)%0Ashots
state%20%3D%20apply_h(np.array(%5B1%2C%200%5D%2C%20dtype%3Dcomplex)%2C%200)%0Acounts%20%3D%20measure_counts(state%2C%20shots%3Dshots.value%2C%20seed%3D7)%0Atotal%20%3D%20sum(counts.values())%0Aratio%20%3D%20counts.get(%220%22%2C%200)%20%2F%20total%0Afig%2C%20ax%20%3D%20plt.subplots(figsize%3D(7%2C%203.8))%0Aax.bar(%5B%220%22%2C%20%221%22%5D%2C%20%5Bcounts.get(%220%22%2C%200)%2C%20counts.get(%221%22%2C%200)%5D%2C%0A%20%20%20%20%20%20%20color%3Dplt.cm.viridis(%5B0.3%2C%200.7%5D))%0Aax.axhline(total%20%2F%202%2C%20color%3D%22red%22%2C%20ls%3D%22--%22%2C%20lw%3D1.5%2C%20label%3D%2250%25%20(theory)%22)%0Aax.set_title(f%22%7Btotal%7D%20shots%20-%3E%20fraction%20of%20'0'%20%3D%20%7Bratio*100%3A.1f%7D%25%22)%0Aax.set_ylabel(%22Counts%22)%0Aax.set_ylim(0%2C%20total)%0Aax.legend()%0Afig
見てみよう - 10回 くらいだと、0 が 40% とか 60% とか、かなり偏ります。 - 8192回 にすると、ほとんど 50% にピッタリ近づきます。 - これが「大数の法則」と、量子測定の確率的な性質です。
確率はどう計算される?
状態 \(|\psi\rangle = \alpha|0\rangle + \beta|1\rangle\) のとき、測定で 0 が出る確率は
\[P(0) = |\alpha|^2, \qquad P(1) = |\beta|^2\]
つまり 振幅(amplitude)の2乗 が確率です。合計は必ず 1 になります:
\[|\alpha|^2 + |\beta|^2 = 1\]
実は「理想と現実」
上のシミュレーションは理想的な状態です。実際の量子コンピュータには
- デコヒーレンス(環境との相互作用で情報が失われる)
- ゲート誤差(理想的な操作とズレる)
- 測定ノイズ(統計的ゆらぎ)
があります。だからこそ 多回数測定で平均化 し、量子誤り訂正 の研究が行われています。
まとめ
- 測定は 確率 で決まり、重ね合わせが崩壊する。
- 同じ回路を 多数回(shots) 実行して分布を見るのが基本。
- 確率は 振幅の2乗
|α|² で計算される。
- 実際のハードウェアには誤差があるため、多回数測定と誤り対策が必須。
最後のレッスンでは、これまでの知識を使って代表的な 量子アルゴリズム に挑戦します。