思考の状態更新だけでは量子力学の必然性を導けない

ある問題を深く考えるとき、最初から答えが一つに定まっているとは限らない。複数の説明候補を保持し、新しい情報によってそれぞれの妥当性を評価し、必要に応じて候補を追加または棄却する。判断が成立した後には、その結論と判断の根拠が記憶や記録として残り、後続の判断へ影響する。この過程には、可能性の保持、情報に応じた更新、判断の成立、履歴の形成という区別可能な操作が含まれている。

量子力学にも、状態の時間発展、測定結果の確率、測定による状態変化、結果の記録という構造がある。測定前の量子状態から測定結果の確率を計算し、結果に対応した測定後状態を記述することができる。両者を並べれば、複数の可能性から一つの結果へ至る過程として似た説明が可能になる。しかし、同じ順序で操作を記述できることと、それらの操作が同じ数学的法則に従うことは別の条件である。思考と量子力学の接続を論じるには、対応する操作が何を保存し、どの確率規則に従い、どの条件で同じ予測を与えるかを調べる必要がある。

例えば、通信障害の原因を調べる技術者が、電源系の異常と通信系の異常という二つの仮説を保持しているとする。通信できないという現象だけでは、いずれの仮説も排除できない。そこで電源電圧を測定し、装置が正常に起動しているかを確認する。電源電圧が規定範囲内であれば、電源系の異常という仮説の妥当性は低下する可能性がある。ただし、電圧が正常であることは電源系のすべての故障を否定する証拠ではない。負荷を加えた際にだけ電圧が低下する故障も考えられるため、測定条件と仮説の関係を明確にする必要がある。

一方、通信ケーブルを交換した直後に通信が回復したなら、通信経路に原因があったという仮説を支持する証拠になる。ただし、交換作業に伴う接続のやり直しや機器の状態変化も結果へ影響し得る。観測された改善と、特定の原因を確定する判断の間には、依然として推論が介在する。このように、候補を保持し、測定を行い、判断を更新し、履歴を残す過程は、仮説の確率や条件付き確率を用いる古典的なモデルでも記述できる。

ここから生じる問いは、思考と量子力学に共通する語彙がどれほど多いかではない。古典的な状態遷移や確率更新で再現できる性質を取り除いた後に、量子確率に固有の条件が残るかという問いである。物理的な量子相関の実験、量子理論の操作的な再構成、人間の判断を量子確率で表す認知研究は、それぞれ異なる側面からこの問いに関係する。物理実験が制約する古典モデルと、認知実験で比較する古典モデルを区別しながら、理論の適用範囲を判断する必要がある。


1. 思考が量子力学に行き着くという命題を分解する

1.1 思考の仮説空間と判断

思考には、保存した情報を取り出す場合と、新しい情報を利用して判断を更新する場合がある。後者では、対象の状態を直接知ることができないとき、複数の説明候補を保持して判断する。故障調査であれば、装置の内部状態をすべて観測できなくても、症状、計測値、操作履歴から原因候補を評価できる。このとき技術者が操作しているのは、故障そのものではなく、故障について保持している仮説とその評価である。

既稿「なぜ思考は量子力学に行き着くのか」では、仮説の保持、可能性の変化、判断の確定、記録の形成を量子観測の問題と対応づけた[1]。この対応を数学的な主張として評価するには、各段階で何を状態と呼び、どの操作が状態を更新し、どの規則によって結果の確率が定まるかを明確にする必要がある。例えば、複数の仮説を保持するという表現は、候補を列挙した集合を指す場合もあれば、候補ごとに確率を割り当てた分布を指す場合もある。両者は、保持している情報の種類が異なる。

電源系の異常を \(h_1\)、通信系の異常を \(h_2\) とし、仮説集合を次のように表す。

\[
H=\{h_1,h_2\}
\]

この集合は、技術者が検討している候補を表す。集合に二つの要素があることだけでは、どちらの仮説がどの程度妥当かは分からない。そこで、時刻 \(t\) における仮説への信頼度を確率分布として表す。

\[
p_t(h_1)+p_t(h_2)=1
\]

ここで \(p_t(h_i)\) は、時刻 \(t\) に利用できる情報のもとで仮説 \(h_i\) に割り当てる確率である。二つの仮説が排他的で、かつ原因の候補を尽くしているという設定では、確率の和が \(1\) になる。実際の故障調査で両方の原因が同時に存在し得るなら、この排他的な設定を修正する必要がある。また、未知の原因が存在する可能性を残すなら、第三の仮説を加えるか、モデル外の原因に対応する確率を考慮することになる。

このモデルの不確実性は、対象について技術者が保有する情報の不足に由来する。例えば、技術者が二つの原因を同程度に疑っていることは、装置の内部で二つの故障状態が量子的に重ね合わされていることを意味しない。仮説への確率は、故障についての知識や証拠に応じて更新できる。一方、量子状態の重ね合わせには、状態ベクトル、複素振幅、相対位相、測定規則という追加の数学的構造が含まれる。

判断には、確率の更新とは別に、行動を選択する規則も必要になる。例えば、通信系が原因である確率が高いと判断しても、その確認に大きな費用がかかるなら、技術者は電源系の検査を先に実施するかもしれない。確率は原因に関する不確実性を表し、行動の選択は作業費用、故障時の損失、検査結果から得られる情報を含めて決まる。複数の候補から一つの判断へ至る過程には、確率更新と意思決定という二つの異なる操作が存在する。

したがって、思考の仮説空間を定義するだけでは、その思考がどの確率法則を必要とするかは決まらない。仮説をどのように表現し、証拠をどのように取り込み、判断をどのような規則で選ぶかを明示することで、古典確率と量子確率の比較が可能になる。

1.2 計算、想起、反射、熟慮の区別

同じ答えを出す過程でも、入力に対して定められた演算を実行する計算、過去の情報を取り出す想起、刺激に応じて短時間で生じる反射、複数の説明候補を比較する熟慮では、状態の使い方が異なる。例えば、保存した暗証番号を入力する場合には、既に保持している記憶の取り出しが中心になる。新たな推論を伴わずに正しい番号を再現できるなら、その操作の主要な役割は想起である。

これに対し、通信障害の原因調査では、最初に保持した候補が計測結果によって変更される。電源電圧が正常であっても、通信機器への供給電流が不足している可能性を新たに考えれば、仮説集合そのものを拡張することになる。さらに、複数の仮説を区別するために新しい検査方法を選ぶ場合には、既存の判断規則を適用するだけでなく、どの情報を取得すべきかという行動の選択も含まれる。

計算と熟慮は、必ずしも排他的な分類ではない。熟慮の内部には計算が含まれ得るし、想起した記憶が新しい推論の入力になる場合もある。ここで区別する必要があるのは、処理全体にどのような状態と更新規則が必要になるかである。例えば、固定された入力から一意に出力を求める計算は、決定的な写像として表現できる。一方、情報が不完全な場合の熟慮では、確率分布、候補間の関係、過去の判断、検査を選ぶ規則などを状態へ含める必要が生じる。

思考の特徴を「複数の可能性を同時に考慮すること」と捉えるなら、同時という語の数学的意味も区別しなければならない。例えば、二つの仮説を記憶媒体の別々の領域に保存する方法、二つの仮説へ確率を割り当てて一つの確率分布を構成する方法、二つの量子状態の線形結合を形成する方法は、いずれも複数の候補を表現できる。しかし、それぞれの状態に適用できる演算は同じではない。

古典的な確率分布では、候補の確率は非負であり、その和が \(1\) になる。量子状態の重ね合わせでは、複素振幅の相対位相が測定確率へ影響する場合がある。二つの候補を保持しているという事実だけでは、位相という変数を導入する理由は生じない。位相を利用した説明が必要になるのは、その変数を含むモデルが、古典的な候補の重みだけでは表現できない具体的な予測を与える場合である。

また、思考における熟慮の複雑さから、直ちに量子力学的な状態空間を採用する理由も導けない。多数の仮説を扱うこと、複数の関係を同時に評価すること、過去の情報を利用することは、いずれも古典的な情報処理モデルに組み込める。必要な数学的形式は、候補数の多さよりも、観測される判断の規則と、説明しようとする現象の制約によって決まる。

1.3 構造の類似から導かれる範囲

「可能性が保持される」「情報の取得後に状態が変化する」「一つの結果が記録される」という三つの性質は、多くの情報処理系に共通する。例えば、データベースの検索処理でも、複数の候補行から検索条件に合う行を選択し、その結果をログへ記録できる。故障診断でも、複数の原因候補に対して証拠を照合し、最も妥当な説明を採用できる。いずれも候補、選択、記録という役割を持つが、その役割の一致から物理的な実装や確率規則が決まるわけではない。

この違いを明確にするため、思考と量子理論の対応を、説明上の類似性、数学的な対応、実験的な予測、物理的な機構という四つの観点から整理できる。

比較対象 確認できる内容 追加して必要な条件 条件が不足する場合の限界
説明上の類似性 候補の保持、情報による更新、結果の選択、記録という役割が対応する。 どの対象を状態、更新、観測、記録と呼ぶかを明確にする必要がある。 役割の一致だけでは、二つの系が同じ確率規則に従うとは判断できない。
数学的な対応 二つの状態空間と更新操作の間に写像を定義できる。 写像が必要な演算、確率、状態の区別を保存する条件を確認する必要がある。 一部の式が似ていても、体系全体の同型性は保証されない。
実験的な予測 質問順序や判断条件に対して、モデルごとの回答確率を計算できる。 比較する古典モデル、実験条件、予測値、許容する誤差を固定する必要がある。 同じデータに適合する複数のモデルを、一つの観測結果だけで識別することは難しい。
物理的な機構 対象の内部自由度と相互作用を測定し、量子状態の動力学と照合できる。 量子コヒーレンス、干渉、相関などを測定する物理的な実験条件が必要になる。 認知データの量子確率モデルへの適合だけでは、神経系の量子機構を特定できない。

表の最初の二行では、説明形式の対応と数学的な対応を区別している。例えば、検索処理と故障診断には、候補を絞り込むという共通の操作が存在する。しかし、検索処理が集合の包含関係を利用し、故障診断が条件付き確率を利用するなら、両者は異なる演算によって同じ役割を実現している。この場合、候補を選ぶという役割の一致は、演算の一致を意味しない。

数学的な対応を主張するなら、状態間の写像がどの演算を保存するかを確認する必要がある。例えば、一方の系で状態を更新した後に他方の系へ写す場合と、先に状態を写してから対応する更新を行う場合が一致するかを調べる。さらに、観測確率を比較するなら、対応する状態から同じ結果確率が得られるという追加条件が必要になる。

一方、実験的な予測の比較では、数学的に異なるモデルが同じ回答分布を生成する可能性がある。ある質問列の回答確率が一致したとしても、それだけでモデルの内部状態や更新演算が一致するとは限らない。複数の質問列や介入条件に対して予測差を調べることによって、モデルの違いを検出できる場合がある。

物理的な機構の問題には、さらに独立した証拠が必要になる。例えば、量子確率を用いた式が人間の回答分布を説明できたとしても、その式に含まれる密度演算子が実際の神経系のどの物理状態に対応するかは、行動データだけでは定まらない。量子力学の数学的形式を認知モデルとして利用することと、その形式を実現する物理機構を同定することは、説明の階層が異なる。

したがって、構造的な類似性から導かれるのは、比較すべき役割や演算を定めるための出発点である。量子確率の必要性を評価するには、数学的な保存条件と実験的な予測差を追加して調べる必要がある。

1.4 三つの主張を独立に評価する

思考と量子力学の接続に関する主張は、少なくとも三つに分解できる。第一は、思考と量子観測に似た役割を持つ構造が存在するという主張である。第二は、人間の判断確率を量子確率によって表現すると、特定の認知現象について有効な予測が得られるという主張である。第三は、認知の成立に物理的な量子機構が必要であるという主張である。

第一の主張では、仮説の保持、更新、判断、記録に対応する操作を明示すれば、比較の対象を構成できる。例えば、思考における判断と量子測定における測定結果には、複数の結果候補から一つの結果を扱うという役割上の対応がある。しかし、思考の判断規則がボルン則を満たすことや、判断後の状態更新が量子測定の演算によって記述されることは、その対応だけでは確定しない。

第二の主張は、具体的な確率分布の問題である。例えば、質問 A に答えてから質問 B に答える場合と、逆の順序で答える場合に、回答確率が変化することがある。このような質問順序効果を量子確率モデルで表す場合、質問を演算子として表現し、順序による状態更新を含めた回答確率を計算することになる。そのモデルが実験結果と整合したなら、少なくとも対象となる条件において、量子確率の形式が認知データの説明に利用できることが示される。

ただし、質問順序効果は、古典的な記憶や注意の更新によっても発生し得る。質問 A が注意を特定の特徴へ向けさせ、その状態で質問 B に答える場合と、質問 B によって別の特徴へ注意が向けられた後で A に答える場合では、回答分布が変化する可能性がある。量子認知モデルの説明能力を評価する際には、このような古典モデルとの予測差がどこに生じるかを明確にする必要がある。

第三の主張では、対象は認知を担う物理的な系になる。量子力学は、脳を構成する物質についても基礎的な物理法則として適用される。しかし、巨視的な認知過程を記述するために量子コヒーレンスや干渉の自由度を明示的に導入する必要があるかは、別の問題である。例えば、神経活動の電気的・化学的な変化を古典的な動的システムで近似できる場合、そのモデルが対象とする時間尺度や観測量に対して、量子的な自由度の直接的な追跡が必要になるとは限らない。

量子認知モデルが行動データを説明できることから、物理的な量子過程の存在へ進むには、数学的な変数と実際の物理的な自由度の対応が必要になる。さらに、その自由度がどの時間尺度で維持され、どの相互作用によって認知の結果へ影響するかを測定する必要がある。行動データの統計的な適合と、神経系の量子的な実装を支持する証拠は、区別して評価される。

三つの主張を分離すると、ある段階で得られた結論を、そのまま次の段階の証明へ使うという論理的な飛躍を検出できる。形式上の類似性は数学的な比較を始める根拠となり、量子確率モデルの予測性能は認知現象の説明を評価する根拠となる。物理的な機構の同定には、さらに独立した測定と実験が必要になる。

1.5 数学的同型性の主張に必要な保存条件

二つの対象を数学的に同型と呼ぶ場合、構成要素の名前を対応づけるだけでは足りない。両者の状態空間に対応する写像が存在し、その写像のもとで定義した演算が保存される必要がある。例えば、二つの系がともに状態更新を持つとしても、更新後の状態を対応させたときに同じ関係が保たれなければ、更新演算についての同型性は成立しない。

思考を表す状態空間を \(X\)、量子理論の状態空間を \(\mathcal Q\) とし、両者を対応づける写像を \(T:X\to\mathcal Q\) とする。まず、決定的な思考の更新規則を \(F:X\to X\)、対応する量子側の更新規則を \(U:\mathcal Q\to\mathcal Q\) として考える。このとき、更新と状態の対応が両立するための条件は、次の式で表せる。

\[
T\circ F=U\circ T
\]

この式は、思考の状態を先に更新してから量子側の状態へ写した場合と、思考の状態を先に量子側へ写してから量子側の更新を適用した場合に、同じ対応先へ到達することを意味する。例えば、ある状態 \(x\) について \(F(x)\) を計算してから \(T\) を適用した結果と、\(T(x)\) に \(U\) を適用した結果が一致することを要求する。特定の状態だけで一致することと、対象とする状態空間全体で一致することは区別される。

ただし、この条件は更新操作についての対応であり、確率の保存まで保証するものではない。思考側で観測結果 \(a\) が得られる確率を \(P_{\mathrm{cog}}(a\mid x)\)、量子側の対応する状態から同じ結果が得られる確率を \(P_{\mathrm{quant}}(a\mid T(x))\) とすれば、確率的な予測を対応づけるためには、次の条件も必要になる。

\[
P_{\mathrm{cog}}(a\mid x)
=
P_{\mathrm{quant}}(a\mid T(x))
\]

ここで \(a\) は両者で対応づけた観測結果である。例えば、思考側の回答「はい」と、量子モデルで「はい」に対応させた測定結果について、その確率が一致することを要求する。さらに複数の質問を連続して行う場合には、単独の回答確率だけでなく、質問列全体の結合確率についても対応が必要になる。

数学的な同型性を主張するには、\(T\) が対象とする状態空間の間で一対一の対応を持つことも必要になる。観測確率が一致するという条件だけでは、そのような対応は保証されない。例えば、内部に異なる記憶を持つ二つの状態が、現在の質問に対して同じ回答確率を与える場合がある。現在の回答だけを観測している限り、その二つの状態を区別できない。この場合、観測上の一致と内部状態の同型性は別の問題になる。

また、思考の更新が確率的である場合には、単一の決定的な写像 \(F\) だけでは状態遷移を表現できない。例えば、一つの状態から二つの状態へ、それぞれ一定の確率で遷移する場合には、状態遷移核や確率分布に作用する写像を用いる必要がある。量子側でも、閉じた系のユニタリー時間発展と、測定結果ごとに条件づけた測定後状態の更新は異なる操作である。対応関係を検討する際には、比較する演算の種類を一致させることが必要になる。

この条件を明示すると、数学的な類似性を主張するために不足している情報が分かる。状態空間の対応、更新演算の保存、観測結果の確率の保存、逐次観測の結合確率の対応という条件が、順に検証対象となる。状態更新と観測確率の両方について対応が成立したとしても、それが物理的な実装の同一性を意味するわけではない。数学的な同型性は定義された対象と演算に関する性質であり、物理的な機構の同定には別の証拠が必要になる。

1.6 同じ観測列を生む理論の非一意性

観測された回答の列が一つ与えられても、その背後にある状態空間と更新規則は一般に一意に定まらない。例えば、質問 A に「賛成」、質問 B に「反対」、再び質問 A に「賛成」と回答した場合を考える。この回答列は、質問ごとに注意状態が更新されるモデル、過去の回答を記憶するモデル、量子測定による状態更新を使うモデルなど、複数の仕組みから生成され得る。

古典的な記憶モデルでは、状態に直前の回答や質問履歴を保持する変数を追加できる。質問 A に初めて答えた時点でその回答を記憶し、質問 B を受けても A についての記憶を保持する規則を設定すれば、再び A を尋ねたときに同じ回答を返せる。この説明では、回答の再現を記憶の保存と読み出しによって実現する。

一方、質問 B を受けたときに注意や判断基準が変更される古典的なモデルでも、A→B→A という回答列を生成できる場合がある。例えば、A についての判断を変更しないまま、B の判断に使う別の内部状態だけを更新する規則を設定できる。二つのモデルが同じ回答列を生成しても、A について記憶を保持しているのか、質問 B が A の判断に作用しないのかという生成機構は異なる。

量子認知モデルでは、質問ごとに測定操作を定義し、測定による状態更新を利用して同じ回答列を表現できる。ただし、量子測定の形式を採用したモデルが特定の回答列を生成できることは、その回答列を古典モデルでは生成できないという主張とは異なる。必要な比較は、同じ観測データに適合する複数のモデルが、別の質問条件でどのような予測差を与えるかである。

例えば、質問 A を三回繰り返す場合、A→B→A の場合、A→C→A の場合を比較する。ここで、B と C が A についての判断へ作用する程度を独立に制御できるなら、記憶を保持するモデル、注意状態が変化するモデル、量子測定による状態更新モデルの間で、回答確率の予測に差が生じる可能性がある。特に、モデルのパラメーターを質問列ごとに自由に変更すると、観測された結果に合わせて説明を作り直せるため、異なるモデルの予測能力を比較しにくくなる。同じモデルを複数の条件へ適用し、共通のパラメーターで結果を説明できるかを検証する必要がある。

観測結果から内部機構を推定する問題には、観測可能性と識別可能性という二つの区別がある。観測可能性は、内部状態の違いが利用可能な観測を通じて検出できるかという問題である。識別可能性は、異なるモデルのパラメーターや更新規則を観測データから区別できるかという問題である。現在の回答分布が一致していても、後続の質問や介入に対する応答が異なれば、モデルを識別する手掛かりになる。

故障診断の例では、電源系と通信系の異常が同じ「通信できない」という症状を生む場合でも、電源電圧の測定、ケーブルの交換、負荷条件の変更によって、異なる原因に対する応答を比較できる。観測された症状が一致することから原因の同一性を推定するよりも、原因候補ごとに異なる結果が予測される検査を選ぶほうが、生成機構を識別するうえで有効である。

思考と量子力学の対応についても、同じ原則が成立する。両者に似た役割の操作が存在することは比較の出発点になる。数学的な同型性を主張するなら、状態空間、更新演算、確率規則について保存条件を確認する必要がある。量子確率モデルの認知への適用可能性を評価するなら、古典モデルとの予測差を実験的に検証する必要がある。物理的な量子機構の存在を主張するなら、認知活動を担う物理状態と相互作用について独立した証拠が必要になる。これらの条件を分けることで、思考の構造的な類似性から量子力学の必然性へ至る推論を、検証可能な命題として定式化できる。


2. 古典確率でも可能性の保持から履歴を生成できる

2.1 ベイズ更新による反例

複数の可能性を保持し、新しい情報によって評価を更新し、一つの判断を選択するという過程は、古典確率によって記述できる。このことを確認するため、故障原因について複数の仮説を保持する診断モデルを考える。最初に必要なのは、どの原因があり得るかを定義し、それぞれにどの程度の確率を割り当てるかを指定することである。

仮説集合を有限集合とし、時刻 \(t\) における各仮説の信念確率を与える。仮説が互いに排他的であり、考慮する原因をすべて含んでいる場合、確率は非負であり、全仮説の確率の和は \(1\) となる。

\[
H=\{h_1,h_2,\ldots,h_n\},
\qquad
p_t(h_i)\geq0,
\qquad
\sum_{i=1}^{n}p_t(h_i)=1
\]

ここで \(h_i\) は \(i\) 番目の仮説、\(p_t(h_i)\) は時刻 \(t\) に利用可能な情報のもとで、その仮説に割り当てる信念確率である。例えば、通信障害について電源系の故障を \(h_1\)、通信系の故障を \(h_2\) とすれば、二つの候補のどちらが原因であるかについて確率分布を構成できる。この分布は技術者の知識と証拠に基づく不確実性を表しており、装置が物理的に二つの故障状態の量子重ね合わせにあるという仮定を必要としない。

この二仮説モデルでは、原因が一方だけに存在するという条件を置いている。電源系と通信系の両方に故障がある場合や、別の原因が存在する場合には、仮説集合を拡張する必要がある。どの可能性を列挙したかというモデルの定義と、列挙した可能性へどの確率を割り当てるかという推定の規則は、区別して扱う必要がある。

新しい検査結果を \(e_t\) とし、その結果が各仮説のもとでどの程度生じやすいかを、尤度 \(P(e_t\mid h_i)\) で表す。電源系の異常が原因であれば特定の検査結果が高い確率で生じ、通信系の異常であれば同じ結果が低い確率で生じるとき、その検査結果は二つの仮説を区別する情報になる。

観測した証拠が得られる全確率が正であれば、ベイズの公式によって更新後の信念分布を計算できる。

\[
p_{t+1}(h_i)
=
\frac{P(e_t\mid h_i)p_t(h_i)}
{\sum_j P(e_t\mid h_j)p_t(h_j)}
\]

分子の \(P(e_t\mid h_i)p_t(h_i)\) は、仮説 \(h_i\) の事前確率と、その仮説のもとで証拠 \(e_t\) が得られる確率の積である。分母は、すべての仮説についてこの積を加えた値であり、証拠 \(e_t\) が得られる全確率を表す。分母によって正規化することで、更新後の確率も全体で \(1\) になる。

この更新では、既に保持している仮説の確率と、新たに得られた証拠の尤度から、次の時点の信念確率が決まる。例えば、電源系の故障に対する確率が高くても、通信系の故障で生じやすい検査結果が得られれば、その確率は低下し得る。観測した証拠が仮説ごとの尤度を通じて相対的な重みを変更し、変更後の重みが新しい確率分布を形成するという二段階の関係が存在する。

ここで更新されるのは、故障原因について保持している信念分布である。測定操作によって装置自体の状態が変化する場合には、その影響を別途モデル化する必要がある。例えば、負荷試験によって装置が停止した場合、検査は原因の推定に利用する情報を生むと同時に、検査対象の物理的な状態を変更している可能性がある。この場合、証拠による信念の更新と、検査操作による対象の状態変化は異なる過程として記述することになる。

このように、複数候補を保持し、証拠によって重みを更新することは、古典確率の演算として定義できる。仮説間の確率の変化を記述するために、複素確率振幅や量子測定演算子を導入する必要はない。

2.2 数値を用いて更新前後の確率を追跡する

実際の計算によって、証拠が信念分布をどのように変更するかを確認する。初期段階で、電源系の故障確率を \(0.6\)、通信系の故障確率を \(0.4\) と仮定する。この段階では電源系の故障をやや有力な仮説としているが、原因を確定しているわけではない。

検査結果 \(e\) が、電源系の故障時には確率 \(0.8\)、通信系の故障時には確率 \(0.2\) で生じるとする。これらは計算を説明するために設定した仮想的な値であり、実際の機器について測定した故障率や検査性能を示すものではない。

\[
\begin{aligned}
p_0(h_1)&=0.6,\\
p_0(h_2)&=0.4,\\
P(e\mid h_1)&=0.8,\\
P(e\mid h_2)&=0.2.
\end{aligned}
\]

証拠 \(e\) が得られる全確率は、二つの仮説について、事前確率と尤度の積を足した値になる。

\[
\begin{aligned}
P(e)
&=P(e\mid h_1)p_0(h_1)
+P(e\mid h_2)p_0(h_2)\\
&=0.8\cdot0.6+0.2\cdot0.4\\
&=0.48+0.08\\
&=0.56.
\end{aligned}
\]

ここで \(0.48\) は電源系の故障という仮説から証拠が得られる事前の重み、\(0.08\) は通信系の故障という仮説から同じ証拠が得られる重みである。この二つを正規化することで、証拠を観測した後の確率を求められる。

\[
\begin{aligned}
p_1(h_1)
&=\frac{0.48}{0.56}
=\frac67
\approx0.8571,\\
p_1(h_2)
&=\frac{0.08}{0.56}
=\frac17
\approx0.1429.
\end{aligned}
\]

更新前には電源系の故障に \(0.6\) を割り当てていたが、更新後には約 \(0.857\) になる。これは、観測した証拠が通信系の故障よりも電源系の故障のもとで生じやすいという条件による。二つの仮説の相対的な確率が変化しても、更新後の確率の和は \(1\) に維持される。

確率が約 \(0.857\) になったことから、必ず電源系の故障と判断しなければならないわけではない。例えば、判断の採用閾値を \(0.9\) とすれば、最も有力な仮説であっても採用を保留する。閾値を \(0.8\) に設定していれば、電源系の故障を採用することになる。

両者の違いは、証拠に基づく確率更新と、その確率から判断を決める規則が別々に定義されることから生じる。前者は仮説に対する証拠の影響を計算し、後者は判断を実行する条件を指定する。例えば、誤った判断による損失が大きい場合には、高い採用閾値を設けることに合理性がある。反対に、判断を保留することで重大な被害が発生する場合には、確率が十分に高くなる前に予防的な対応を取ることもあり得る。

複数回の検査を行う場合には、新しい証拠が既存の証拠とどのような依存関係を持つかも考慮する必要がある。同じ計測結果を二回読み取っただけで、その結果を独立した二つの証拠として掛け合わせると、特定の仮説への確信度を不当に増加させる可能性がある。

例えば、二回目の証拠を \(e_2\)、一回目の証拠を \(e_1\) とすると、更新に必要なのは、原則として既に観測した \(e_1\) を条件に含めた尤度である。

\[
P(e_2\mid h_i,e_1)
\]

二つの証拠が仮説を条件として独立である場合に限り、この尤度を \(P(e_2\mid h_i)\) に置き換えられる。検査結果の依存関係を明示することで、履歴を持つ古典的な推論を、証拠の二重計上を避けながら記述できる。

この数値例では、複数候補の保持、証拠による確率更新、判断の採用または保留までを古典確率で説明できる。確率分布の更新と、後述する判断履歴の記録を組み合わせれば、元の命題で量子観測との共通性として挙げた主要な過程を実現できる。

2.3 判断履歴の追加と再利用

証拠に基づいて判断した結果を、後続の処理から参照できる形で保存することを考える。履歴 \(M_t\) を、時刻と判断結果を時系列に並べた記録とする。時刻 \(t\) に仮説 \(h_k\) を採用した場合、履歴の更新は次のように表せる。

\[
M_{t+1}=M_t\mathbin{\|}(t,h_k)
\]

ここで \(\mathbin{\|}\) は履歴列の末尾へ新しい要素を追加する操作である。例えば、\(M_t\) に過去の故障診断結果が保存されている場合、新しい判断 \((t,h_k)\) を追加すると、過去の記録を残したまま現在の判断を参照できるようになる。

この操作には、仮説を選択する過程と、選択結果を保存する過程という二つの段階がある。確率分布から判断を選択する規則が定まっていても、その結果が自動的に永続化されるとは限らない。記録を後続の処理へ利用するためには、保存媒体、識別可能な時刻や対象、記録を読み取る手順を備える必要がある。

例えば、ある障害について「電源系の接触不良が原因と判断した」と記録した場合、その履歴は次回の障害調査で候補の優先順位を決める材料になる。一方、この記録が示しているのは、記録時点で下された判断である。部品交換や再現試験によって実際の原因が確認されたかどうかは、別の情報である。

判断の記録と原因の確認結果を混同すると、過去の推定を事実として再利用する問題が生じる。例えば、電源系を原因と推定したものの、実際には通信系の異常だった場合、誤った診断記録を故障頻度の統計に直接加えると、その後も電源系の故障確率を過大評価する可能性がある。その過大評価が次の判断へ影響し、同じ誤判定が繰り返されれば、記録の利用によって推定の偏りが継続する。

この違いを明確にするには、履歴に保存する情報を、判断、証拠、確認結果に分けることができる。例えば、時刻 \(t\) の記録を次の組で表す。

\[
r_t=(t,e_t,h_k,v_t)
\]

ここで \(e_t\) は判断に用いた証拠、\(h_k\) は採用した仮説、\(v_t\) は判断後の確認結果を表す。確認が未実施であれば、その状態を区別して保存する。こうしておけば、過去にどのような判断を下したかという履歴と、実際にどの原因が確認されたかという履歴を、別々の目的へ利用できる。

また、履歴を残すことと、その内容が後続の判断に影響することも異なる。記録が保存されていても、次の診断時に参照されなければ、判断規則は変更されない。履歴を利用するためには、過去の記録からどの情報を抽出し、現在の仮説や判断基準へどのように反映するかという更新規則が必要になる。

このように、確率の更新、判断の選択、履歴の保存、履歴の再利用を独立した操作として組み合わせれば、過去の判断が将来の思考へ作用する過程を古典的な動的システムとして構成できる。量子測定における状態更新や記録形成との類似性は存在するが、ここで用いている演算は通常の確率更新と情報の保存・読み出しである。

2.4 判断閾値と誤判定の費用を区別する

判断を実行する条件は、最も高い事後確率を持つ仮説を選ぶ規則だけに限定されない。誤った判断に伴う費用、検査を続けるための費用、判断を遅らせることによる損失が異なれば、同じ確率分布から別の行動が選択され得る。

行動 \(a\) と真の仮説 \(h_i\) に対する損失を \(L(a,h_i)\) とする。証拠 \(e\) を観測した後、行動 \(a\) の事後期待損失は、各仮説のもとでの損失を事後確率によって重みづけした和として求められる。

\[
R(a\mid e)
=
\sum_i L(a,h_i)p(h_i\mid e)
\]

ここで \(R(a\mid e)\) は証拠 \(e\) のもとで行動 \(a\) を選んだ場合の期待損失である。判断規則として、この期待損失を最小にする行動を採用できる。

\[
a^*
=
\operatorname*{arg\,min}_{a}
R(a\mid e)
\]

例えば、電源系の故障確率が \(6/7\)、通信系の故障確率が \(1/7\) になった状況を考える。ここで電源装置を直ちに交換する行動と、通信系を追加検査する行動を比較する。誤った部品交換には大きな費用がかかり、追加検査には時間的な損失が生じるとする。

説明のため、損失を共通の仮想的な費用単位で設定する。

行動 電源系が原因の場合 通信系が原因の場合 事後期待損失
電源装置を直ちに交換 交換費用として 5 が発生する。 原因に対応しない交換と対応の遅れによって 50 が発生する。 事後確率で重みづけすると約 11.43 になる。
通信系を追加検査 検査と対応の遅れによって 12 が発生する。 追加検査の費用として 3 が発生する。 事後確率で重みづけすると約 10.71 になる。

表の損失は仮想的な値であり、追加検査後の対応まで含む総損失を各原因について設定している。この条件で電源装置を直ちに交換する場合の期待損失を計算する。

\[
\begin{aligned}
R(a_{\mathrm{replace}}\mid e)
&=5\cdot\frac67+50\cdot\frac17\\
&=\frac{80}{7}\\
&\approx11.43.
\end{aligned}
\]

一方、通信系を追加検査する場合の期待損失は次のようになる。

\[
\begin{aligned}
R(a_{\mathrm{test}}\mid e)
&=12\cdot\frac67+3\cdot\frac17\\
&=\frac{75}{7}\\
&\approx10.71.
\end{aligned}
\]

この設定では、電源系の故障確率が約 \(0.857\) で最も高いにもかかわらず、通信系の追加検査を選ぶほうが期待損失は小さい。電源系が原因であるという判断と、電源装置を直ちに交換すべきだという行動選択が異なるのは、誤った交換に伴う費用が非対称だからである。

この例では、確率分布の更新結果を変更せずに、損失関数によって最適な行動が決まっている。実際の診断では、検査を行うことでさらに情報が得られ、その情報に応じて後続の行動を変更できる場合もある。そのような状況では、追加検査によって得られる情報の価値を含む逐次的な意思決定モデルが必要になる。

この構造から、可能性を複数保持すること、事後確率を更新すること、一つの行動を選択することは、それぞれ別の演算であると分かる。判断の確定には、確率の更新に加えて損失や費用に基づく行動規則を設定すればよい。最終的な行動が一つに定まることは、量子測定による状態収縮を仮定する根拠にはならない。

2.5 履歴が新しい事前確率と判断基準を生成する

過去の判断や故障記録が、次の判断へ影響する仕組みを具体的に考える。履歴を利用する方法には、過去に採用した判断を直接参照する場合と、多数の確認済み事例から故障頻度を推定する場合がある。前者では過去の判断が候補の選択や検査順序へ影響し、後者では過去の観測結果が新たな事前確率の推定へ寄与する。

例えば、以前に同じ症状で電源系の接触不良を確認した記録があれば、次の診断で電源系を優先的に検査することが考えられる。しかし、前回と今回で装置の構成や使用環境が異なる場合、その記録が現在の故障原因を同じ程度に支持するとは限らない。履歴を利用するためには、過去の事例が現在の事例へどの程度適用できるかという条件も評価する必要がある。

確認済みの故障件数を利用して事前確率を更新する方法として、二つの故障原因について単純なベイズ的頻度推定を考える。電源系の故障を確認した件数を \(n_1\)、通信系の故障を確認した件数を \(n_2\) とする。また、初期段階でそれぞれの原因に割り当てる正の事前パラメーターを \(\alpha_1,\alpha_2\) とする。

故障原因が排他的かつ網羅的な二分類であり、各事例が同じ故障原因分布に従うという仮定のもとでは、ベータ分布による事前分布を用いて、電源系の故障確率の事後平均を次のように求められる。

\[
\widehat p(h_1)
=
\frac{\alpha_1+n_1}
{\alpha_1+\alpha_2+n_1+n_2}
\]

この式の分子は、電源系についての事前パラメーターと確認件数の和である。分母は両方の原因についての事前パラメーターと確認件数の合計である。確認済みの事例が増えるにつれて、観測した原因の頻度が確率推定へ反映される。

例えば、初期パラメーターをともに \(1\) とし、確認済みの故障件数が電源系で \(8\) 件、通信系で \(2\) 件だったとする。この場合、電源系の故障確率の事後平均は次のようになる。

\[
\begin{aligned}
\widehat p(h_1)
&=\frac{1+8}{1+1+8+2}\\
&=\frac9{12}\\
&=0.75.
\end{aligned}
\]

この \(0.75\) は、確認済みの故障履歴と事前分布から推定した故障原因の確率である。現在の障害について新しい検査結果を得た場合には、この確率を事前確率として使用し、検査結果の尤度に基づいてさらに更新できる。過去の確定結果から初期分布を形成し、現在の証拠でその分布を更新するという二つの過程が接続される。

ただし、記録された診断結果が実際の故障原因を正しく反映していることは、この計算における重要な前提である。確認していない推測結果を故障件数へそのまま追加すると、過去の誤判定によって新しい事前確率が偏る可能性がある。また、特定の装置だけで発生した故障履歴を別の装置群へ適用する場合には、故障原因の分布が共通しているかを確認する必要がある。

履歴を状態の一部へ組み入れることで、過去の判断へ依存する過程を、拡張状態に対する更新として表現できる。現在の内部状態を \(X_t\)、履歴を \(M_t\) とすれば、拡張状態を次のように定義する。

\[
\widetilde X_t=(X_t,M_t)
\]

更新規則が現在の状態と保持した履歴を参照して次の状態を決めるなら、拡張状態に対する遷移として表せる。

\[
\begin{aligned}
\widetilde X_{t+1}
&=\widetilde F(\widetilde X_t,e_t),\\
M_{t+1}
&=M_t\mathbin{\|}(t,a_t).
\end{aligned}
\]

ここで \(\widetilde F\) は拡張状態の更新規則、\(e_t\) は新しく取得した証拠、\(a_t\) は時刻 \(t\) に実行した判断行動である。履歴の更新式では、判断行動を記録する場合を示している。故障原因の確認結果も保存する場合には、その結果を同じ記録へ追加することになる。

このように過去の情報を状態へ含めることで、履歴依存の過程を拡張された状態に関するマルコフ的な更新として表現できる。ただし、過去の全記録を状態へ含める場合には、履歴が増えるにつれて状態表現も大きくなる。有限の記憶で同等の予測を実現するには、過去の情報をどのような要約統計量へ集約できるかを別途検討する必要がある。

また、過去の障害記録から事前確率を変更することと、判断基準自体を変更することも区別できる。例えば、故障頻度の変化によって電源系の事前確率が上昇しても、誤交換に伴う費用が同じなら損失関数は変化しない。一方、装置の停止による事業上の損失が増加した場合には、故障確率が同じであっても、検査を継続するか直ちに交換するかという行動規則が変更され得る。

この違いは、履歴が作用する対象を明確にする。過去の確認結果は原因の発生確率の推定へ影響し、過去の費用や被害の記録は損失関数の設定へ影響し得る。さらに、過去の誤判定を分析した結果として検査方法を変更するなら、次に取得する証拠の種類や精度も変化する。履歴は、一つの確率を変更するだけでなく、情報取得と意思決定を構成する複数の規則へ作用し得る。

ここまでに、古典的な確率分布による可能性の保持、ベイズ更新による信念の変化、損失関数による判断、履歴列への記録、過去の確認結果に基づく事前確率の再推定を構成した。これらを組み合わせれば、判断が履歴として蓄積され、その履歴が後続の判断条件を変更する過程が成立する。複数候補から一つの判断が得られ、その判断が未来の処理へ影響するという性質は、古典的な確率過程と情報の保存規則によって説明できる。

この反例が示すのは、可能性の保持、更新、判断、記録、履歴依存性という一般構造だけから量子力学の必然性を導くことはできない、という限定された結論である。特定の認知実験に対して量子確率モデルが古典モデルより高い予測性能を持つか、古典的なモデルでは満たせない確率制約が観測されるかという問題は、この反例とは独立して検証される。


3. 思考の再検討と量子力学の可逆性を区別する

3.1 逆写像とユニタリー性

いったん下した判断を再検討できることは、認識上の判断が変更可能であることを意味する。例えば、通信障害の原因を電源系の異常と判断した後で、新しい検査結果を得て通信系の異常へ判断を変更することがある。この場合、変更されているのは原因についての評価や結論であり、以前の思考状態そのものが復元されているわけではない。新しい証拠を知ったという事実や、最初に誤った判断を下したという記憶は、判断を変更した後にも残り得る。

数学的な可逆性は、状態の変換規則について定義される。ある時刻の状態を \(x_t\)、更新後の状態を \(x_{t+1}\)、更新規則を \(F\) とすると、状態更新は次の式で表せる。

\[
x_{t+1}=F(x_t)
\]

ここで \(F\) は、更新前の状態を更新後の状態へ対応づける写像である。更新後の状態から更新前の状態を一意に復元するには、異なる入力が同じ出力へ移らないことが必要になる。すなわち、対象とする状態集合の任意の二状態 \(x_1,x_2\) について、次の条件が成立しなければならない。

\[
F(x_1)=F(x_2)
\Longrightarrow
x_1=x_2
\]

この条件を単射性という。単射であれば、少なくとも \(F\) の値域に対して逆写像を定義できる。さらに、更新前と更新後で同じ状態空間全体を対象とする逆写像を要求する場合には、全射性も必要になる。両方を満たす写像は全単射であり、次の関係を満たす逆写像を持つ。

\[
F^{-1}(F(x))=x
\]

右辺の \(x\) は更新前の状態である。更新後の状態に逆写像を適用すると、更新前の状態を一意に復元できることを表している。例えば、判断内容だけを状態として扱う場合と、判断に使った証拠、記憶、注意状態、過去の入力履歴まで含める場合では、可逆性を評価する対象が異なる。判断内容が以前の値に戻ったとしても、追加された情報や経過した時間まで戻ったとは限らない。

量子力学では、環境との相互作用を含めずに閉じた系として扱う場合、その時間発展をユニタリー演算子 \(U\) によって記述する。状態ベクトルを \(|\psi\rangle\) とすると、時間発展は次のようになる。

\[
|\psi_{t+1}\rangle=U|\psi_t\rangle
\]

ユニタリー演算子は、状態ベクトル間の内積を保存する。任意の状態ベクトル \(|\psi\rangle,|\phi\rangle\) について、次の条件が成立する。

\[
\begin{aligned}
\langle U\psi|U\phi\rangle
&=\langle\psi|U^\dagger U|\phi\rangle\\
&=\langle\psi|\phi\rangle,
\qquad
U^\dagger U=I.
\end{aligned}
\]

ここで \(U^\dagger\) は \(U\) の随伴演算子、\(I\) は恒等演算子である。随伴演算子は複素共役と転置を含む操作であり、ユニタリー性は \(U^\dagger U=I\) によって表される。この条件により、状態ベクトルのノルムと、異なる状態ベクトル間の内積が保存される。

特に \(|\phi\rangle=|\psi\rangle\) とすれば、状態のノルムが保存される。

\[
\|U|\psi\rangle\|^2
=
\langle\psi|U^\dagger U|\psi\rangle
=
\|\psi\|^2
\]

量子状態が規格化されていれば、時間発展後も規格化が維持される。さらに内積が保存されるため、二つの状態の区別に関係する幾何学的な構造も保存される。これは、以前の判断へ戻れる場合があるという認識上の変更可能性よりも具体的な数学的条件である。

思考の更新をユニタリー時間発展に対応させるためには、思考の状態空間へ適切な内積を定義し、その更新規則が内積を保存することを示す必要がある。仮説を再検討できるという経験的な事実から、内積保存則や複素ヒルベルト空間の構造が自動的に導かれるわけではない。

3.2 可逆写像と不可逆写像を小さな状態空間で比較する

可逆性の違いは、二つの値だけを取る状態空間でも確認できる。状態変数 \(x\) が \(0\) または \(1\) を取るとし、値を反転する写像を考える。

\[
F(x)=1-x,
\qquad
x\in\{0,1\}
\]

この写像は \(0\) を \(1\) へ、\(1\) を \(0\) へ変換する。もう一度同じ写像を適用すると、元の値へ戻る。

\[
F(F(x))=1-(1-x)=x
\]

入力が異なれば出力も異なり、更新後の値から更新前の値を一意に決定できる。そのため、この写像は可逆である。逆写像は元の写像と同じであり、\(F^{-1}=F\) が成立する。

一方、二つの入力を同じ値へ移す写像を考える。

\[
G(0)=0,
\qquad
G(1)=0
\]

この写像では、更新後の状態は常に \(0\) になる。出力が \(0\) であることを知っても、更新前の状態が \(0\) だったのか \(1\) だったのかを区別できない。二つの異なる入力が同じ出力へ対応するため、逆写像は一意に定義できない。

思考においても、複数の異なる情報状態から同じ判断へ到達する場合がある。例えば、一方の技術者は電源電圧の計測結果から通信系を原因と判断し、別の技術者は通信ログの解析結果から同じ判断へ到達したとする。判断結果だけを状態として保存すると、どちらの証拠を利用したかという違いは失われる。判断結果が一致していることから、判断へ至る過程まで一意に復元することはできない。

ただし、ここで失われる情報の範囲は、どこまでを状態として定義したかに依存する。判断結果だけを記録する場合には、証拠や推論履歴を復元できない。一方、判断結果とともに証拠、操作履歴、以前の状態を保存するなら、より多くの情報を復元できる。例えば、更新前の状態 \(x\) と更新後の状態 \(F(x)\) の両方を保持すれば、更新後の値から元の値を計算する必要はなくなる。

この違いは、対象を部分系として扱うか、記録媒体を含む拡張された系として扱うかによって可逆性の評価が変化することを示している。判断結果だけを取り出す操作が情報を失っていても、判断の過程で参照した証拠や履歴を別の媒体へ保存していれば、拡張された状態にはその情報が残り得る。

日常的な再考では、以前の判断と異なる判断を採用することができる。しかし、以前の状態を構成していたすべての情報が復元されるとは限らない。判断の変更可能性は、判断結果についての性質である。数学的な可逆性は、定義した状態全体について更新前の値を復元できるかという性質である。この二つを区別することで、思考の再検討から量子力学のユニタリー性を導く際に不足している条件が明確になる。

3.3 ユニタリー性と確率保存の差

古典確率の更新と量子状態の時間発展は、どちらも規格化を保つ場合がある。しかし、保存している数学的な対象は異なる。古典確率では、各状態に割り当てる確率が非負であり、全状態の確率の和が \(1\) になる。量子力学では、複素振幅を持つ状態ベクトルのノルムが \(1\) に保たれ、そのノルムを測定確率の計算へ利用する。

まず、古典的な確率分布を列ベクトル \(p\) で表し、確率遷移行列を \(K\) とする。

\[
p’_i=\sum_jK_{ij}p_j
\]

ここで \(K_{ij}\) は、更新前の状態 \(j\) から更新後の状態 \(i\) へ遷移する確率である。列ベクトルで確率分布を表す規約では、遷移行列の各成分が非負であり、各列の和が \(1\) になる。

\[
K_{ij}\geq0,
\qquad
\sum_iK_{ij}=1
\]

この条件が成立すると、更新前の確率分布が規格化されている限り、更新後の確率分布も規格化される。

\[
\begin{aligned}
\sum_i p’_i
&=\sum_i\sum_jK_{ij}p_j\\
&=\sum_jp_j\sum_iK_{ij}\\
&=\sum_jp_j\\
&=1.
\end{aligned}
\]

この式は、確率の合計が保存されることを示している。しかし、確率の合計が保存されることと、更新が可逆であることは異なる。例えば、次の遷移行列を考える。

\[
K=
\begin{pmatrix}
0.8&0.2\\
0.2&0.8
\end{pmatrix}
\]

この行列は非負の成分を持ち、各列の和が \(1\) である。したがって、二状態の古典確率分布を別の確率分布へ移すことができる。一方、この行列による更新では、もとの分布が持っていた状態間の確率差が縮小する。例えば、最初の状態が確率 \(1\) で確定していた場合、更新後には二状態へ確率 \(0.8\) と \(0.2\) が割り当てられる。

\[
\begin{pmatrix}
1\\
0
\end{pmatrix}
\longmapsto
\begin{pmatrix}
0.8\\
0.2
\end{pmatrix}
\]

この \(K\) は行列としては逆行列を持つ。行列式が \(0.6\) であり、零ではないためである。しかし、その逆行列は負の成分を含む。

\[
K^{-1}
=
\begin{pmatrix}
\frac43&-\frac13\\
-\frac13&\frac43
\end{pmatrix}
\]

例えば、確率分布 \((1,0)^{\mathsf T}\) にこの逆行列を適用すると、\((4/3,-1/3)^{\mathsf T}\) が得られる。負の成分を含むため、これは確率分布ではない。したがって、\(K\) が線形代数的に可逆であることと、その逆操作が任意の確率分布に作用する古典的な確率遷移として実現できることは、別の条件である。

量子力学のユニタリー演算子では、状態ベクトルに対する時間発展が内積を保存する。単なる確率の合計の保存よりも、複素振幅の間の関係について具体的な制約がある。

二準位の量子系で、状態を次のように表す。

\[
|\psi\rangle
=
\frac{1}{\sqrt2}
\left(
|0\rangle+e^{i\phi}|1\rangle
\right)
\]

ここで \(|0\rangle\) と \(|1\rangle\) は互いに直交する基底状態、\(\phi\) は二つの振幅の相対位相である。この状態を \(|0\rangle,|1\rangle\) の基底で測定すると、それぞれの結果が得られる確率は \(1/2\) になる。この測定だけでは、相対位相 \(\phi\) の値を区別できない。

しかし、別の測定基底を選ぶと、相対位相が測定確率へ影響する。例えば、次の状態に対応する測定結果を考える。

\[
|+\rangle
=
\frac{1}{\sqrt2}
\left(
|0\rangle+|1\rangle
\right)
\]

この状態と \(|\psi\rangle\) の内積の絶対値二乗が、対応する測定結果の確率になる。

\[
\begin{aligned}
P(+)
&=|\langle+|\psi\rangle|^2\\
&=\left|\frac{1+e^{i\phi}}2\right|^2\\
&=\frac{1+\cos\phi}{2}.
\end{aligned}
\]

例えば、相対位相が \(\phi=0\) であれば \(P(+)=1\) となり、\(\phi=\pi\) であれば \(P(+)=0\) となる。最初の測定基底では同じ \(1/2,1/2\) という結果確率を与える二つの状態でも、別の測定基底では異なる確率を与える。この違いは、最初の基底での確率分布だけでは相対位相の情報を保持していないことから生じる。

ここでは、古典的な確率分布の規格化と、量子状態のノルム保存に加えて相対位相が保持されることの違いを確認できる。量子力学における可逆性は、閉じた系の状態ベクトルについての内積保存を含む。思考が複数の可能性を保持しているという性質だけでは、相対位相や内積保存則に対応する認知上の条件は定まらない。

3.4 可逆操作と記録は共存する

記録が形成されることと、系全体の時間発展が可逆であることは両立し得る。古典的な情報処理でその関係を確認するため、二つのビット \(x,m\) を考える。\(x\) は記録したい情報を持つビット、\(m\) は記録先として使用する補助ビットである。

排他的論理和を \(\oplus\) で表し、次の操作を定義する。

\[
(x,m)\longmapsto(x,m\oplus x)
\]

排他的論理和は、二つの入力が異なる場合に \(1\)、同じ場合に \(0\) を返す演算である。例えば、\(0\oplus1=1\)、\(1\oplus1=0\) となる。この操作では、一番目のビット \(x\) を保持したまま、二番目のビット \(m\) を \(x\) に応じて変更する。

すべての入力に対する変換結果を表に示す。

入力 \((x,m)\) 一回目の操作後 二回目の操作後 記録としての意味
\((0,0)\) \((0,0)\) となる。 \((0,0)\) に戻る。 初期値が \(m=0\) なので、\(x=0\) を記録する。
\((0,1)\) \((0,1)\) となる。 \((0,1)\) に戻る。 補助ビットは変更されず、初期値 \(m=1\) が保持される。
\((1,0)\) \((1,1)\) となる。 \((1,0)\) に戻る。 初期値が \(m=0\) なので、\(x=1\) を記録する。
\((1,1)\) \((1,0)\) となる。 \((1,1)\) に戻る。 補助ビットが反転し、初期値との関係を保持する。

この表から、四つの入力状態がそれぞれ異なる出力状態へ対応していることが分かる。そのため、操作後の二ビット全体から操作前の状態を一意に復元できる。さらに、同じ操作を二回適用すると初期状態に戻る。

\[
\begin{aligned}
(x,m)
&\longmapsto(x,m\oplus x)\\
&\longmapsto(x,(m\oplus x)\oplus x)\\
&=(x,m).
\end{aligned}
\]

ここで、排他的論理和には \(x\oplus x=0\) という性質があるため、二回目の操作で補助ビットが元の値へ戻る。

記録先の初期値を \(m=0\) に固定すれば、一回目の操作後の状態は \((x,x)\) になる。

\[
(x,0)\longmapsto(x,x)
\]

このとき、二番目のビットには一番目のビットと同じ値が保存される。観測者が二番目のビットを読み取れば、最初のビットの値を知ることができる。しかし、二ビット全体に対する操作は可逆であり、適切な逆操作を行えば記録を消去して初期状態へ戻せる。

この例では、記録を形成することと、記録を消去できることが矛盾していない。記録形成は、ある変数が別の変数に関する情報を保持するという関係を作る操作である。一方、可逆性は、全体の状態変換において情報が失われないという条件である。記録先だけを観測する場合と、情報源を含む全体系を追跡する場合では、アクセスできる情報が異なる。

さらに、記録が環境の多数の自由度へ拡散すれば、限られた部分系だけを操作する観測者が初期状態を復元することは難しくなる。例えば、ある状態を示す情報が複数の記憶装置や通信記録へ複製された場合、そのうち一つを消去しても、他の記録から元の情報を再構成できる可能性がある。すべての記録媒体を含めた状態を追跡することと、手元の一つの記録だけを操作することは異なる。

ただし、情報が環境へ分散することだけで、熱力学的な不可逆性の成立条件がすべて説明されるわけではない。実効的な不可逆性を定量的に評価するには、どの自由度を観測するか、どの操作を実行できるか、エントロピー生成や粗視化をどのように定義するかを明確にする必要がある。

この可逆なビット操作は、古典的な情報を記録する例である。任意の未知の量子状態を同じ方法で複製できることを示すものではない。量子力学では、未知の量子状態を一般に完全複製できないという複製禁止の性質がある。古典的な二値情報の複写と、任意の量子状態の複製を区別したうえで、ここでは可逆な操作と記録形成が古典的な系でも共存することを確認している。

この反例によって、可逆な全体操作と部分系に残る記録の共存は、量子力学に固有の性質ではないと分かる。量子測定の特徴を明らかにするためには、確率振幅の干渉、測定演算子による状態更新、複合系の量子相関を独立して検討する必要がある。

3.5 判断の確定と量子測定

古典的な意思決定では、原因についての信念分布を更新した後、判断基準に従って一つの行動を選択する。例えば、電源系の故障確率が高くなった場合でも、交換費用や追加検査の費用を考慮して、直ちに部品を交換するかどうかを決定する。判断が確定するためには、確率分布と行動選択規則が必要になる。

量子測定では、測定前の量子状態と測定操作によって結果の確率を定める。さらに、どの結果が得られたかに応じて、測定後の量子状態を記述する。例えば、二準位の量子系について、基底状態 \(|0\rangle\) と \(|1\rangle\) の重ね合わせを考える。

\[
|\psi\rangle
=
\alpha|0\rangle+\beta|1\rangle,
\qquad
|\alpha|^2+|\beta|^2=1
\]

ここで \(\alpha,\beta\) は複素確率振幅であり、それぞれの絶対値二乗が対応する基底状態を測定した場合の結果確率となる。状態の規格化条件は、二つの結果確率の和が \(1\) になることを保証する。

測定装置の初期状態を \(|D_{\mathrm{ready}}\rangle\) とする。測定対象と装置が相互作用し、対象の基底状態に応じて装置の状態が変化する場合、理想化された測定相互作用を次のように表せる。

\[
\begin{aligned}
&\left(
\alpha|0\rangle+\beta|1\rangle
\right)
|D_{\mathrm{ready}}\rangle\\
&\quad\longmapsto
\alpha|0\rangle|D_0\rangle
+\beta|1\rangle|D_1\rangle.
\end{aligned}
\]

ここで \(|D_0\rangle\) は測定対象が \(|0\rangle\) に対応する結果を示す装置状態、\(|D_1\rangle\) は \(|1\rangle\) に対応する結果を示す装置状態である。測定対象と装置の状態が相関づけられることで、装置の状態から測定対象についての情報を読み取れるようになる。

ただし、右辺は対象と装置の合成系についての量子状態であり、ユニタリーな測定相互作用だけを記述した場合には、二つの項の重ね合わせが残る。装置が異なる結果に対応する状態を持つことと、合成系全体で一つの結果だけが選ばれたことは、数学的に区別される。

装置が環境と相互作用する場合には、装置の異なる状態が環境の異なる状態と相関づけられる。環境状態を \(|E_0\rangle,|E_1\rangle\) とすると、合成系の状態を次のように表せる。

\[
\alpha|0\rangle|D_0\rangle|E_0\rangle
+
\beta|1\rangle|D_1\rangle|E_1\rangle
\]

環境状態間の内積 \(\langle E_1|E_0\rangle\) が小さくなると、測定対象と装置だけを取り出した縮約状態では、二つの結果に対応する成分間の干渉が抑制される。この過程がデコヒーレンスである。環境との相互作用によって干渉を観測しにくくなることは説明できるが、合成系全体のユニタリー時間発展から単一結果の成立をどのように理解するかについては、量子測定の解釈に関わる問題が残る。

古典的な意思決定における「一つの判断を選ぶ」という操作は、確率分布と判断規則によって定義できる。一方、量子測定では、結果確率、測定対象と装置の相関、環境との相互作用、結果を条件とした状態更新が、それぞれ異なる役割を持つ。同じ「結果が確定する」という表現であっても、背後にある確率法則と状態変換の構造を区別する必要がある。

3.6 測定結果を一つに絞るための操作

量子測定の結果確率と測定後状態の関係を具体的に確認するため、射影測定を考える。測定前の状態を密度演算子 \(\rho\)、測定結果 \(a\) に対応する射影演算子を \(P_a\) とする。

密度演算子は量子状態を表す演算子であり、正値性、自己随伴性、トレースが \(1\) であることを満たす。射影演算子は、測定で区別する部分空間に対応し、\(P_a^2=P_a\) および \(P_a^\dagger=P_a\) を満たす。

互いに排他的な結果を区別する完備射影測定では、異なる結果に対応する射影演算子は直交し、その和は恒等演算子になる。

\[
P_aP_b=\delta_{ab}P_a,
\qquad
\sum_aP_a=I
\]

ここで \(\delta_{ab}\) はクロネッカーのデルタであり、\(a=b\) の場合に \(1\)、異なる場合に \(0\) になる。これらの関係は、異なる結果を区別することと、測定結果の集合が対象とする状態空間を覆っていることを表す。

結果 \(a\) が得られる確率は、ボルン則によって次のように計算できる。

\[
p(a)=\operatorname{Tr}(P_a\rho)
\]

ここで \(\operatorname{Tr}\) はトレースであり、演算子を行列表現した場合には対角成分の和に対応する。測定結果の確率は、状態 \(\rho\) と射影演算子 \(P_a\) の組から決まる。完備性 \(\sum_aP_a=I\) と \(\operatorname{Tr}(\rho)=1\) により、すべての測定結果について確率を足すと \(1\) になる。

測定結果 \(a\) が実際に得られたことを条件に、理想的な射影測定後の状態を表すリューダース更新則は、次のようになる。

\[
\rho_a
=
\frac{P_a\rho P_a}
{\operatorname{Tr}(P_a\rho)}
\]

分母は結果 \(a\) が得られる確率であり、正の場合に条件付き状態が定義される。分子は、測定前の状態から結果 \(a\) に対応する成分を取り出す操作である。分母で正規化することによって、測定後状態のトレースを \(1\) に保つ。

ここで、測定結果が得られたことを条件にする場合と、どの結果が得られたかを条件に含めない場合を区別できる。結果を区別せずに射影測定後の状態を表す場合、各結果に対応する状態を確率で重みづけして合計する。

\[
\rho’
=
\sum_aP_a\rho P_a
\]

この式は、測定の結果を個別に読み取らず、測定が行われたという事実だけを考慮した状態更新を表す。各結果についての条件付き状態 \(\rho_a\) を利用する場合と、結果を区別しない状態 \(\rho’\) を利用する場合では、保持している情報が異なる。

具体例として、二準位系の初期状態を次のように設定する。

\[
|+\rangle
=
\frac{|0\rangle+|1\rangle}{\sqrt2}
\]

この状態を \(|0\rangle,|1\rangle\) の基底で測定する。測定結果に対応する射影演算子は次のとおりである。

\[
P_0=|0\rangle\langle0|,
\qquad
P_1=|1\rangle\langle1|
\]

初期状態の密度演算子は、状態ベクトルとその随伴の積から得られる。

\[
\begin{aligned}
\rho
&=|+\rangle\langle+|\\
&=\frac12
\begin{pmatrix}
1&1\\
1&1
\end{pmatrix}.
\end{aligned}
\]

この行列の対角成分は、\(|0\rangle\) と \(|1\rangle\) の基底で測定した場合の確率に対応する。非対角成分は、二つの基底状態間のコヒーレンスを表している。

ボルン則によって測定結果の確率を計算すると、次のようになる。

\[
p(0)=\frac12,
\qquad
p(1)=\frac12
\]

結果 \(0\) が得られたことを条件にすれば、測定後状態は \(|0\rangle\langle0|\) になる。結果 \(1\) が得られたことを条件にすれば、測定後状態は \(|1\rangle\langle1|\) になる。

\[
\rho_0=|0\rangle\langle0|,
\qquad
\rho_1=|1\rangle\langle1|
\]

一方、結果を区別せずに測定後状態を記述すると、次の密度演算子が得られる。

\[
\begin{aligned}
\rho’
&=P_0\rho P_0+P_1\rho P_1\\
&=\frac12
\begin{pmatrix}
1&0\\
0&1
\end{pmatrix}.
\end{aligned}
\]

測定前の密度演算子では非対角成分が \(1/2\) だったが、結果を区別しない射影測定後の状態では非対角成分が \(0\) になっている。この基底でのコヒーレンスが失われたことを表している。ただし、結果を区別しない状態が混合状態として表されることと、個々の実験でどの結果が得られたかを記録することは別の問題である。

古典的な意思決定でも、確率分布に従って一つの結果を選択し、その結果を条件として後続の状態を更新できる。量子射影測定の特徴は、単に一つの結果が得られることではなく、結果確率と測定後状態が射影演算子の構造によって拘束される点にある。

例えば、異なる質問を連続して行う量子認知モデルでは、最初の質問に対応する射影演算子によって状態が更新され、その状態に対して二番目の質問の測定操作が適用される。そのため、質問の順序によって回答確率が変化する場合がある。ただし、古典的な状態更新でも順序依存性を実現できるため、量子モデルの固有性を判断するには、射影演算子の代数から導かれる追加の確率制約を検証する必要がある。

また、射影測定によるリューダース更新則は、量子測定を記述する一つの具体的な規則である。一般化された量子測定では、測定結果の確率と測定後状態の更新を、より一般的な演算によって定義できる。その場合、射影測定に固有の確率関係が常に成立するとは限らない。測定結果が一つ記録されるという共通性から、特定の射影測定モデルを選択することはできない。

以上から、思考の再検討、数学的な可逆写像、古典的な確率更新、ユニタリー時間発展、可逆な記録操作、量子射影測定は、それぞれ異なる条件で成立することが分かる。古典的な可逆操作でも記録を形成でき、古典的な状態更新でも判断を変更できる。量子理論に固有の性質を検討するには、複素確率振幅、内積保存、測定演算子の代数、干渉、複合系の量子相関を区別し、それらがどの実験的な予測へ結びつくかを確認する必要がある。


4. 古典的な状態遷移系が説明できる範囲を確定する

4.1 状態・入力・観測の最小モデル

古典的な確率更新では、観測した証拠に応じて仮説への信頼度を変更できる。しかし、人間の判断には、証拠に対する信念の変化だけでなく、注意の移動、記憶の想起、判断基準の変更なども関与する。これらを表現するには、信念分布だけを状態とする場合よりも一般的な状態遷移モデルが必要になる。

時刻 \(t\) における内部状態を \(X_t\)、外部から与えられる入力を \(I_t\)、状態を更新する規則を \(F\) とする。また、外部から観測できる回答や行動を \(O_t\)、その出力を決める規則を \(G\) とする。最も単純な決定的モデルは、次の二つの式で表せる。

\[
\begin{aligned}
X_{t+1}&=F(X_t,I_t),\\
O_t&=G(X_t,I_t).
\end{aligned}
\]

ここで \(F\) は現在の内部状態と入力から次の内部状態を生成する写像、\(G\) は現在の内部状態と入力から観測結果を生成する写像である。入力 \(I_t\) には質問、感覚刺激、検査結果などが対応し、観測 \(O_t\) には回答、行動、測定値などが対応する。二つの写像を区別することで、内部状態の変化と外部に現れる出力の変化を別々に記述できる。

例えば、「この対策は安全か」という質問を受けた場合を考える。質問によって危険性に関する過去の経験が想起され、注意が事故の可能性へ向けられたとする。その状態で「この対策は望ましいか」と質問されると、安全性に関する情報が判断へ強く影響する可能性がある。一方、先に望ましさを尋ねた場合には、費用や利便性に注意が向けられ、その後の安全性についての回答が異なる場合がある。

この違いを表すため、内部状態に、危険性へ向けられた注意の程度と、利便性へ向けられた注意の程度を含めることができる。最初の質問によって注意状態が更新され、その更新された状態が二番目の質問への回答を生成する。質問順序が回答へ影響する直接の経路は、先行する質問が内部状態を変更し、その変更された状態が後続の回答規則へ入力されるという関係である。

ここで、状態 \(X_t\) が人間の脳内のすべての物理状態を表す必要はない。予測対象となる回答や行動を記述するために必要な情報を、モデルの状態として定義すればよい。例えば、注意状態、直前の質問、過去の回答をまとめて状態とすることもできる。ただし、どの変数を状態へ含めるかによって、モデルの表現能力や検証可能性が変わる。

回答が確率的に生じる場合には、決定的な写像 \(F,G\) を確率的な遷移規則と観測規則へ一般化できる。次の状態 \(x’\) が得られる確率を \(K(x’\mid x,i)\)、回答 \(o\) が得られる確率を \(B(o\mid x,i)\) とする。

\[
\begin{aligned}
K(x’\mid x,i)
&=P(X_{t+1}=x’\mid X_t=x,I_t=i),\\
B(o\mid x,i)
&=P(O_t=o\mid X_t=x,I_t=i).
\end{aligned}
\]

ここで \(K\) は状態遷移核、\(B\) は観測分布である。どちらも通常の非負の確率によって定義される。各入力と状態を固定した場合、可能な遷移先や観測結果について確率を足すと \(1\) になる。

\[
\sum_{x’}K(x’\mid x,i)=1,
\qquad
\sum_oB(o\mid x,i)=1
\]

この規格化条件によって、内部状態の確率的な変化と、同じ内部状態から複数の回答が生じる可能性を表せる。例えば、注意状態が同じでも回答に揺らぎが生じる場合、その揺らぎを観測分布 \(B\) へ組み込める。また、同じ質問を受けても内部状態が確率的に変化する場合には、その変化を遷移核 \(K\) によって表現できる。

このモデルは、質問を受けて回答することと、質問によって内部状態が変わることを区別している。観測された回答が変化した場合、その原因として、入力の違い、内部状態の違い、状態遷移の違い、観測規則の違いという複数の可能性を検討できる。量子確率の導入を評価する前に、これらの古典的な要因がどこまで説明できるかを明確にする必要がある。

4.2 古典的な順序効果を具体的に構成する

質問の順序を交換すると結果が変わる現象は、量子認知研究で重要な対象となっている。しかし、順序によって結果が変化するという性質自体は、古典的な状態更新でも成立する。これを確認するため、二値の内部状態を持つ最小モデルを構成する。

内部状態 \(x\) が \(0\) または \(1\) を取るとする。質問 A を受けた後には内部状態を \(1\) に更新し、質問 B を受けた後には内部状態を \(0\) に更新する規則を考える。対応する更新写像を次のように定義する。

\[
F_A(x)=1,
\qquad
F_B(x)=0
\]

ここで \(F_A\) は質問 A による更新、\(F_B\) は質問 B による更新を表す。どちらも現在の内部状態に依存せず、質問に応じて次の状態を固定する古典的な写像である。

最初に質問 A を受け、その後に質問 B を受ける場合、状態は次のように変化する。

\[
F_B(F_A(x))=0
\]

逆に、質問 B を受けた後で質問 A を受ける場合には、最終状態は \(1\) となる。

\[
F_A(F_B(x))=1
\]

両者の結果は異なる。すなわち、二つの更新写像について次の関係が成立する。

\[
F_B\circ F_A\neq F_A\circ F_B
\]

このように、操作の適用順序を交換した場合に結果が一致しない性質を、演算の非可換性という。ここで用いた写像は、通常の集合と関数だけで定義されている。複素確率振幅や量子演算子を使用していないため、順序に依存した状態変化そのものは古典的なモデルでも実現できる。

ただし、内部状態が異なることと、観測される回答が異なることは同じ条件ではない。二つの順序による違いを実際の観測へ結びつけるには、同じ観測規則を両方の最終状態へ適用する必要がある。例えば、質問 A と B を終えた後、共通の確認質問 C に答える状況を考える。確認質問 C への回答を内部状態 \(x\) と一致させるなら、観測規則は次のようになる。

\[
G_C(x)=x
\]

この場合、A→B という順序の後では回答 \(0\)、B→A という順序の後では回答 \(1\) が観測される。最後に与える確認質問を共通にしても、先行する質問の順序によって回答が変化するため、古典的な状態更新によって観測可能な順序効果を構成できる。

この例は決定的な更新規則を用いているが、確率的な規則でも同様の効果が成立する。例えば、質問 A を受けると内部状態が \(1\) になる確率を \(0.8\)、質問 B を受けると内部状態が \(1\) になる確率を \(0.2\) とする。それぞれの更新は、それ以前の内部状態に依存しないと仮定する。

\[
\begin{aligned}
P(X’=1\mid A)&=0.8,\\
P(X’=1\mid B)&=0.2.
\end{aligned}
\]

さらに、共通の確認質問 C について、内部状態が \(1\) である場合には確率 \(0.9\) で「はい」と答え、内部状態が \(0\) である場合には確率 \(0.1\) で「はい」と答えるとする。

\[
\begin{aligned}
P(C=\mathrm{yes}\mid X=1)&=0.9,\\
P(C=\mathrm{yes}\mid X=0)&=0.1.
\end{aligned}
\]

A→B という順序では、最後の質問 B によって内部状態が \(1\) になる確率は \(0.2\) になる。したがって、確認質問 C に「はい」と答える確率は、二つの内部状態に関する条件付き確率の和として計算できる。

\[
\begin{aligned}
P(C=\mathrm{yes}\mid A\to B)
&=0.9\cdot0.2+0.1\cdot0.8\\
&=0.26.
\end{aligned}
\]

一方、B→A という順序では、最後の質問 A によって内部状態が \(1\) になる確率は \(0.8\) になる。

\[
\begin{aligned}
P(C=\mathrm{yes}\mid B\to A)
&=0.9\cdot0.8+0.1\cdot0.2\\
&=0.74.
\end{aligned}
\]

確認質問 C の内容と回答規則を固定しているにもかかわらず、先行する質問の順序によって「はい」と答える確率が \(0.26\) と \(0.74\) に分かれた。この違いは、先行する質問が内部状態の分布を変更し、その状態分布を通じて後続の回答確率へ影響することから生じる。確率計算には通常の条件付き確率と全確率公式だけを用いている。

ただし、質問ごとに内部状態を特定の分布へ更新するという規則は、説明のために設定した仮想的な規則である。この数値例から、人間が実際に同じ更新規則を利用しているとは結論できない。人間の回答を説明する場合には、状態更新の規則を実験データから推定し、別の質問列に対しても同じ規則が予測を与えるかを検証する必要がある。

また、二つの古典的な写像が非可換であることと、量子力学の観測量が非可換であることには、数学的な構造の違いがある。量子力学では、ヒルベルト空間上の自己随伴演算子と測定確率の規則が組み合わされ、演算子の非可換性が特定の確率制約へ結びつく。古典的な状態更新の順序依存性は、そのような量子測定の規則を前提とせずに成立する。

したがって、質問順序効果の存在だけでは量子確率の必要性を示せない。量子認知モデルの固有性を検討するには、単なる順序依存性よりも具体的な確率関係を導き、その関係が古典モデルとの比較でどの程度の制約を与えるかを評価する必要がある。

4.3 隠れ状態と学習を含む古典モデル

人間の回答を観測できても、その回答を生成した内部状態のすべてを直接測定できるわけではない。例えば、同じ質問に「はい」と答えた二人が、同じ根拠を用いて判断しているとは限らない。一方は過去の経験を重視し、もう一方は現在の利益を重視している可能性がある。回答だけを観測する場合、こうした内部状態の違いは直接には分からない。

このような状況を表す方法として、隠れマルコフモデルを考える。内部状態を \(X_t\)、観測される回答を \(Y_t\) とし、内部状態の変化を状態遷移核 \(K\)、回答の生成を観測分布 \(B\) によって記述する。

\[
\begin{aligned}
P(X_{t+1}=x’\mid X_t=x)&=K(x’\mid x),\\
P(Y_t=y\mid X_t=x)&=B(y\mid x).
\end{aligned}
\]

ここでは、状態遷移と回答生成の基本的な関係を明確にするため、入力による条件づけを一時的に省略している。質問ごとに状態更新が異なる場合には、遷移核を \(K(x’\mid x,q)\) とし、質問 \(q\) に依存させることができる。

隠れ状態の確率分布を \(p_t(x)\) とする。新しい時刻へ進んだときの状態分布は、以前の状態から各状態へ遷移する確率を足し合わせることで求められる。

\[
p_{t+1\mid t}(x’)
=
\sum_xK(x’\mid x)p_t(x)
\]

ここで \(p_{t+1\mid t}(x’)\) は、時刻 \(t\) までの情報に基づいて予測した、時刻 \(t+1\) の隠れ状態の確率である。添字の \(t+1\mid t\) は、予測対象の時刻と、利用した情報がどの時点までかを区別している。

時刻 \(t+1\) の回答 \(y_{t+1}\) が観測された場合には、その回答が各隠れ状態のもとで生じる確率を用いて、隠れ状態の分布を更新できる。

\[
p_{t+1\mid t+1}(x’)
=
\frac{
B(y_{t+1}\mid x’)p_{t+1\mid t}(x’)
}{
\sum_zB(y_{t+1}\mid z)p_{t+1\mid t}(z)
}
\]

この式では、状態遷移によって次の内部状態を予測し、その後、実際に観測した回答を利用して予測を修正している。内部状態が直接観測できなくても、その状態が生みやすい回答を比較することによって、状態の確率分布を更新できる。

具体的に、隠れ状態が \(0\) と \(1\) の二つである場合を考える。状態 \(0\) は危険性への注意が相対的に高い状態、状態 \(1\) は利便性への注意が相対的に高い状態とする。これらはモデル上の分類であり、実際の神経活動を二状態へ完全に分解できるという意味ではない。

初期状態の分布を、状態 \(0\) が \(0.6\)、状態 \(1\) が \(0.4\) とする。次の状態への遷移確率を行列で表す。

\[
p_t=
\begin{pmatrix}
0.6\\
0.4
\end{pmatrix},
\qquad
K=
\begin{pmatrix}
0.8&0.3\\
0.2&0.7
\end{pmatrix}
\]

この行列では、各列が更新前の状態、各行が更新後の状態に対応する。例えば、状態 \(0\) から状態 \(0\) にとどまる確率は \(0.8\)、状態 \(0\) から状態 \(1\) に移る確率は \(0.2\) である。一方、状態 \(1\) から状態 \(0\) に移る確率は \(0.3\)、状態 \(1\) にとどまる確率は \(0.7\) である。

この遷移による予測分布を計算すると、次のようになる。

\[
\begin{aligned}
p_{t+1\mid t}
&=
\begin{pmatrix}
0.8&0.3\\
0.2&0.7
\end{pmatrix}
\begin{pmatrix}
0.6\\
0.4
\end{pmatrix}\\
&=
\begin{pmatrix}
0.6\\
0.4
\end{pmatrix}.
\end{aligned}
\]

この例では、遷移後の分布が初期分布と一致している。しかし、内部状態がまったく変化しなかったという意味ではない。状態 \(0\) から状態 \(1\) へ移る経路と、状態 \(1\) から状態 \(0\) へ移る経路が存在し、それらの確率的な流れが釣り合った結果として、集計した分布が維持されている。

続いて、回答が「はい」である場合、その回答が状態 \(0\) から生じる確率を \(0.2\)、状態 \(1\) から生じる確率を \(0.9\) とする。

\[
B(\mathrm{yes}\mid0)=0.2,
\qquad
B(\mathrm{yes}\mid1)=0.9
\]

この設定では、状態 \(1\) のほうが「はい」という回答を生じやすい。予測分布と観測分布を組み合わせると、「はい」という回答が得られる確率は次の値になる。

\[
\begin{aligned}
P(Y_{t+1}=\mathrm{yes})
&=0.2\cdot0.6+0.9\cdot0.4\\
&=0.12+0.36\\
&=0.48.
\end{aligned}
\]

実際に「はい」という回答が観測された場合には、その回答を利用して隠れ状態の分布を更新する。

\[
\begin{aligned}
p_{t+1\mid t+1}(0)
&=\frac{0.2\cdot0.6}{0.48}
=0.25,\\
p_{t+1\mid t+1}(1)
&=\frac{0.9\cdot0.4}{0.48}
=0.75.
\end{aligned}
\]

回答を観測する前には状態 \(1\) の確率が \(0.4\) だったが、「はい」という回答を観測した後には \(0.75\) へ上昇した。これは、状態 \(1\) のほうがその回答を生じやすいという観測規則による。内部状態を直接測定していなくても、回答を証拠として利用することで、隠れ状態についての推定を更新できる。

この例は、状態遷移と回答の観測という二つの段階を持つ。前者では内部状態の確率分布が更新され、後者では観測した回答によってその内部状態の推定が修正される。どちらも古典的な確率計算によって実現できる。

さらに学習を表す場合には、遷移核 \(K\) や観測分布 \(B\) のパラメーター自体を更新することができる。例えば、同じ種類の質問を繰り返した結果として、危険性への注意が持続しやすくなったなら、状態 \(0\) にとどまる遷移確率を増加させるモデルを考えられる。また、同じ内部状態における回答傾向が変化するなら、観測分布のパラメーターを変更することになる。

ただし、現在の状態が変わったことと、状態遷移の規則自体が学習によって変わったことは、異なる現象である。状態分布だけが変化する場合には固定された遷移核で説明できる。一方、同じ状態と同じ入力を与えても、学習前後で遷移確率が変化するなら、遷移核のパラメーター更新をモデルへ含める必要がある。

Friston は、感覚入力の原因を推定する知覚過程と、入力を予測する内部モデルの関係を、統計的な推論の枠組みから扱った[2]。この研究は、感覚入力と内部状態の関係を明示し、知覚応答を予測と推定の過程として記述するための理論的な基盤を与える。認知の状態更新を古典的な確率モデルで記述する際にも、観測された入力と、それを生成したと推定される隠れた原因を区別することが必要になる。

この種のモデルがどの範囲の認知現象を説明できるかは、隠れ状態の定義、遷移規則、観測規則、学習の仕組みに依存する。隠れ状態を導入しただけで、任意の人間の判断を説明できるわけではない。しかし、状態更新、回答生成、観測に基づく推定、学習を古典的な確率モデルへ組み込めることは、量子確率の必要性を評価する際の比較対象を広げる。

4.4 隠れ状態と測定誤差が観測へ与える影響

人間の回答を観測する場合、回答を生成する内部状態と、外から記録される回答は一般に一致しない。例えば、危険性を重視する内部状態であっても、質問の解釈や一時的な注意の揺らぎによって、利便性を重視した回答が生じる場合がある。また、質問文の曖昧さや回答方式の違いによって、同じ内部状態から複数の回答が生成される可能性がある。

内部状態を \(x\)、観測される回答を \(y\)、回答の条件付き確率を \(B(y\mid x)\) とする。内部状態の確率分布が \(p_t(x)\) であれば、回答 \(y\) が観測される確率は全確率公式によって次のように表される。

\[
P(Y_t=y)
=
\sum_xB(y\mid x)p_t(x)
\]

右辺では、同じ回答 \(y\) を生じさせる可能性のある複数の内部状態について、それぞれの状態が存在する確率と、その状態から回答が生じる確率を掛け合わせている。観測された回答確率は、隠れ状態の分布と観測規則を組み合わせた結果になる。

例えば、前節と同じ設定で、状態 \(0\) の確率を \(0.6\)、状態 \(1\) の確率を \(0.4\) とする。また、状態 \(0\) から「はい」と答える確率を \(0.2\)、状態 \(1\) から「はい」と答える確率を \(0.9\) とする。この場合、回答確率は \(0.48\) だった。

\[
P(Y=\mathrm{yes})
=
0.2\cdot0.6+0.9\cdot0.4
=
0.48
\]

しかし、同じ \(0.48\) という回答確率は、異なる隠れ状態の分布と観測規則からも得られる。例えば、二つの隠れ状態がそれぞれ確率 \(0.5\) で存在し、「はい」と答える条件付き確率が状態 \(0\) で \(0.16\)、状態 \(1\) で \(0.8\) である場合を考える。

\[
\begin{aligned}
p(0)&=0.5,\\
p(1)&=0.5,\\
B(\mathrm{yes}\mid0)&=0.16,\\
B(\mathrm{yes}\mid1)&=0.8.
\end{aligned}
\]

この設定でも、回答確率は同じ値になる。

\[
P(Y=\mathrm{yes})
=
0.16\cdot0.5+0.8\cdot0.5
=
0.48
\]

二つのモデルは、隠れ状態の分布も観測規則も異なっている。しかし、「はい」と答える確率だけを観測する限り、両者は同じ予測を与える。一つの回答分布が一致していても、その背後にある内部状態の分布や回答生成規則が一意に定まるとは限らない。

この性質は、観測データからモデルの内部構造を推定する際の識別可能性に関係する。例えば、同じ回答確率を与える二つのモデルであっても、質問を変更した場合や、複数の質問を連続して行った場合には異なる予測を与える可能性がある。追加の質問や時間的な観測を利用することで、一つの回答分布だけでは区別できなかったモデルを識別できる場合がある。

また、観測される回答の変化が、内部状態の更新によって生じたのか、観測規則の変更によって生じたのかを区別する必要もある。例えば、同じ考えを持つ人でも、匿名の調査と対面の調査で回答が異なる場合がある。この場合、内部状態が変化した可能性に加えて、回答を表明する際の社会的な条件が観測規則へ影響した可能性を考慮する必要がある。

質問順序効果についても同じ問題が生じる。先行する質問によって内部状態が更新された場合には、遷移核の変化として表現できる。一方、質問の意味の受け取り方や回答の選択基準が変更された場合には、観測分布の変化として表現できる。両者が同時に生じる場合には、観測された回答だけから一方を原因として特定することは難しい。

この違いを調べるには、質問の表現、提示順序、回答方式、測定の時点などを実験条件として管理する必要がある。例えば、質問内容を固定して順序だけを変更する場合と、順序を固定して質問文だけを変更する場合を比較すれば、順序と表現の効果を分離する手掛かりになる。また、同じ質問を繰り返した際の回答の安定性を調べることで、回答の揺らぎと持続的な内部状態の違いを評価できる場合がある。

量子認知モデルと古典モデルを比較する場合にも、同じ観測データを説明するための内部状態と観測規則を区別する必要がある。古典モデルでは隠れ状態や観測誤差を許す一方、量子モデルでは測定演算子を自由に調整するという非対称な比較では、どの数学的な構造が予測性能へ寄与したのかを判断しにくくなる。比較の条件として、状態の次元、観測規則の自由度、推定に利用するデータ、評価対象とする予測を明示することが必要になる。

4.5 量子モデルと比較する際の境界

古典モデルと量子モデルの比較では、どの種類のモデルを古典的な比較対象として採用するかによって結論が変わる。例えば、質問に対する回答確率を一つの固定された表として保存し、質問による状態更新を許さないモデルでは、質問順序によって内部状態が変化する現象を表現しにくい。しかし、質問による状態更新を許す古典モデルでは、順序に依存した回答を生成できる。

この違いは、古典確率そのものの制約と、特定の古典モデルへ課した制約を区別する必要があることを示している。例えば、固定された確率表で説明できない現象であっても、隠れ状態や履歴による更新を導入した古典モデルでは説明できる場合がある。したがって、固定確率表に対して量子モデルが優位であったという結果は、状態更新を許すあらゆる古典モデルに対する優位性を意味しない。

比較に用いるモデルの違いを、状態更新、説明対象、検証条件という観点から整理する。

比較対象 状態の更新 説明できる現象 固有の検証条件
固定確率表 質問ごとの回答確率を固定し、質問による内部状態の変更を導入しない。 固定された条件での回答頻度や、事前に定義した確率関係を表現できる。 質問順序を変更した場合にも、同じ確率規則によって回答分布を説明できるかを調べる。
ベイズ更新 新しい証拠の尤度に応じて仮説への信念確率を更新する。 情報の追加による判断変化や、過去の証拠に基づく推定の変化を表現できる。 事前確率と尤度の規則を共通に保ち、異なる証拠系列への予測を評価する。
隠れ状態モデル 直接観測できない内部状態を確率的に更新し、その状態から回答を生成する。 質問順序、履歴依存、回答の揺らぎ、観測されない判断状態の変化を表現できる。 状態数、遷移核、観測分布を固定し、未使用の質問列や回答系列を予測できるかを調べる。
量子確率モデル 密度演算子、測定演算子、測定後状態の更新規則によって状態を変更する。 質問順序効果や、量子確率の干渉項を用いた判断確率の変化を表現できる。 演算子の代数から導かれる確率制約と、同等の複雑さを持つ古典モデルに対する予測性能を評価する。

固定確率表は、状態更新を導入しない基準モデルとして利用できる。例えば、質問 A に「はい」と答える確率を一定値として定義し、その確率が先行する質問によって変化しないと仮定する。この場合、実験によって先行質問の有無が回答分布に影響することが確認されれば、その固定確率表の仮定が制約される。ただし、この結果から直接、古典確率一般の不適切さが導かれるわけではない。

ベイズ更新モデルでは、新しい情報によって信念分布が変更される。例えば、質問 A に含まれる情報を知ることで、質問 B の判断に関する事前確率が変化する場合がある。このような順序効果は、先行質問を証拠として利用する古典的な推論によって説明できる場合がある。一方、質問の順序を交換しても情報内容が実質的に同じである場合には、更新順序が予測へ与える影響を、尤度の依存関係や記憶の仕組みから説明する必要がある。

隠れ状態モデルでは、質問が内部状態を変更するという関係を明示できる。例えば、質問 A が注意状態を変化させ、その状態で質問 B へ回答することを状態遷移として表現する。この場合、質問の順序による違いは、遷移核の合成順序が変わることから生じる。状態遷移核が非可換であれば、同じ初期状態から出発しても、質問順序によって異なる状態分布へ到達し得る。

量子確率モデルでは、質問を測定操作として表現し、回答確率と測定後状態を量子理論の規則から計算する。例えば、二値の射影測定を仮定すると、逐次質問の回答確率には、射影演算子の完備性と直交性から導かれる制約が存在する。質問順序効果の存在そのものよりも、こうした制約が実験データと整合するかが、特定の量子モデルの検証に関係する。

ただし、古典モデルにも、状態数や履歴変数を増やすことで高い表現能力を持たせることができる。量子モデルについても、状態空間の次元や測定操作を自由に変更すれば、より多くの回答分布を表現できる可能性がある。したがって、説明できる現象の種類だけでなく、必要なパラメーター数、観測データへの適合度、未使用データへの予測性能を比較する必要がある。

この比較における主要な対象は、「古典的」「量子的」という名称ではなく、状態空間、更新規則、観測規則、自由パラメーターを固定した具体的なモデルである。量子理論に固有の数学的な性質が認知現象の説明へ寄与しているかを判断するには、その性質を持たない比較モデルと、同じ実験条件のもとで予測差を調べる必要がある。

4.6 モデルを棄却する条件の設定

モデルが実験結果を説明できるかを評価するには、観測されたデータへの適合度だけでなく、事前に定義したモデルがどの範囲の結果を予測できるかを確認する必要がある。観測結果を得た後で更新規則やパラメーターを自由に変更すると、多くのモデルが既存のデータへ適合できる。その場合、適合度の高さがモデル固有の説明能力を示すとは限らない。

例えば、二状態の古典マルコフモデルを固定する場合、状態間の遷移確率を一つの行列として定義する。その行列を用いれば、同じ更新規則を複数回適用した場合の状態分布を計算できる。時刻 \(t\) の確率分布を \(p_t\)、遷移行列を \(K\) とすると、次の関係が成立する。

\[
p_{t+1}=Kp_t
\]

同じ遷移行列を \(n\) 回適用した場合には、次のように表せる。

\[
p_{t+n}=K^n p_t
\]

ここで \(K^n\) は遷移行列を \(n\) 回合成したものを表す。初期分布と遷移行列を固定すれば、複数回の更新後の分布は新しい自由パラメーターを追加せずに計算できる。そのため、ある質問列で推定した遷移行列が、別の長さの質問列や別の提示条件でも予測を与えるかを検証できる。

一方、質問列ごとに別々の遷移行列を推定する場合、各質問列への適合度は高くなり得る。しかし、未観測の質問列に対してどの遷移行列を使用すべきかが定まらなければ、そのモデルは新しい条件への予測を十分に与えられない。既存データへの適合と未使用データへの予測を区別する必要がある。

量子認知モデルについても、同じ条件が成立する。例えば、質問 A と B に対応する測定演算子を、観測された回答分布ごとに自由に選び直せば、多くの結果を説明できる可能性がある。しかし、質問 A と B の測定演算子を一度固定し、別の質問順序や繰り返し質問に対しても同じ規則を使用するなら、モデルはより具体的な予測を与えることになる。

モデルの予測性能を比較する方法として、観測された回答系列に割り当てる確率を利用できる。例えば、実験参加者または試行を \(r\)、その試行で提示された質問列を \(q_{1:T_r}^{(r)}\)、観測された回答列を \(y_{1:T_r}^{(r)}\) とする。モデルのパラメーターを \(\theta\) とすると、観測データの対数尤度は次のように表せる。

\[
\ell(\theta)
=
\sum_r
\log
P_\theta
\left(
y_{1:T_r}^{(r)}
\mid
q_{1:T_r}^{(r)}
\right)
\]

ここで \(P_\theta\) は、パラメーター \(\theta\) を持つモデルが回答系列へ割り当てる確率である。観測された回答へ高い確率を割り当てるモデルほど、対数尤度は大きくなる。ただし、この式は試行間の条件付き独立性など、データの生成過程について適切な仮定を置いた場合の評価を表している。同一参加者から繰り返し得られた回答の依存関係が存在するなら、その依存を考慮した尤度が必要になる。

既存データに対する対数尤度だけを最大化すると、自由パラメーターの多いモデルが有利になりやすい。そのため、モデルの複雑さを考慮する評価指標や、推定に使用していないデータへの予測を併用する必要がある。例えば、参加者の一部をパラメーター推定に利用し、残りの参加者を予測評価に使用すれば、異なる参加者への予測能力を調べられる。また、質問列の一部を推定に利用し、別の質問列を評価対象とすれば、異なる質問条件への一般化可能性を検討できる。

このとき、どの単位でデータを分割するかが重要になる。同一参加者の回答を推定用と評価用へ無作為に分ける場合と、参加者単位で完全に分ける場合では、検証する一般化の対象が異なる。前者は同じ参加者の別の回答への予測を主に評価し、後者は未観測の参加者への予測を評価する。モデルの用途に応じて、検証対象を明確にする必要がある。

また、同じ自由パラメーター数を持つモデルでも、状態空間と更新規則に課す制約が異なれば、説明できる確率分布の範囲は一致しない。例えば、二つのモデルが同じ数のパラメーターを持っていても、一方はすべての質問列へ共通の更新規則を適用し、もう一方は質問の種類ごとに異なる状態変換を許す場合がある。単純なパラメーター数の一致だけで、モデルの複雑さが完全に揃ったとは判断できない。

モデルを棄却するという判断も、比較の範囲を明示して解釈する必要がある。例えば、特定の二状態マルコフモデルが実験結果と整合しなかった場合、棄却されるのはその状態数、遷移規則、観測規則を持つモデルである。この結果から、状態数を増やした古典モデルや履歴依存性を導入した古典モデルまで一括して棄却できるわけではない。

量子モデルについても同様である。特定の射影測定モデルが実験結果と整合しない場合、そのモデルの状態空間、測定演算子、状態更新規則の組が制約される。一般化された量子測定を使用するモデルでは異なる予測が得られる可能性があるため、射影測定モデルの棄却を量子確率モデル全体の棄却と同一視することはできない。

モデル比較から得られる結論の射程は、明示したモデルクラスと実験条件によって決まる。どの古典モデルとどの量子モデルを比較し、どの自由度を固定し、どのデータで評価したかを示すことで、量子確率の適用可能性に関する主張を検証可能なものにできる。

4.7 古典的な履歴モデルが持つ表現能力と限界

古典的な状態遷移モデルは、履歴をどの程度保存するかによって表現能力が変わる。例えば、直前の質問だけを保持するモデルでは、一つ前の質問が現在の回答へ与える影響を表現できる。一方、過去の質問と回答をすべて保持するモデルでは、より長い履歴に依存した回答規則を構成できる。

質問列を \(q_1,q_2,\ldots,q_t\)、対応する回答列を \(a_1,a_2,\ldots,a_t\) とする。すべての履歴を状態として保存する場合、時刻 \(t\) の状態を次のように定義できる。

\[
X_t=
(q_1,a_1,\ldots,q_t,a_t)
\]

このモデルでは、次の質問 \(q_{t+1}\) が与えられたとき、過去の質問と回答の列全体を参照して回答確率を設定できる。例えば、質問 A に最初は「はい」と答え、質問 B を挟んだ後で再び A に答える場合、過去に A へどのように答えたかという情報を状態から取り出せる。

有限の質問集合と有限の回答集合を考える。質問集合を \(\mathcal Q\)、回答集合を \(\mathcal A\) とし、質問と回答の組を一つの履歴要素とする。最大 \(T\) 回までの質問を扱う場合、考えられる履歴の総数は、各時点で可能な質問と回答の組を数えることで上から評価できる。

\[
N_{\mathrm{hist}}
=
\sum_{k=0}^{T}
\left(
|\mathcal Q|\,|\mathcal A|
\right)^k
\]

ここで \(|\mathcal Q|\) は質問の種類数、\(|\mathcal A|\) は回答の種類数である。\(k\) は履歴に含まれる質問と回答の組の数を表す。すべての組合せが実行可能であるという設定では、長さ \(k\) の履歴の数は \((|\mathcal Q||\mathcal A|)^k\) となる。

例えば、質問が二種類、回答が二種類で、最大三回の質問を扱う場合には、長さ \(0\) から長さ \(3\) までの履歴数は次のようになる。

\[
\begin{aligned}
N_{\mathrm{hist}}
&=1+4+4^2+4^3\\
&=85.
\end{aligned}
\]

この場合、履歴をすべて独立した状態として区別すると、最大三回の質問に対して 85 種類の履歴状態が存在する。質問数をさらに増やすと、履歴状態の数は急速に増加する。過去のすべての質問と回答を保存することで高い表現能力が得られる一方、その状態数に応じて必要なデータとパラメーターも増加し得る。

既に観測した質問列へ高い適合度を得るだけであれば、履歴ごとに回答確率を個別に設定する方法を考えられる。例えば、ある履歴 \(h\) の後に質問 \(q\) を提示した場合、回答 \(a\) が何回観測されたかを \(N(h,q,a)\) とする。観測回数が正であれば、経験的な回答確率を次のように定義できる。

\[
\widehat P(a\mid h,q)
=
\frac{
N(h,q,a)
}{
\sum_{a’}N(h,q,a’)
}
\]

この式では、過去の質問と回答の履歴 \(h\) が与えられた後、質問 \(q\) に対して各回答が生じた頻度を確率として扱っている。十分な観測回数がある履歴については、その履歴に条件づけた回答分布を直接推定できる。

ただし、観測されていない履歴については分母が \(0\) になるため、この経験的な確率は定義できない。新しい質問列へ予測を与えるには、類似する履歴の情報を共有する規則、確率の平滑化、階層的なモデル、状態の集約などを追加する必要がある。過去のすべての履歴を独立した状態として保持するだけでは、未観測の履歴についての予測が定まらない。

このような履歴モデルの表現能力は、有限の観測データから量子確率の必要性を主張する際の重要な制約になる。有限の質問列だけを対象とし、履歴ごとの条件付き回答確率を自由に設定できるなら、その観測分布を再現する古典的な確率モデルを構成できる。観測された回答分布が複雑であることだけでは、古典的な記述が不可能であるという結論は導かれない。

一方、履歴ごとの確率をすべて自由に設定するモデルは、観測されていない条件へ一般化する能力を十分に持たない場合がある。モデルが観測済みのデータへ適合することと、少数の規則によって新しい質問列を予測できることは、異なる評価対象である。

例えば、二つのモデルが同じ質問順序効果を再現した場合を考える。一方は質問履歴ごとに独立した回答確率を保存し、もう一方は少数の演算子と状態更新規則から複数の質問列の確率を計算するとする。両者が観測済みデータに同程度に適合したとしても、後者が未使用の質問列へ具体的な予測を与えるなら、その予測を実験で検証することに意味がある。ただし、その予測が少数のパラメーターで成立することだけで、量子理論の数学的形式が唯一の説明であるとは限らない。

量子モデルと古典モデルの比較では、古典モデルを二状態に固定する一方、量子モデルには任意の高次元状態空間を許すといった非対称な条件を避ける必要がある。反対に、古典モデルには任意の長さの履歴と独立した回答確率を許し、量子モデルには固定された少数の測定演算子だけを許す場合にも、表現能力の比較条件が異なる。

この問題を整理するためには、状態空間の大きさ、履歴の保存範囲、遷移規則の自由度、観測分布の自由度、パラメーター推定に使用したデータ、予測評価に使用したデータをそれぞれ明示する必要がある。どのような制約のもとでモデルを比較したかによって、「古典モデルでは説明できない」という主張の意味が決まる。

古典確率の一般的な枠組みは、内部状態の更新、質問順序効果、隠れ状態、観測誤差、学習、履歴依存性を表現できる。これらの性質について古典モデルを構成できることは、思考の状態更新を量子理論へ接続する際に、どの追加条件を示す必要があるかを明確にする。

量子確率モデルに固有の検証対象となるのは、複素確率振幅、位相に由来する干渉項、測定演算子の代数、特定の測定形式から導かれる確率制約などである。古典的な状態遷移でも表現できる順序依存性と、量子測定の数学的な構造から導かれる制約を区別することで、量子確率が認知現象の説明へどのような追加の予測を与えるかを評価できる。


5. 重ね合わせと干渉を古典的な確率更新から区別する

5.1 複数候補と複素確率振幅

古典確率では、互いに排反な二つの事象があるとき、そのどちらか一方が起こる確率は、それぞれの事象の確率の和によって求められる。例えば、故障原因が電源系と通信系のどちらか一方であると仮定し、電源系が原因である確率を \(0.6\)、通信系が原因である確率を \(0.4\) とすれば、どちらかが原因である確率は \(1\) になる。この加法性は、互いに排反な事象の集合に確率を割り当てる古典確率の基本的な性質である。

二つの排反事象を \(A_1,A_2\) とすると、古典確率では次の関係が成立する。

\[
P(A_1\cup A_2)=P(A_1)+P(A_2),
\qquad
A_1\cap A_2=\varnothing
\]

ここで \(A_1\cup A_2\) は二つの事象の少なくとも一方が生じる事象、\(A_1\cap A_2\) は両方が同時に生じる事象である。排反であるという条件は、二つが同時に生じることがないという意味である。この条件のもとでは、各事象に割り当てた非負の確率を加算することで、統合した事象の確率を求められる。

例えば、二つの経路のいずれかを通って粒子が検出器へ到達する状況を考える。粒子が経路 1 を通った場合と経路 2 を通った場合を互いに排反な履歴として扱い、それぞれが検出器へ到達する確率を \(P(D\mid1)\)、\(P(D\mid2)\) とする。経路を選ぶ確率が \(P(1)\)、\(P(2)\) であれば、全確率公式によって検出確率を求められる。

\[
P(D)
=
P(D\mid1)P(1)
+
P(D\mid2)P(2)
\]

ここで \(D\) は検出器で粒子が検出される事象である。右辺の第一項は経路 1 を通って検出される確率、第二項は経路 2 を通って検出される確率を表している。古典的なモデルでは、経路を確率的に選択し、その経路から検出結果が生じる条件付き確率を指定することで、全体の確率が得られる。

量子理論では、経路ごとの寄与を確率ではなく複素確率振幅として扱う場合がある。二つの経路が区別できず、同じ最終結果へ至る量子過程の振幅をそれぞれ \(a_1,a_2\) とすれば、その最終結果に対応する振幅は、二つの振幅の和になる。

\[
a=a_1+a_2
\]

ここで \(a_1,a_2\) は複素数である。複素数には大きさと位相があり、同じ大きさであっても位相が異なれば、加算した結果の大きさが変化する。量子理論では、この合成振幅の絶対値の二乗を、対応する測定結果が得られる確率として計算する。

\[
P=|a_1+a_2|^2
\]

複素数の絶対値の二乗は、その数と複素共役の積である。\(a_1^*\) と \(a_2^*\) をそれぞれの複素共役とすると、右辺を次のように展開できる。

\[
\begin{aligned}
P
&=(a_1+a_2)^*(a_1+a_2)\\
&=(a_1^*+a_2^*)(a_1+a_2)\\
&=|a_1|^2+|a_2|^2+a_1^*a_2+a_2^*a_1\\
&=|a_1|^2+|a_2|^2
+2\operatorname{Re}(a_1^*a_2).
\end{aligned}
\]

ここで \(\operatorname{Re}\) は複素数の実部を取り出す操作である。第一項と第二項は、それぞれの経路の振幅の絶対値二乗に対応する。第三項は二つの振幅を組み合わせたことによって生じる干渉項であり、相対位相によって正にも負にもなり得る。

干渉項が正の場合には、二つの経路を合成した結果の確率が、個々の振幅の絶対値二乗の和より大きくなる。反対に干渉項が負の場合には、合成した結果の確率が小さくなる。これは、複数の経路を確率として加算する場合と、複素振幅を加算してから絶対値二乗を取る場合とで、異なる結果が得られることを意味する。

二つの振幅を大きさと位相によって表すと、干渉項が何に依存するかをさらに明確にできる。

\[
a_1=r_1e^{i\theta_1},
\qquad
a_2=r_2e^{i\theta_2}
\]

ここで \(r_1,r_2\) は振幅の大きさ、\(\theta_1,\theta_2\) は位相である。\(i\) は虚数単位であり、\(i^2=-1\) を満たす。二つの振幅の相対位相を \(\phi=\theta_2-\theta_1\) と定義すると、合成確率は次のようになる。

\[
P
=
r_1^2+r_2^2+2r_1r_2\cos\phi
\]

この式では、振幅の大きさ \(r_1,r_2\) を固定したままでも、相対位相 \(\phi\) によって結果確率が変化する。複素振幅の加算では、振幅の大きさに加えて相対位相が結果の生成へ作用するためである。

ただし、二つの経路を常に振幅として加算できるわけではない。経路を区別する情報が測定記録や環境に保持され、その情報を無視した検出確率を求める場合には、干渉項が抑制されることがある。干渉を計算するには、どの経路が同じ最終状態へ重ね合わされるのか、経路情報がどこに保存されるのかを明確にする必要がある。

思考において二つの仮説が相互に影響する場合にも、自然言語で「干渉」と呼ぶことはできる。例えば、電源系の故障という仮説を考えたことで、通信系の故障に対する評価が変わる場合がある。しかし、この変化を古典的な条件付き確率や状態遷移によって表現できるなら、複素振幅を導入する必然性は生じない。量子確率としての干渉を主張するには、位相を含む具体的なモデルが必要であり、そのモデルから観測可能な確率の制約を導くことが求められる。

5.2 混合と重ね合わせを密度演算子で比較する

複数の状態が存在するという表現にも、異なる数学的な意味がある。例えば、量子ビットについて、状態 \(|0\rangle\) と状態 \(|1\rangle\) がそれぞれ半分の確率で準備される場合と、二つの状態が等しい振幅で重ね合わされた純粋状態として準備される場合を考える。どちらも \(|0\rangle,|1\rangle\) の基底で測定すれば、結果 \(0\) と結果 \(1\) が半分ずつ得られる。しかし、二つの準備方法は量子状態として同一ではない。

ここで \(|0\rangle,|1\rangle\) は、二準位量子系の互いに直交する基底状態である。列ベクトルでは次のように表せる。

\[
|0\rangle=
\begin{pmatrix}
1\\
0
\end{pmatrix},
\qquad
|1\rangle=
\begin{pmatrix}
0\\
1
\end{pmatrix}
\]

まず、\(|0\rangle\) が確率 \(1/2\)、\(|1\rangle\) が確率 \(1/2\) で準備される混合状態を考える。密度演算子は、それぞれの純粋状態に対応する射影演算子を確率で重みづけした和として表せる。

\[
\begin{aligned}
\rho_{\mathrm{mix}}
&=\frac12|0\rangle\langle0|
+\frac12|1\rangle\langle1|\\
&=\frac12
\begin{pmatrix}
1&0\\
0&1
\end{pmatrix}.
\end{aligned}
\]

この密度演算子の対角成分は、\(|0\rangle,|1\rangle\) の基底で測定した場合の確率に対応する。非対角成分はゼロであり、この基底に関するコヒーレンスを持たない状態である。ここでいう混合状態は量子理論の密度演算子によって表現される状態であり、古典確率だけを記述する模型と同一視するものではない。ただし、異なる純粋状態を古典的な確率で選んで準備することで実現できる。

次に、二つの基底状態を等しい複素振幅で重ね合わせた純粋状態を考える。

\[
|+\rangle
=
\frac{1}{\sqrt2}
\left(
|0\rangle+|1\rangle
\right)
\]

この状態は、二つの基底状態の線形結合として定義される。各振幅は \(1/\sqrt2\) であり、その絶対値二乗は \(1/2\) になる。そのため、\(|0\rangle,|1\rangle\) の基底で測定すれば、混合状態と同じ結果確率が得られる。

純粋状態 \(|+\rangle\) に対応する密度演算子は、状態ベクトルとその随伴の積から求められる。

\[
\begin{aligned}
\rho_+
&=|+\rangle\langle+|\\
&=\frac12
\begin{pmatrix}
1&1\\
1&1
\end{pmatrix}.
\end{aligned}
\]

混合状態 \(\rho_{\mathrm{mix}}\) と純粋状態 \(\rho_+\) は、対角成分が同じである。しかし、純粋状態には非対角成分が存在する。この非対角成分は、\(|0\rangle\) と \(|1\rangle\) の間の相対位相を含むコヒーレンスに関係する。

両者の違いを確認するため、\(|+\rangle\) に対応する射影演算子による測定を考える。

\[
P_+=|+\rangle\langle+|
\]

混合状態 \(\rho_{\mathrm{mix}}\) から結果 \(+\) が得られる確率は、ボルン則によって計算できる。

\[
\begin{aligned}
P(+\mid\rho_{\mathrm{mix}})
&=\operatorname{Tr}(P_+\rho_{\mathrm{mix}})\\
&=\frac12.
\end{aligned}
\]

一方、純粋状態 \(\rho_+\) を同じ測定で調べると、状態そのものが測定結果 \(+\) に対応しているため、結果 \(+\) が確率 \(1\) で得られる。

\[
\begin{aligned}
P(+\mid\rho_+)
&=\operatorname{Tr}(P_+\rho_+)\\
&=1.
\end{aligned}
\]

ここでは、最初の \(|0\rangle,|1\rangle\) 基底での測定では同じ確率を与えた二つの状態が、別の基底では異なる結果を与えた。これは、最初の基底における結果確率だけでは、量子状態を完全に識別できないことを意味する。

純粋状態と混合状態の違いは、密度演算子の二乗のトレースによっても確認できる。密度演算子 \(\rho\) に対して、\(\operatorname{Tr}(\rho^2)\) は状態の純粋度を表す。純粋状態では値が \(1\) になり、混合状態では \(1\) より小さくなる。

\[
\begin{aligned}
\operatorname{Tr}(\rho_+^2)&=1,\\
\operatorname{Tr}(\rho_{\mathrm{mix}}^2)&=\frac12.
\end{aligned}
\]

この違いは、現在の測定基底における結果確率が一致していても、状態の持つ情報構造は異なり得ることを示している。例えば、人間が二つの仮説へそれぞれ確率 \(1/2\) を割り当てている場合、その記述は古典的な信念分布として成立する。量子重ね合わせを導入するなら、確率分布だけでなく、別の測定条件に対する干渉や位相の効果を予測する構造が必要になる。

ただし、混合状態の非対角成分がゼロであるかどうかは、表示に用いる基底によって変わる。密度演算子の特定の行列成分だけを見て、基底に依存しない量子的性質を判断することはできない。一方、純粋度 \(\operatorname{Tr}(\rho^2)\) は基底の変更によって変わらないため、純粋状態と混合状態の区別を表す量として利用できる。

この例で確認できるのは、同じ測定結果の分布を与える複数の量子状態が存在し、別の測定によって区別できるという性質である。複数の候補へ確率を割り当てることと、量子状態としてのコヒーレンスを持つことは、異なる数学的な条件によって定義される。

5.3 相対位相を変えると何が観測されるか

量子重ね合わせに固有の性質を、相対位相を変化させたときの測定確率から確認する。二つの基底状態 \(|0\rangle,|1\rangle\) の振幅の大きさを等しく保ち、二番目の振幅だけに位相 \(\phi\) を与えた状態を考える。

\[
|\psi_\phi\rangle
=
\frac{1}{\sqrt2}
\left(
|0\rangle+e^{i\phi}|1\rangle
\right)
\]

ここで \(\phi\) は二つの基底状態間の相対位相である。量子状態全体へ同じ位相因子を掛ける全体位相とは異なり、相対位相は適切な測定によって結果確率へ影響し得る。

この状態を \(|0\rangle,|1\rangle\) の基底で測定すると、位相 \(\phi\) の値によらず、それぞれの結果が確率 \(1/2\) で得られる。

\[
P(0)=P(1)=\frac12
\]

この測定では、各基底状態の振幅の絶対値二乗だけが結果確率へ現れる。そのため、相対位相の情報は、二つの結果確率からは読み取れない。

一方、\(|+\rangle\) と \(|-\rangle\) の基底で測定すると、相対位相が結果確率へ現れる。ここで、二つの測定基底を次のように定義する。

\[
\begin{aligned}
|+\rangle&=\frac{|0\rangle+|1\rangle}{\sqrt2},\\
|-\rangle&=\frac{|0\rangle-|1\rangle}{\sqrt2}.
\end{aligned}
\]

これらの状態は互いに直交しており、二準位量子系の別の測定基底を形成する。状態 \(|\psi_\phi\rangle\) をこの基底で測定した場合、結果 \(+\) が得られる確率は次のようになる。

\[
\begin{aligned}
P(+)
&=|\langle+|\psi_\phi\rangle|^2\\
&=\left|
\frac{1+e^{i\phi}}2
\right|^2\\
&=\frac{(1+e^{-i\phi})(1+e^{i\phi})}{4}\\
&=\frac{2+e^{i\phi}+e^{-i\phi}}4\\
&=\frac{1+\cos\phi}{2}.
\end{aligned}
\]

ここで、\(e^{i\phi}+e^{-i\phi}=2\cos\phi\) という関係を用いている。二つの振幅の大きさは等しくても、相対位相が変わると合成した振幅の大きさが変化する。

同じ測定で結果 \(-\) が得られる確率は、次のようになる。

\[
\begin{aligned}
P(-)
&=|\langle-|\psi_\phi\rangle|^2\\
&=\left|
\frac{1-e^{i\phi}}2
\right|^2\\
&=\frac{1-\cos\phi}{2}.
\end{aligned}
\]

二つの結果確率を加えると、相対位相にかかわらず \(1\) になる。

\[
P(+)+P(-)=1
\]

これは、\(|+\rangle,|-\rangle\) が完備な二値測定を構成しているためである。相対位相によって一方の結果確率が増加すると、もう一方の結果確率は対応して減少する。

具体的な位相の値を代入すると、干渉の効果を確認できる。

相対位相 結果 \(+\) の確率 結果 \(-\) の確率 振幅の関係
\(\phi=0\) \(P(+)=1\) となる。 \(P(-)=0\) となる。 結果 \(+\) に対応する二つの振幅が同位相で加算される。
\(\phi=\pi/2\) \(P(+)=1/2\) となる。 \(P(-)=1/2\) となる。 干渉項がゼロとなり、二つの結果が同確率になる。
\(\phi=\pi\) \(P(+)=0\) となる。 \(P(-)=1\) となる。 結果 \(+\) に対応する二つの振幅が打ち消し合う。

この表では、振幅の大きさを一定に保ち、相対位相だけを変更している。その結果、測定結果の確率が \(0\) から \(1\) まで変化した。単に二つの経路へ同じ確率を割り当てたという情報だけでは、この変化は決まらない。

この数値例は、二つの経路を持つ干渉計としても理解できる。最初の分岐で二経路へ等しい振幅を与え、一方の経路に位相差を付与し、最後に二経路を再結合する。再結合後の一方の出力へ至る二つの寄与を

\[
a_1=\frac12,
\qquad
a_2=\frac{e^{i\phi}}2
\]

とすれば、その出力が得られる確率は次のようになる。

\[
\left|
\frac12+\frac{e^{i\phi}}2
\right|^2
=
\frac{1+\cos\phi}{2}
\]

もう一方の出力についても振幅を計算すると、確率は \((1-\cos\phi)/2\) になる。二つの出力確率の和が \(1\) になるため、干渉によって確率が特定の出力へ再配分されることを確認できる。

この計算が成立するためには、位相を持つ二経路の振幅が同じ出力へ重ね合わされることが必要である。経路を識別する情報が外部に記録される場合には、経路間のコヒーレンスが変化し、干渉の可視性が低下し得る。したがって、二つの経路が存在するという条件だけでなく、経路の位相関係がどの程度維持されるかが結果確率を決める。

認知に量子確率モデルを適用する場合も、干渉項へ相当するパラメーターを導入するだけでは十分な予測にならない。例えば、質問 A の後で質問 B を受けた場合と、質問 B だけを受けた場合の判断確率を量子モデルで説明するなら、位相がどの状態や測定操作に対応し、その位相が別の質問条件でもどのような制約を受けるかを明確にする必要がある。

特定の実験結果へ適合するように位相を自由に選択できる場合、その適合度の高さだけでは量子確率の必要性を判断できない。位相や測定演算子を共通の規則として定め、複数の実験条件に対して新しい予測を得られるかが、量子モデルの説明能力を評価する際の具体的な条件となる。

5.4 状態、測定、ボルン則

量子確率の特徴は、複素振幅による干渉だけでなく、状態と測定を数学的に区別して定義する点にもある。量子理論では、状態がどのように準備されたかという情報と、どの測定を実行するかという条件を組み合わせることで、結果確率を計算する。

正規化された純粋状態を \(|\psi\rangle\)、測定結果 \(a\) に対応する射影演算子を \(P_a\) とする。射影測定におけるボルン則は、次のように表される。

\[
P(a)
=
\langle\psi|P_a|\psi\rangle
\]

ここで \(P_a\) は、測定結果 \(a\) に対応する部分空間への射影を表す演算子である。射影演算子は、同じ射影を二回適用しても結果が変わらないという条件を満たす。

\[
P_a^2=P_a,
\qquad
P_a^\dagger=P_a
\]

前者は射影の冪等性、後者は自己随伴性を表す。測定結果ごとの射影演算子が互いに直交し、その和が恒等演算子になる場合、それらは完備な射影測定を構成する。

\[
P_aP_b=\delta_{ab}P_a,
\qquad
\sum_aP_a=I
\]

ここで \(\delta_{ab}\) は、結果 \(a\) と \(b\) が同じ場合に \(1\)、異なる場合に \(0\) となる。完備性により、状態が規格化されていれば全結果の確率も \(1\) に規格化される。

\[
\begin{aligned}
\sum_aP(a)
&=\sum_a\langle\psi|P_a|\psi\rangle\\
&=\langle\psi|\left(\sum_aP_a\right)|\psi\rangle\\
&=\langle\psi|I|\psi\rangle\\
&=1.
\end{aligned}
\]

この計算では、結果確率の規格化が、状態の規格化と測定演算子の完備性から導かれている。古典確率では、排反事象の確率の和を \(1\) に保つことが基本的な条件になる。量子理論では、それに対応する確率が状態ベクトルと射影演算子の内積から計算される。

混合状態を含めて扱う場合には、状態を密度演算子 \(\rho\) で表す。結果確率は次のようになる。

\[
P(a)=\operatorname{Tr}(\rho P_a)
\]

ここで \(\operatorname{Tr}\) はトレースである。密度演算子は、正値性、自己随伴性、トレースが \(1\) であることを満たす。この条件により、各結果確率は非負となり、完備な測定について確率の和が \(1\) になる。

例えば、量子ビットが \(|0\rangle\) にあるとする。この状態を \(|0\rangle,|1\rangle\) の基底で測定すれば、結果 \(0\) が確率 \(1\) で得られる。

\[
\begin{aligned}
\rho&=|0\rangle\langle0|,\\
P_0&=|0\rangle\langle0|,\\
P(0)&=\operatorname{Tr}(\rho P_0)=1.
\end{aligned}
\]

同じ状態を \(|+\rangle,|-\rangle\) の基底で測定すると、結果は半分ずつの確率になる。

\[
P(+)=P(-)=\frac12
\]

この違いは、状態を変更していなくても、測定する観測量を変更すれば結果確率が変化することを示している。量子理論の予測は、状態だけから決まるのではなく、状態と測定操作の組によって定まる。

この点は認知モデルとの比較でも重要になる。例えば、同じ人に安全性を尋ねる場合と望ましさを尋ねる場合では、質問の対象や回答基準が異なる。量子認知モデルでは、質問の違いを異なる測定操作として表現する方法がある。ただし、その測定操作がどのような射影演算子に対応するかは、認知データとモデルの仮定によって定める必要がある。

また、ボルン則に従う測定確率を導入することと、測定後の状態更新を決定することは別の問題である。理想的な射影測定ではリューダース更新則を用いることができるが、一般化された測定ではより広い状態更新規則が利用される。したがって、状態、測定結果の確率、測定後状態の更新という三つの要素を区別することが、量子認知モデルの具体的な予測を検証する際の前提になる。

5.5 非可換な測定と不確定性を分ける

量子理論では、観測量を自己随伴演算子として表す。二つの観測量を \(A,B\) とすると、それらの演算子が可換であるかどうかは、積の順序を交換したときに結果が一致するかによって定義される。

\[
[A,B]=AB-BA
\]

ここで \([A,B]\) は交換子である。交換子がゼロ演算子であれば、\(AB=BA\) が成立する。交換子がゼロ演算子でない場合には、少なくともある状態に対して、演算子の適用順序を交換した結果が異なる。

具体例として、量子ビットのパウリ行列を考える。パウリ行列は、二準位量子系の異なる方向の観測量を表現する際に利用される。

\[
\begin{aligned}
\sigma_x&=
\begin{pmatrix}
0&1\\
1&0
\end{pmatrix},\\
\sigma_y&=
\begin{pmatrix}
0&-i\\
i&0
\end{pmatrix},\\
\sigma_z&=
\begin{pmatrix}
1&0\\
0&-1
\end{pmatrix}.
\end{aligned}
\]

このうち \(\sigma_x\) と \(\sigma_z\) の積を計算すると、次のようになる。

\[
\sigma_x\sigma_z
=
\begin{pmatrix}
0&-1\\
1&0
\end{pmatrix}
\]

積の順序を交換すると、符号が逆になる。

\[
\sigma_z\sigma_x
=
\begin{pmatrix}
0&1\\
-1&0
\end{pmatrix}
\]

したがって、交換子は次のようになる。

\[
\begin{aligned}
[\sigma_x,\sigma_z]
&=\sigma_x\sigma_z-\sigma_z\sigma_x\\
&=
\begin{pmatrix}
0&-2\\
2&0
\end{pmatrix}\\
&=-2i\sigma_y.
\end{aligned}
\]

この交換子はゼロ演算子ではない。したがって、\(\sigma_x\) と \(\sigma_z\) は非可換な観測量である。この性質は、特定の初期状態を選ぶ前に、演算子そのものについて成立する。

一方、観測量の非可換性と、測定結果のばらつきは区別される。観測量 \(A\) の標準偏差を \(\Delta A\)、観測量 \(B\) の標準偏差を \(\Delta B\) とする。状態を \(\rho\) とすると、観測量の期待値は \(\operatorname{Tr}(\rho A)\) と表せる。

標準偏差の二乗は、期待値からの偏差の二乗平均として定義される。

\[
(\Delta A)^2
=
\operatorname{Tr}(\rho A^2)
–
\operatorname{Tr}(\rho A)^2
\]

同様に \(\Delta B\) も定義する。量子力学では、二つの観測量の標準偏差について、ロバートソン型の不確定性関係が成立する。

\[
\Delta A\,\Delta B
\geq
\frac12
\left|
\operatorname{Tr}(\rho[A,B])
\right|
\]

この式の右辺は、交換子の期待値の絶対値によって定まる。交換子そのものがゼロでない場合でも、特定の状態では交換子の期待値がゼロになることがある。その場合、右辺がゼロになるため、この不等式だけでは標準偏差の積に正の下限を与えられない。

例えば、状態を \(|0\rangle\) とし、観測量として \(\sigma_x,\sigma_z\) を用いる。この状態は \(\sigma_z\) の固有状態なので、\(\sigma_z\) の測定結果にはばらつきがない。

\[
\Delta\sigma_z=0
\]

一方、同じ状態で \(\sigma_x\) を測定すると、固有値 \(+1\) と \(-1\) が半分ずつ得られるため、標準偏差は \(1\) になる。

\[
\Delta\sigma_x=1
\]

この状態では \(\langle\sigma_y\rangle=0\) なので、交換子の期待値もゼロになる。

\[
\begin{aligned}
\langle[\sigma_x,\sigma_z]\rangle
&=-2i\langle\sigma_y\rangle\\
&=0.
\end{aligned}
\]

この結果は、\(\sigma_x\) と \(\sigma_z\) が可換になったことを意味しない。交換子は依然として \(-2i\sigma_y\) という非ゼロの演算子である。ゼロになったのは、その交換子を特定の状態で評価した期待値である。

反対に、\(\sigma_y\) の固有値 \(+1\) に対応する状態を選ぶと、\(\langle\sigma_y\rangle=1\) となり、ロバートソン型の不確定性関係は正の下限を与える。この状態では \(\sigma_x\) と \(\sigma_z\) の期待値がともにゼロであり、それぞれの標準偏差は \(1\) になる。

\[
\begin{aligned}
\Delta\sigma_x\,\Delta\sigma_z
&=1,\\
\frac12
\left|
\langle[\sigma_x,\sigma_z]\rangle
\right|
&=1.
\end{aligned}
\]

この場合、不確定性関係の等号が成立する。したがって、非可換性という演算子の性質と、特定の状態でどのような不確定性が観測されるかという性質を区別できる。

測定順序効果についても、同じ区別が必要になる。観測量が非可換であっても、すべての初期状態について任意の回答確率に順序差が現れるわけではない。例えば、完全混合状態 \(\rho=I/2\) から出発する量子ビットで、二つのパウリ観測量をリューダース測定する場合、ある結果の周辺確率は順序に依存しないことがある。一方、逐次測定の結合確率や測定後状態には、演算子の構造に由来する制約が残る。

古典的な状態遷移でも、更新写像の合成順序によって結果が変化する場合がある。そのため、演算の非可換性という語だけで、量子理論の固有性を判断することはできない。量子理論では、自己随伴演算子、状態の内積構造、ボルン則、測定後状態の更新が組み合わされ、その組合せから具体的な確率関係が導かれる点に特徴がある。

5.6 量子ビットの測定順序を計算する

非可換な観測量を連続して測定した場合に、結果確率がどのように変化するかを具体的に計算する。初期状態が \(|0\rangle\) である量子ビットを考え、\(\sigma_z\) と \(\sigma_x\) の測定順序を比較する。

まず、\(\sigma_z\) の測定結果は、固有値 \(+1\) と \(-1\) に対応する二つの状態 \(|0\rangle,|1\rangle\) によって区別される。初期状態が \(|0\rangle\) であれば、結果 \(z=0\) が確率 \(1\) で得られる。ここでは、結果を状態ラベル \(0,1\) で表すことにする。

\[
P_Z(z=0\mid |0\rangle)=1
\]

この測定の後、状態は \(|0\rangle\) のままである。続いて \(\sigma_x\) を測定すると、結果 \(x=+\) と \(x=-\) がそれぞれ確率 \(1/2\) で得られる。

\[
P_X(x=+\mid |0\rangle)
=
P_X(x=-\mid |0\rangle)
=
\frac12
\]

したがって、Z 方向を測定してから X 方向を測定する場合、二つの測定結果の結合確率は次のようになる。

\[
\begin{aligned}
P_{Z\to X}(z=0,x=+)&=\frac12,\\
P_{Z\to X}(z=0,x=-)&=\frac12,\\
P_{Z\to X}(z=1,x=+)&=0,\\
P_{Z\to X}(z=1,x=-)&=0.
\end{aligned}
\]

ここで \(P_{Z\to X}\) は、Z 方向の測定を先に行い、その後で X 方向を測定した場合の結合確率を表す。最初の Z 測定では結果 \(0\) が確定しているため、結果 \(z=1\) を含む結合確率はゼロになる。

次に、測定順序を交換する。初期状態 \(|0\rangle\) に対して最初に \(\sigma_x\) を測定すると、結果 \(x=+\) と \(x=-\) がそれぞれ確率 \(1/2\) で得られる。

\[
P_X(x=+)=P_X(x=-)=\frac12
\]

結果 \(x=+\) が得られた場合、理想的な射影測定後の状態は \(|+\rangle\) になる。結果 \(x=-\) が得られた場合には、状態は \(|-\rangle\) になる。

この二つの状態は、いずれも \(|0\rangle\) と \(|1\rangle\) の等しい大きさの振幅から構成される。そのため、どちらの状態から Z 方向を測定しても、結果 \(0\) と結果 \(1\) が半分ずつ得られる。

\[
\begin{aligned}
P_Z(z=0\mid x=+)&=\frac12,\\
P_Z(z=1\mid x=+)&=\frac12,\\
P_Z(z=0\mid x=-)&=\frac12,\\
P_Z(z=1\mid x=-)&=\frac12.
\end{aligned}
\]

最初の X 測定でそれぞれの結果が得られる確率は \(1/2\) なので、結合確率は条件付き確率の積として計算できる。

\[
\begin{aligned}
P_{X\to Z}(x=+,z=0)&=\frac14,\\
P_{X\to Z}(x=+,z=1)&=\frac14,\\
P_{X\to Z}(x=-,z=0)&=\frac14,\\
P_{X\to Z}(x=-,z=1)&=\frac14.
\end{aligned}
\]

二つの順序で得られた結合確率を比較すると、同じ結果の組でも確率が異なる。

\[
\begin{aligned}
P_{Z\to X}(z=0,x=+)&=\frac12,\\
P_{X\to Z}(x=+,z=0)&=\frac14.
\end{aligned}
\]

最初に Z 方向を測定する場合には、初期状態が Z 測定の固有状態なので、最初の測定で状態が変化しない。一方、最初に X 方向を測定すると、結果に応じて状態が \(|+\rangle\) または \(|-\rangle\) へ更新される。その状態から Z 方向を測定すると、結果 \(0\) と \(1\) が半分ずつ得られる。測定順序を変えることで、二番目の測定へ入力される状態が異なるため、結合確率にも違いが生じる。

この例では、同じ初期状態と同じ二つの観測量を使い、測定順序だけを交換している。したがって、順序差の直接の原因は、先に行った測定によって状態が更新され、その更新後の状態から後続の測定確率が計算されることにある。

ただし、この結果を観測したことだけで、古典的な状態遷移モデルを排除できるわけではない。古典的なモデルでも、最初の質問や測定が内部状態を更新し、その状態から次の回答を生成する規則を定義できる。例えば、最初の質問が注意状態を変更し、後続の質問への回答確率に影響するモデルでも、順序依存性を実現できる。

量子射影測定モデルの特徴を検証するためには、特定の順序差だけでなく、複数の結合確率に対して同時に課される制約を利用する必要がある。例えば、二つの二値質問を射影測定として表した場合には、射影演算子の代数から、質問順序を交換した際の結合確率に関する QQ 等式が導かれる。このような制約は、質問順序効果の存在という一般的な性質よりも具体的な検証対象になる。

したがって、非可換な量子測定によって順序効果が生じることと、その順序効果が量子測定に固有であることは、別々に評価される。量子モデルの説明能力を判断する際には、同じ実験条件に対して古典モデルがどのような確率を予測するかも比較する必要がある。

5.7 複合系とエンタングルメント

量子理論では、複数の系を組み合わせたときに、個々の系の状態だけから複合系全体の状態を表せない場合がある。これを理解するため、まず古典的な相関を考える。例えば、二つの記録装置が共通の乱数を受け取り、同じ値を記録する場合を考える。乱数が \(0\) と \(1\) をそれぞれ半分の確率で取るなら、二つの装置の記録は常に一致する。

このとき、個々の装置だけを見ると、記録が \(0\) である確率と \(1\) である確率はそれぞれ \(1/2\) である。しかし、二つの記録を同時に見ると、\((0,0)\) または \((1,1)\) だけが現れる。二つの結果が相関しているのは、共通の原因である乱数が両方の装置へ同じ値を与えているためである。

この相関は、古典確率によって完全に表現できる。二つの変数を \(A,B\) とすると、結合確率分布を次のように定義できる。

\[
\begin{aligned}
P(A=0,B=0)&=\frac12,\\
P(A=1,B=1)&=\frac12,\\
P(A=0,B=1)&=0,\\
P(A=1,B=0)&=0.
\end{aligned}
\]

二つの結果が常に一致するという相関が存在していても、量子力学の状態空間や複素振幅を導入する必要はない。共通原因と条件付き確率によって相関を説明できるためである。

量子力学では、複合系の状態空間を、部分系のヒルベルト空間のテンソル積として構成する。二つの部分系を A と B とし、それぞれのヒルベルト空間を \(\mathcal H_A,\mathcal H_B\) とすれば、複合系の状態空間は次のようになる。

\[
\mathcal H_{AB}
=
\mathcal H_A\otimes\mathcal H_B
\]

ここで \(\otimes\) はテンソル積を表す。部分系 A の状態を \(|\psi_A\rangle\)、部分系 B の状態を \(|\psi_B\rangle\) とすると、二つの状態の積として表せる複合純粋状態は次の形になる。

\[
|\psi_{AB}\rangle
=
|\psi_A\rangle\otimes|\psi_B\rangle
\]

このような状態を積状態という。積状態では、複合状態を二つの部分系の状態の組として表すことができる。

しかし、すべての複合量子状態が一つの積状態へ分解できるわけではない。例えば、二つの量子ビットについて、次の状態を考える。

\[
|\Phi^+\rangle
=
\frac{|00\rangle+|11\rangle}{\sqrt2}
\]

ここで \(|00\rangle=|0\rangle_A\otimes|0\rangle_B\)、\(|11\rangle=|1\rangle_A\otimes|1\rangle_B\) である。この状態は、二つの量子ビットがともに \(0\) である成分と、ともに \(1\) である成分の重ね合わせである。

この状態を、部分系 A の状態と部分系 B の状態の積として表そうとする。一般的な二つの純粋状態を次のように置く。

\[
\begin{aligned}
|\psi_A\rangle&=a|0\rangle+b|1\rangle,\\
|\psi_B\rangle&=c|0\rangle+d|1\rangle.
\end{aligned}
\]

二つの状態のテンソル積を展開すると、次の四つの成分が現れる。

\[
\begin{aligned}
|\psi_A\rangle\otimes|\psi_B\rangle
&=ac|00\rangle+ad|01\rangle\\
&\quad+bc|10\rangle+bd|11\rangle.
\end{aligned}
\]

この積状態が \(|\Phi^+\rangle\) と一致するためには、\(|00\rangle\) と \(|11\rangle\) の係数がともに非ゼロであり、\(|01\rangle\) と \(|10\rangle\) の係数がゼロである必要がある。

\[
ac\neq0,\qquad
bd\neq0,\qquad
ad=0,\qquad
bc=0
\]

しかし、\(ac\neq0\) と \(bd\neq0\) が成立するなら、\(a,b,c,d\) はすべて非ゼロである。その場合、\(ad=0\) と \(bc=0\) は成立しない。したがって、この状態は一つの積状態として表すことができない。

このように、部分系の純粋状態の積へ分解できない複合純粋状態を、エンタングルした純粋状態という。

混合状態を含む一般の場合には、分離可能状態の定義を用いる。二つの部分系の密度演算子の積を、非負の確率で混合した形に表せる状態を分離可能状態という。

\[
\rho_{AB}
=
\sum_kp_k
\rho_A^{(k)}\otimes\rho_B^{(k)},
\qquad
p_k\geq0,
\qquad
\sum_kp_k=1
\]

ここで \(p_k\) は混合の重み、\(\rho_A^{(k)}\) と \(\rho_B^{(k)}\) はそれぞれの部分系の密度演算子である。この形で表せる場合、複合状態は部分系の状態の積を古典的な確率で混合したものとして構成できる。

エンタングルした状態とは、このような分離可能状態の表現を持たない量子状態である。したがって、二つの測定結果が相関するという事実だけでは、エンタングルメントを示したことにならない。古典的な共通原因による相関と、分離可能な量子混合状態による相関を区別したうえで、さらに分離可能な表現が存在するかを検討する必要がある。

5.8 エンタングルメントと古典相関の境界

エンタングルメントと古典相関の違いを、具体的な二量子ビットの状態で比較する。まず、二つの量子ビットがともに \(0\) である状態と、ともに \(1\) である状態を、それぞれ半分の確率で準備する混合状態を考える。

\[
\rho_{\mathrm{class}}
=
\frac12|00\rangle\langle00|
+
\frac12|11\rangle\langle11|
\]

この状態では、Z 方向の測定を二つの量子ビットに対して行うと、結果 \((0,0)\) と \((1,1)\) がそれぞれ確率 \(1/2\) で得られる。二つの測定結果は完全に一致する。

一方、ベル状態 \(|\Phi^+\rangle\) に対応する密度演算子を考える。

\[
\rho_{\Phi}
=
|\Phi^+\rangle\langle\Phi^+|
\]

この状態も、Z 方向で測定した場合には \((0,0)\) と \((1,1)\) がそれぞれ確率 \(1/2\) で得られる。したがって、Z 方向の測定結果だけを観測する限り、古典相関を持つ混合状態とベル状態を区別できない。

両者の違いは、密度演算子を展開すると明確になる。ベル状態の密度演算子は次の形になる。

\[
\begin{aligned}
\rho_{\Phi}
=\frac12\bigl(
&|00\rangle\langle00|
+|00\rangle\langle11|\\
&+|11\rangle\langle00|
+|11\rangle\langle11|
\bigr).
\end{aligned}
\]

古典相関を持つ混合状態には、\(|00\rangle\langle11|\) と \(|11\rangle\langle00|\) に対応する項が存在しない。ベル状態にはこれらの項が存在し、二つの成分間のコヒーレンスを表している。

この違いは、別の方向の測定によって検出できる。例えば、二つの量子ビットに対して、それぞれ X 方向の測定を行う場合を考える。X 方向の測定では、結果 \(+\) と結果 \(-\) が得られる。

ベル状態 \(|\Phi^+\rangle\) は、X 方向の基底を用いても次のように表せる。

\[
|\Phi^+\rangle
=
\frac{|++\rangle+|–\rangle}{\sqrt2}
\]

したがって、両方の量子ビットを X 方向で測定すると、結果 \((+,+)\) と \((-,-)\) がそれぞれ確率 \(1/2\) で得られ、異なる符号の組は観測されない。

\[
\begin{aligned}
P_{\Phi}(+,+)&=\frac12,\\
P_{\Phi}(-,-)&=\frac12,\\
P_{\Phi}(+,-)&=0,\\
P_{\Phi}(-,+)&=0.
\end{aligned}
\]

一方、古典相関を持つ混合状態 \(\rho_{\mathrm{class}}\) では、\(|00\rangle\) と \(|11\rangle\) のどちらを準備した場合も、各量子ビットの X 方向の測定結果は \(+\) と \(-\) が半分ずつになる。各積状態における二つの X 測定結果は独立なので、四つの結果の組がすべて確率 \(1/4\) で得られる。

\[
\begin{aligned}
P_{\mathrm{class}}(+,+)&=\frac14,\\
P_{\mathrm{class}}(+,-)&=\frac14,\\
P_{\mathrm{class}}(-,+)&=\frac14,\\
P_{\mathrm{class}}(-,-)&=\frac14.
\end{aligned}
\]

この違いを相関関数として表すこともできる。二つの量子ビットについて X 方向の測定結果を数値 \(\pm1\) で表すと、相関は \(\sigma_x\otimes\sigma_x\) の期待値として計算できる。

\[
\begin{aligned}
\langle\sigma_x\otimes\sigma_x\rangle_{\rho_{\Phi}}
&=1,\\
\langle\sigma_x\otimes\sigma_x\rangle_{\rho_{\mathrm{class}}}
&=0.
\end{aligned}
\]

ベル状態では X 方向の測定結果が常に一致するため、二つの結果の積の平均が \(1\) になる。一方、古典相関を持つ混合状態では、X 方向の結果の組が四通りとも同じ確率で得られるため、正の積と負の積が打ち消し合い、相関の期待値がゼロになる。

この例では、Z 方向の測定だけでは区別できなかった二つの状態が、X 方向の測定を加えることで区別できた。つまり、同じ一種類の測定で相関が一致していることと、複数の測定設定に対して同じ確率構造を持つことは、異なる条件である。

ただし、ここで示した X 方向の相関の違いは、特定の二つの状態を識別する例である。任意の古典的な隠れ変数モデルが同じ測定結果を再現できないことまで、この比較だけで証明したわけではない。古典的な共通原因を持つモデルに対して、複数の測定設定を組み合わせた相関へ制約を課す場合には、ベル不等式のような追加の条件が必要になる。

また、エンタングルメントの存在と、ベル不等式の違反も区別される。エンタングルした状態が存在することは、複合密度演算子を分離可能状態の混合として表せないことを意味する。一方、ベル不等式の違反は、特定の測定設定と局所的隠れ変数モデルの仮定のもとで、観測される相関が古典的な上限を超えることを意味する。すべてのエンタングル状態が任意の測定設定でベル不等式を違反するわけではない。

人間の判断についても、二人の回答が相関することや、一人の回答が複数の質問間で相関することから、量子的なエンタングルメントの存在は導けない。相関は、共通の経験、記憶、社会的な条件、共通する情報源など、古典的な要因によっても生じ得る。量子相関としての特徴を主張するなら、複数の測定設定に対する確率関係を定義し、どの古典モデルがどの仮定のもとで制約されるかを明示する必要がある。

重ね合わせ、干渉、ボルン則、非可換性、エンタングルメントは、量子理論において相互に関係する数学的な構造である。複数の候補を保持すること、判断が順序に依存すること、複数の回答が相関することは、古典的な確率過程でも実現できる。一方、複素振幅の相対位相、測定演算子の代数、複合状態の分離可能性といった条件は、量子モデルが具体的な予測を与える際の追加の制約となる。

思考に量子確率を適用することの数学的な意味は、こうした追加の制約をどこまで認知現象へ対応づけられるかによって決まる。干渉項を導入しただけで任意の判断変化を説明できるとするのではなく、位相と測定操作を共通の規則で定義し、複数の実験条件へ予測を与える必要がある。量子モデルと古典モデルを比較する際には、同じ観測結果を説明できるという事実に加えて、どの条件で異なる結果を予測するかを明示することが求められる。


6. ベル不等式の違反はどの古典的な物理モデルを排除するか

6.1 局所的隠れ変数モデルが置く仮定

量子力学に固有の性質を検証するには、複数の可能性を保持することや、観測によって状態が変化することよりも強い条件が必要になる。物理学では、空間的に離れた二つの系の測定結果について、どのような古典的な原因モデルが成立するかを調べる方法がある。その代表例がベル不等式である。Bell は、離れた系の測定結果を局所的な隠れ変数によって説明する理論と、量子力学が予測する相関の関係を検討した[3]。

例えば、二つの粒子を共通の発生源から作り、一方を左側の測定装置、もう一方を右側の測定装置へ送る実験を考える。二つの装置は十分に離れており、それぞれ異なる測定方向を選択できる。各装置の結果が単独では予測できなくても、二つの結果を比較すると強い相関が現れる場合がある。この相関が共通の発生源に由来する情報だけで説明できるのか、それとも量子理論に固有の予測を必要とするのかが問題になる。

古典的な共通原因による説明を考えるため、二つの粒子が発生源から運んできた情報を隠れ変数 \(\lambda\) とする。隠れ変数とは、測定装置で直接読み取っていないものの、結果の生成に関与すると仮定する変数である。例えば、発生源が二つの粒子へ共通の指示を与え、その指示と各測定装置の設定によって結果が決まるモデルを構成できる。

左側の測定設定を \(a\)、右側の測定設定を \(b\) とし、それぞれの測定結果を \(A,B\) とする。結果は \(+1\) または \(-1\) の二値を取るものとする。局所的な決定論的隠れ変数モデルでは、左側の結果と右側の結果を次のように記述する。

\[
A=A(a,\lambda),
\qquad
B=B(b,\lambda)
\]

ここで \(A(a,\lambda)\) は左側の測定設定 \(a\) と隠れ変数 \(\lambda\) によって決まる結果、\(B(b,\lambda)\) は右側の測定設定 \(b\) と同じ隠れ変数によって決まる結果である。左側の結果を決める関数には右側の設定 \(b\) が含まれず、右側の結果を決める関数には左側の設定 \(a\) が含まれない。

この条件は、離れた場所で選択した測定設定が、相手側の結果を生成する局所的な応答規則へ直接作用しないという仮定を表している。ただし、局所性だけで測定結果の相関が消えるわけではない。両方の粒子が共通の隠れ変数 \(\lambda\) を持てば、その値に応じて両方の結果が変化するため、古典的な相関は成立する。

さらに、隠れ変数の確率分布を \(\rho(\lambda)\) とする。測定設定を変更しても、発生源が与える隠れ変数の分布が同じであるという仮定を置く。

\[
\rho(\lambda\mid a,b)=\rho(\lambda)
\]

これは測定設定の独立性と呼ばれる条件である。測定設定が隠れ変数と統計的に独立であれば、四つの測定設定の組で得られる相関を、同じ隠れ変数分布に対して評価できる。

実際の測定結果が隠れ変数によって一意に決まるとは限らないため、より一般的には確率的な応答規則を考えられる。局所的な因果条件として、隠れ変数を指定した場合の二地点の結合確率が、各地点の応答確率の積に分解されることを仮定する。

\[
P(A,B\mid a,b,\lambda)
=
P(A\mid a,\lambda)
P(B\mid b,\lambda)
\]

この式の左辺は、両方の測定設定と隠れ変数を指定した場合の結合確率である。右辺では、左側の応答確率と右側の応答確率を独立に計算している。このような条件付き分解を因子化条件と呼ぶ。決定論的な応答関数は、それぞれの結果へ確率 \(0\) または \(1\) を割り当てる特別な場合として含まれる。

ベル不等式の導出で必要になる仮定を整理すると、次のようになる。

条件 数学的な内容 相関の計算における役割 条件を変更した場合
共通の隠れ変数 二地点の結果を、共通の変数 \(\lambda\) と局所的な応答規則によって表す。 離れた結果の相関を、共通原因に関する平均として計算できる。 結果の生成機構を表すモデルの種類が変わる。
局所的な因子化 隠れ変数を指定した結合確率が、二地点の応答確率の積に分解される。 遠方の測定設定を局所的な応答規則から除外できる。 遠方の設定や結果への依存を許すモデルでは、同じ不等式の導出が成立しない場合がある。
測定設定の独立性 隠れ変数の分布が、選択された測定設定の組に依存しない。 四つの設定の組について、同一の隠れ変数分布で平均できる。 設定ごとに隠れ変数の分布が変化するモデルでは、共通分布を用いた導出が適用できない。
二値の測定結果 各地点の結果を \(+1\) または \(-1\) として扱う。 結果の積と和に対する代数的な上限を計算できる。 多値の結果や異なる測定形式では、対応する不等式を定義する必要がある。

表に示した条件は、すべての古典的な確率モデルに自動的に課される条件ではない。例えば、古典的な二つの装置が通信できるなら、一方の設定を他方の装置へ伝えて結果を変更するモデルを構成できる。また、共通の原因が測定設定の選択にも影響していれば、設定と隠れ変数の間に統計的な依存関係が生じ得る。

ベル不等式が制約するのは、このような可能性を無制限に許したモデル全体ではなく、局所的な因子化と測定設定の独立性など、明示した条件を同時に満たすモデルである。どの仮定を用いて上限を導くかを明確にすることで、実験結果が否定する理論の範囲を特定できる。

6.2 CHSH不等式の具体的な制約

Bell の議論を実験的に検証できる形へ展開した代表的な不等式が、Clauser、Horne、Shimony、Holt による CHSH 不等式である[4]。この不等式では、二つの測定場所がそれぞれ二種類の設定を選び、各測定結果が二値を取る場合を考える。

左側の測定設定を \(a_0,a_1\)、右側を \(b_0,b_1\) とする。左側の結果を \(A\)、右側の結果を \(B\) とし、それぞれ \(+1\) または \(-1\) を取るとする。測定設定の組 \((a_i,b_j)\) に対して、二つの結果の積の期待値を \(E_{ij}\) と定義する。

\[
E_{ij}
=
\mathbb E[AB\mid a_i,b_j]
\]

ここで \(i,j\) はそれぞれ \(0\) または \(1\) を取る。期待値とは、多数の試行における結果の積の平均である。二つの結果が一致すれば積は \(+1\)、異なれば積は \(-1\) になる。そのため、相関 \(E_{ij}\) は、同じ結果が得られる確率と異なる結果が得られる確率との差として表せる。

\[
\begin{aligned}
E_{ij}
&=P(A=B\mid a_i,b_j)\\
&\quad-P(A\neq B\mid a_i,b_j).
\end{aligned}
\]

例えば、ある設定の組で二つの結果が一致する確率が \(0.9\)、異なる確率が \(0.1\) であれば、相関は \(0.8\) となる。常に一致する場合には \(E_{ij}=1\)、常に反対の結果になる場合には \(E_{ij}=-1\) となる。

CHSH 不等式では、四つの測定設定の組に対応する相関を、次の符号で組み合わせる。

\[
S
=
E_{00}+E_{01}+E_{10}-E_{11}
\]

この式には三つの正の項と一つの負の項がある。各相関を独立に選べると考えれば、四つの相関の絶対値はそれぞれ \(1\) 以下なので、単純な代数的上限は \(4\) となる。しかし、局所的隠れ変数モデルでは、四つの相関を同一の隠れ変数分布と局所的な応答規則から生成するため、さらに強い制約が生じる。

その制約を表すのが次の不等式である。

\[
|S|\leq2
\]

これは、四つの相関がそれぞれ独立した確率表として自由に定まる場合の上限ではない。同じ隠れ変数が与えられたときに、各測定設定へ対応する局所的な結果を一貫して割り当てられるという条件から生じる上限である。

一方、量子力学では、適切なエンタングル状態と測定方向の組を選ぶと、次の値を達成できる。

\[
|S|=2\sqrt2
\]

数値にすると約 \(2.828\) であり、局所的隠れ変数モデルの上限 \(2\) を超える。量子理論の二値観測量について、この値は到達可能な最大値でもある。したがって、量子相関を特徴づけるには、単一の測定結果や一つの相関だけでなく、異なる測定設定の組に対応する四つの相関を同時に比較する必要がある。

6.3 CHSH不等式の古典的上限を導出する

古典的上限 \(2\) がどのように生じるかを、隠れ変数の各値について直接計算する。まず、測定結果が隠れ変数によって決定論的に定まる場合を考える。隠れ変数を \(\lambda\) とし、左側の二つの設定に対する結果を \(A_0(\lambda),A_1(\lambda)\)、右側の二つの設定に対する結果を \(B_0(\lambda),B_1(\lambda)\) とする。

各結果は \(+1\) または \(-1\) を取る。

\[
A_i(\lambda),B_j(\lambda)\in\{-1,+1\}
\]

ここで、同じ \(\lambda\) に対して四つの応答値を定義できることは、局所的な応答規則と共通の隠れ変数を用いていることに対応する。各試行で実際に測定するのは左側と右側の設定を一つずつ選んだ組だけだが、モデルは選ばれなかった設定についても、同じ \(\lambda\) に対応する応答を定義している。

この四つの応答値から、CHSH 式に対応する組合せを作る。

\[
\begin{aligned}
C(\lambda)
&=A_0(\lambda)B_0(\lambda)
+A_0(\lambda)B_1(\lambda)\\
&\quad+A_1(\lambda)B_0(\lambda)
-A_1(\lambda)B_1(\lambda).
\end{aligned}
\]

この式を左側の応答値でまとめると、次のようになる。

\[
\begin{aligned}
C(\lambda)
&=A_0(\lambda)
\bigl(B_0(\lambda)+B_1(\lambda)\bigr)\\
&\quad+A_1(\lambda)
\bigl(B_0(\lambda)-B_1(\lambda)\bigr).
\end{aligned}
\]

右側の二つの応答値 \(B_0(\lambda),B_1(\lambda)\) は、それぞれ \(+1\) または \(-1\) である。そのため、二つが同じ値を取る場合と、異なる値を取る場合に分けられる。

二つの応答値が同じ場合には、和は \(+2\) または \(-2\) となり、差は \(0\) となる。

\[
B_0=B_1
\Longrightarrow
\begin{cases}
B_0+B_1=\pm2,\\
B_0-B_1=0.
\end{cases}
\]

この場合、\(C(\lambda)\) の第二項は消える。第一項は \(A_0(\lambda)\) と \(\pm2\) の積になるため、結果は \(+2\) または \(-2\) である。

反対に、二つの応答値が異なる場合には、和が \(0\)、差が \(+2\) または \(-2\) となる。

\[
B_0=-B_1
\Longrightarrow
\begin{cases}
B_0+B_1=0,\\
B_0-B_1=\pm2.
\end{cases}
\]

この場合には \(C(\lambda)\) の第一項が消え、第二項だけが残る。第二項も \(A_1(\lambda)\) と \(\pm2\) の積になるため、結果は \(+2\) または \(-2\) である。

したがって、どちらの場合にも次の関係が成立する。

\[
C(\lambda)\in\{-2,+2\},
\qquad
|C(\lambda)|=2
\]

この制約は、隠れ変数がどのような値を取るかに依存しない。また、隠れ変数の確率分布の具体的な形も必要としない。各 \(\lambda\) に対して、局所的な二値応答を共通の組として定義できることから生じる代数的な制約である。

次に、隠れ変数の確率分布 \(\rho(\lambda)\) にわたって平均する。離散的な隠れ変数については総和、連続的な隠れ変数については積分を用いる。連続的な場合、各設定に対する相関は次のように表せる。

\[
E_{ij}
=
\int d\lambda\,
\rho(\lambda)
A_i(\lambda)B_j(\lambda)
\]

ここで \(\rho(\lambda)\) は非負であり、全体で \(1\) に規格化されている。

\[
\rho(\lambda)\geq0,
\qquad
\int d\lambda\,\rho(\lambda)=1
\]

測定設定の独立性により、四つの相関には同じ \(\rho(\lambda)\) を使用できる。そのため、CHSH 式は \(C(\lambda)\) の平均として表せる。

\[
S
=
\int d\lambda\,
\rho(\lambda)C(\lambda)
\]

積分の絶対値に三角不等式を適用すると、次の関係が得られる。

\[
\begin{aligned}
|S|
&=
\left|
\int d\lambda\,
\rho(\lambda)C(\lambda)
\right|\\
&\leq
\int d\lambda\,
\rho(\lambda)|C(\lambda)|\\
&=
2\int d\lambda\,\rho(\lambda)\\
&=2.
\end{aligned}
\]

これが CHSH 不等式の古典的上限である。

決定論的な応答関数を仮定した導出は、結果が確率的に決まる局所モデルへも拡張できる。隠れ変数 \(\lambda\) と測定設定 \(a_i\) を指定した場合の左側の結果の期待値を \(\overline A_i(\lambda)\)、右側の結果の期待値を \(\overline B_j(\lambda)\) とすると、それぞれは \(-1\) から \(+1\) の範囲にある。

\[
|\overline A_i(\lambda)|\leq1,
\qquad
|\overline B_j(\lambda)|\leq1
\]

局所的な因子化条件のもとでは、相関をこれらの期待値の積の平均として表せる。

\[
E_{ij}
=
\int d\lambda\,
\rho(\lambda)
\overline A_i(\lambda)
\overline B_j(\lambda)
\]

この場合にも、各 \(\lambda\) について CHSH 型の組合せの絶対値は \(2\) 以下になる。右側の期待値を \(u=\overline B_0(\lambda)\)、\(v=\overline B_1(\lambda)\) と置けば、左側の期待値の絶対値が \(1\) 以下であることから、次の上限が得られる。

\[
\begin{aligned}
&\left|
\overline A_0(u+v)
+\overline A_1(u-v)
\right|\\
&\qquad\leq |u+v|+|u-v|\\
&\qquad=2\max(|u|,|v|)\\
&\qquad\leq2.
\end{aligned}
\]

したがって、決定論的な応答と確率的な応答のいずれについても、局所的な因子化と測定設定の独立性を満たすモデルでは \(|S|\leq2\) が成立する。

この導出が排除するモデルの範囲は明確である。四つの相関を同一の隠れ変数分布と局所的な応答規則から生成するという条件を満たす限り、相関の組合せは古典的上限を超えない。観測された値がこの上限を超えれば、少なくとも用いた仮定のすべてを同時に維持することはできない。

6.4 量子状態と測定方向による上限超過

量子力学では、二つのスピン \(1/2\) の系をエンタングルした状態に準備すると、局所的隠れ変数モデルの上限を超える相関を予測できる。具体例として、二つのスピンの一重項状態を考える。

\[
|\Psi^-\rangle
=
\frac{
|01\rangle-|10\rangle
}{\sqrt2}
\]

ここで \(|01\rangle\) は左側のスピンが基底状態 \(|0\rangle\)、右側のスピンが \(|1\rangle\) にある成分を表す。\(|10\rangle\) はその逆である。一重項状態は、二つのスピンの測定結果が特定の方向について反相関を示す量子状態である。

測定方向を三次元空間の単位ベクトルで表す。左側の測定方向を \(\mathbf a\)、右側を \(\mathbf b\) とする。パウリ行列の組を \(\boldsymbol{\sigma}=(\sigma_x,\sigma_y,\sigma_z)\) とすると、各方向に対応する二値観測量は次のように定義できる。

\[
\begin{aligned}
A(\mathbf a)&=\mathbf a\cdot\boldsymbol{\sigma},\\
B(\mathbf b)&=\mathbf b\cdot\boldsymbol{\sigma}.
\end{aligned}
\]

ここで \(\cdot\) はベクトルの内積に対応する演算である。例えば、\(\mathbf a\) が Z 方向の単位ベクトルなら \(A(\mathbf a)=\sigma_z\) となる。各観測量の測定結果は \(+1\) または \(-1\) である。

一重項状態に対して、二つの方向に沿った測定結果の積の期待値を計算すると、次の関係が成立する。

\[
E(\mathbf a,\mathbf b)
=
\langle\Psi^-|
A(\mathbf a)\otimes B(\mathbf b)
|\Psi^-\rangle
=
-\mathbf a\cdot\mathbf b
\]

ここで \(\otimes\) は二つの部分系に対する演算子のテンソル積を表す。この式から、二つの測定方向が同じであれば相関は \(-1\)、直交していれば相関は \(0\) になる。また、測定方向の間の角度を \(\theta\) とすれば、単位ベクトルの内積は \(\cos\theta\) なので、相関は \(-\cos\theta\) となる。

CHSH 式の値を最大にする具体的な測定方向を選ぶ。左側では Z 方向と X 方向を測定し、右側では両方向の和と差に対応する斜め方向を測定する。

\[
\begin{aligned}
\mathbf a_0&=\hat{\mathbf z},\\
\mathbf a_1&=\hat{\mathbf x},\\
\mathbf b_0&=
\frac{\hat{\mathbf z}+\hat{\mathbf x}}{\sqrt2},\\
\mathbf b_1&=
\frac{\hat{\mathbf z}-\hat{\mathbf x}}{\sqrt2}.
\end{aligned}
\]

ここで \(\hat{\mathbf z}\) と \(\hat{\mathbf x}\) は互いに直交する単位ベクトルである。右側の測定方向も、分母を \(\sqrt2\) とすることによって長さ \(1\) に規格化されている。

四つの設定の組について、方向ベクトルの内積を計算する。

\[
\begin{aligned}
\mathbf a_0\cdot\mathbf b_0
&=\frac1{\sqrt2},\\
\mathbf a_0\cdot\mathbf b_1
&=\frac1{\sqrt2},\\
\mathbf a_1\cdot\mathbf b_0
&=\frac1{\sqrt2},\\
\mathbf a_1\cdot\mathbf b_1
&=-\frac1{\sqrt2}.
\end{aligned}
\]

一重項状態の相関 \(E=-\mathbf a\cdot\mathbf b\) を適用すると、四つの相関は次の値になる。

\[
\begin{aligned}
E_{00}&=-\frac1{\sqrt2},\\
E_{01}&=-\frac1{\sqrt2},\\
E_{10}&=-\frac1{\sqrt2},\\
E_{11}&=\frac1{\sqrt2}.
\end{aligned}
\]

これらを CHSH 式へ代入する。

\[
\begin{aligned}
S
&=E_{00}+E_{01}+E_{10}-E_{11}\\
&=-\frac1{\sqrt2}
-\frac1{\sqrt2}
-\frac1{\sqrt2}
-\frac1{\sqrt2}\\
&=-\frac4{\sqrt2}\\
&=-2\sqrt2.
\end{aligned}
\]

したがって、CHSH 量の絶対値は次のようになる。

\[
|S|=2\sqrt2\approx2.828
\]

この値は、局所的隠れ変数モデルの上限 \(2\) を超える。量子力学の予測が古典的上限を超えるのは、二つの粒子がエンタングル状態にあり、複数の局所測定方向について、量子理論が定める相関を同時に生成するためである。

ここで注目すべき点は、各測定結果が \(+1\) または \(-1\) という通常の二値であり、各結果の確率も非負であることである。量子理論の予測が古典的上限を超える理由は、個々の結果が特殊な数値を取るからではない。四つの測定設定に対する相関の組を、同じ局所的隠れ変数分布と局所的応答規則によって同時に表現できないことにある。

また、二つの粒子に相関があるというだけでは、この結果は導かれない。古典的な共通原因による相関でも、特定の方向について結果が常に一致したり、反対になったりすることはある。しかし、その相関を四つの設定へ同時に拡張し、局所的な応答と設定の独立性を維持すると、CHSH 量は \(2\) 以下に制約される。

このように、量子力学に固有の実験的な予測は、複数の候補の存在や観測による状態変化といった一般構造からではなく、複合量子状態と局所測定演算子が与える具体的な相関から導かれる。

6.5 量子上限を演算子のノルムから評価する

前節では、特定の量子状態と測定方向を選ぶことで、CHSH 量が \(2\sqrt2\) に到達することを示した。しかし、量子理論でこの値が一般的な上限となることは、別に証明する必要がある。特定の例がある値を達成することと、どの状態や測定設定でもその値を超えないことは、異なる主張だからである。

そこで、二つの測定場所に対応する観測量を演算子として表す。左側の観測量を \(A_0,A_1\)、右側の観測量を \(B_0,B_1\) とする。ここでは、それぞれが自己随伴演算子であり、測定結果として \(+1\) と \(-1\) を取ると仮定する。

\[
\begin{aligned}
A_i^\dagger&=A_i,\\
B_j^\dagger&=B_j,\\
A_i^2&=I_A,\\
B_j^2&=I_B.
\end{aligned}
\]

ここで \(I_A,I_B\) はそれぞれ左側と右側の部分系の恒等演算子である。各観測量の二乗が恒等演算子になるのは、固有値が \(\pm1\) であるためである。

複合系のヒルベルト空間は、二つの部分系のテンソル積によって構成する。左側の観測量は左側の部分系へ作用し、右側の観測量は右側の部分系へ作用する。そのため、異なる場所の観測量は互いに可換である。

\[
[A_i\otimes I_B,\,
I_A\otimes B_j]=0
\]

この関係は、同じ場所にある \(A_0,A_1\) が可換であることや、\(B_0,B_1\) が可換であることを要求しない。左側と右側の演算子が異なるテンソル因子へ作用するという数学的な構造から成立する。

CHSH 量を量子状態に対する期待値として表すため、CHSH 演算子を次のように定義する。

\[
\widehat{\mathcal B}
=
A_0\otimes(B_0+B_1)
+
A_1\otimes(B_0-B_1)
\]

ここで \(\widehat{\mathcal B}\) は CHSH 演算子である。複合系の密度演算子を \(\rho_{AB}\) とすると、対応する CHSH 量は次の期待値として計算できる。

\[
S
=
\operatorname{Tr}
\left(
\rho_{AB}\widehat{\mathcal B}
\right)
\]

量子理論で達成できる CHSH 量の一般的な上限を求めるには、まず CHSH 演算子の二乗を計算する。記述を簡単にするため、右側の二つの観測量の和と差を次のように置く。

\[
C=B_0+B_1,
\qquad
D=B_0-B_1
\]

このとき、CHSH 演算子は \(A_0\otimes C+A_1\otimes D\) と書ける。二乗を展開すると、次の四つの項が得られる。

\[
\begin{aligned}
\widehat{\mathcal B}^{\,2}
&=A_0^2\otimes C^2
+A_1^2\otimes D^2\\
&\quad+A_0A_1\otimes CD
+A_1A_0\otimes DC.
\end{aligned}
\]

各観測量の二乗が恒等演算子になることを利用すると、右側の和と差について次の関係が成立する。

\[
\begin{aligned}
C^2+D^2
&=(B_0+B_1)^2+(B_0-B_1)^2\\
&=2B_0^2+2B_1^2\\
&=4I_B.
\end{aligned}
\]

また、和と差の積を計算すると、交換子が現れる。

\[
\begin{aligned}
CD
&=(B_0+B_1)(B_0-B_1)\\
&=B_0^2-B_0B_1+B_1B_0-B_1^2\\
&=-[B_0,B_1].
\end{aligned}
\]

同様に、逆順の積は次のようになる。

\[
DC=[B_0,B_1]
\]

ここで \([B_0,B_1]=B_0B_1-B_1B_0\) は、右側の二つの観測量の交換子である。これらを CHSH 演算子の二乗へ代入すると、次の恒等式が得られる。

\[
\widehat{\mathcal B}^{\,2}
=
4I_{AB}
–
[A_0,A_1]\otimes[B_0,B_1]
\]

ここで \(I_{AB}=I_A\otimes I_B\) は複合系の恒等演算子である。この恒等式では、CHSH 演算子の二乗が恒等演算子の項と、左右それぞれの局所観測量の交換子の積によって表されている。

演算子の大きさを評価するため、演算子ノルム \(\|M\|\) を用いる。自己随伴演算子について、演算子ノルムは固有値の絶対値の最大値に対応する。各観測量の固有値は \(\pm1\) なので、次の関係が成立する。

\[
\|A_i\|=\|B_j\|=1
\]

交換子のノルムは、積のノルムに対する上限と三角不等式から評価できる。

\[
\begin{aligned}
\|[A_0,A_1]\|
&=\|A_0A_1-A_1A_0\|\\
&\leq\|A_0A_1\|+\|A_1A_0\|\\
&\leq2.
\end{aligned}
\]

同様に、右側の観測量についても次の上限が成立する。

\[
\|[B_0,B_1]\|\leq2
\]

この結果を CHSH 演算子の二乗の恒等式へ適用する。テンソル積のノルムについて \(\|M\otimes N\|=\|M\|\|N\|\) が成立するため、次の不等式を得る。

\[
\begin{aligned}
\|\widehat{\mathcal B}^{\,2}\|
&\leq
4+
\|[A_0,A_1]\|
\|[B_0,B_1]\|\\
&\leq4+2\cdot2\\
&=8.
\end{aligned}
\]

CHSH 演算子は自己随伴なので、その二乗のノルムは元の演算子のノルムの二乗に等しい。

\[
\|\widehat{\mathcal B}\|^2
=
\|\widehat{\mathcal B}^{\,2}\|
\leq8
\]

したがって、CHSH 演算子のノルムには次の上限が成立する。

\[
\|\widehat{\mathcal B}\|
\leq2\sqrt2
\]

任意の密度演算子に対して、自己随伴演算子の期待値の絶対値は、その演算子ノルムを超えない。そのため、任意の量子状態について次の不等式が得られる。

\[
\left|
\operatorname{Tr}
\left(
\rho_{AB}\widehat{\mathcal B}
\right)
\right|
\leq2\sqrt2
\]

すなわち、量子理論の CHSH 量は次の上限を持つ。

\[
|S|\leq2\sqrt2
\]

これはツィレルソン境界と呼ばれる。前節で、一重項状態と特定の測定方向を選べば \(|S|=2\sqrt2\) を達成できることを示した。したがって、この値は単なる上限評価ではなく、量子理論で実際に到達可能な最大値である。

CHSH 演算子の二乗に現れる交換子の積は、量子理論で古典的上限を超えるための演算子構造を明確にしている。例えば、左側の二つの観測量が可換であれば \([A_0,A_1]=0\) となり、上の恒等式から \(\widehat{\mathcal B}^{\,2}=4I_{AB}\) が得られる。この場合、CHSH 演算子のノルムは \(2\) となり、量子的な上限超過は生じない。

右側の二つの観測量が可換である場合にも、同じ結論が得られる。したがって、この二値射影観測量の設定では、古典的上限を超えるために、左右それぞれの局所観測量の非可換性が必要になる。

ただし、左右の局所観測量が非可換であることだけで、任意の状態においてベル不等式違反が生じるわけではない。CHSH 量は、演算子だけでなく、状態 \(\rho_{AB}\) に対する期待値として定まる。非可換な観測量を選んでも、状態や測定方向の組合せによっては \(|S|\leq2\) になる。

また、エンタングルメントの存在とベル不等式の違反も異なる条件である。エンタングルした状態が存在していても、測定設定によっては違反が観測されない。さらに、混合されたエンタングル状態の中には、CHSH 不等式の違反を示さないものもある。そのため、エンタングルメントの判定と、局所的隠れ変数モデルに対するベル不等式の検証は、区別して扱う必要がある。

この導出で明らかになったのは、量子理論の相関が、単なる確率の規格化だけではなく、複合系のテンソル積、自己随伴な二値観測量、局所観測量の交換子によって制約されていることである。こうした演算子構造を具体的に設定することで、古典的な局所モデルとの定量的な予測差を導くことができる。

6.6 実験が示すことと示さないこと

ベル不等式の理論的な違反を確認するには、離れた二つの測定装置で複数の測定設定を実際に選び、得られた結果の相関を計算する必要がある。理論上の予測値が古典的上限を超えることと、実験でその上限を統計的に有意に超えたと判断できることは別の問題である。

実験では、発生源から二つの粒子を準備し、それぞれの測定装置へ送る。各装置では複数の測定設定から一つを選択し、測定結果を記録する。両方の装置の記録を照合して四つの測定設定の組に対する相関を推定し、CHSH 量を計算する。

このとき、局所的隠れ変数モデルによる代替説明を制約するためには、測定装置間の信号伝達、測定結果の検出、設定の選択などについて実験条件を管理する必要がある。例えば、一方の測定設定が他方の結果へ通常の通信によって影響できるなら、局所的因子化の仮定を直接検証する実験としては不十分になる。

また、測定対象の一部しか検出できない場合にも問題が生じる。検出された試行だけを集計し、その集団がすべての試行を代表していると仮定すると、検出のされやすさが隠れ変数や測定設定に依存するモデルを排除できない場合がある。この問題は検出の抜け穴と呼ばれる。

測定設定の独立性についても、実験上の配慮が必要になる。例えば、測定設定の選択が発生源での隠れ変数と関連している場合、四つの設定に対して同じ隠れ変数分布を使用するという前提が成立しなくなる。そのため、測定設定を迅速に選択し、設定の生成過程と粒子の発生過程の独立性について、実験設計上の制約を加える。

Hensen らは、約 \(1.3\) キロメートル離れた電子スピンを用い、主要な実験上の抜け穴を同時に抑制したベル不等式の検証を報告した[5]。この実験では、離れた電子スピン間のエンタングルメントを生成し、それぞれの測定結果から CHSH 量を推定している。

この研究が直接検証しているのは、二つの物理的な量子系について、局所的隠れ変数モデルの相関制約が成立するかという問題である。測定設定と結果に対応する物理的な装置、試行、検出記録があり、それらからベル不等式の値を計算している。

そのため、ベル不等式違反の実験結果は、量子理論の物理的な必要性を検討するうえで重要な根拠となる。一方、人間の判断に質問順序効果が存在するという事実とは、検証対象が異なる。認知実験では、先に提示した質問が注意や記憶を変更し、その結果として後続の回答へ影響する場合がある。このような影響は、時間的に連続した古典的な状態更新によっても表現できる。

ベル実験で用いる局所性の条件は、空間的に離れた二つの測定場所に関する条件である。人間が一つの質問に答えた後で別の質問に答える場合、二つの回答は同じ主体の内部で時間的に連続して生成される。そのため、先行質問から後続質問への情報伝達や状態更新が存在することは、実験条件上、自然に許容される。

したがって、認知実験に CHSH 型の数式を適用する場合には、何を二つの部分系と呼び、どのような測定設定を区別し、どの局所性または文脈性の仮定を置くかを定義する必要がある。数式の形が一致することと、その数式の古典的上限を導いた物理的な仮定が成立することは、同じ条件ではない。

ベル不等式違反の実験的な意義を認知の議論へ接続する際には、物理的な量子相関の証拠と、量子確率モデルによる判断データの説明を分離する必要がある。前者は、空間的に分離された物理系の相関について、特定の局所モデルの限界を示す。後者は、質問や判断をどの数学的なモデルで記述するかという問題であり、比較対象となる古典モデルと実験条件を別に定める必要がある。

6.7 実験の数値と統計的な判断

Hensen らの実験では、約 \(1.3\) キロメートル離れた電子スピンを用い、245 試行から CHSH 量を評価した。その結果、次の値が報告されている[5]。

\[
S=2.42\pm0.20
\]

ここで \(S\) は四つの測定設定に対応する相関から計算した CHSH 量であり、\(2.42\) は実験で推定された値である。添えられた \(\pm0.20\) は、有限の実験データに伴う推定の不確実性を表している。

局所的隠れ変数モデルでは、前述の仮定のもとで CHSH 量の絶対値は \(2\) 以下になる。一方、この実験で報告された中心値は \(2.42\) であり、古典的上限を \(0.42\) 超えている。

\[
2.42-2=0.42
\]

量子力学の一般的な上限は \(2\sqrt2\approx2.828\) なので、観測された中心値は、古典的上限と量子上限の間に位置している。実験で理論上の最大値が得られるとは限らず、測定装置の不完全性や量子状態の準備に伴う誤差などによって、実際の相関は理想的な予測より小さくなり得る。

ただし、中心値が古典的上限を超えていることだけで、統計的な結論を確定することはできない。試行数が有限であれば、局所的隠れ変数モデルが成立していたとしても、観測値が統計的な揺らぎによって上限を超えたように見える可能性がある。そのため、実験データに対する帰無仮説検定が必要になる。

Hensen らは、局所実在論的モデルを帰無仮説として扱い、装置の試行間の記憶効果を許容した統計解析を行った。その結果、観測された違反以上の値が得られる確率について、次の上限を報告している[5]。

\[
p\leq0.039
\]

この \(p\) 値は、実験で検討した局所実在論的な帰無仮説が成立する場合に、観測されたもの以上の違反が生じる確率についての評価である。量子力学が正しい確率を直接表しているわけではなく、局所実在論的モデルが正しい確率を \(3.9\%\) と評価したものでもない。

また、\(S=2.42\pm0.20\) という推定結果から、単純に正規分布の標準偏差だけを用いて \(p\) 値を再計算することも適切とは限らない。ベル実験では、各試行の設定選択、検出条件、試行間の依存関係などを考慮する必要がある。報告された \(p\) 値は、そのような実験条件を組み込んだ統計的な評価に対応している。

245 試行という件数も、通常の装置操作を 245 回行ったというだけの意味ではない。この実験では、離れた電子スピンのエンタングルメント生成に成功したことを通知する事象に対応して、ベル不等式の評価に利用する試行を定義している。エンタングルメント生成の試行と、CHSH 量の推定に使用した有効な試行を区別する必要がある。

ベル実験における抜け穴の検討は、複数の仮定をそれぞれどの程度制約できるかという問題である。例えば、二つの測定装置の距離と測定の時間的な関係を調整することで、一方の設定選択に関する情報が、光速以下の信号として他方へ到達して結果を変更する可能性を制約できる。また、測定対象の検出を条件とした試行選別について適切な実験設計を行うことで、検出の抜け穴を抑制できる。

しかし、主要な抜け穴を抑制した実験であっても、あらゆる論理的な代替仮説を無条件に排除するものではない。測定設定の独立性を全面的に放棄するモデルや、通常の局所性の仮定を変更するモデルについては、別の理論的な条件が必要になる。実験結果が制約する範囲は、実験設計と統計解析で明示された仮定に対応する。

この実験から得られる結論は、明示された局所性、設定の独立性、結果の記録に関する条件のもとで、局所的隠れ変数モデルの CHSH 制約を超える物理的な相関が観測されたということである。量子理論は、エンタングル状態と非可換な局所測定演算子によって、こうした相関を予測する。

この結論を思考の問題へ適用する場合には、認知実験で観測する確率変数と、ベル実験で観測する物理的な測定結果の関係を明確にする必要がある。例えば、二つの質問の回答が順序によって変化したとしても、その現象は先行質問による内部状態の更新を含むため、空間的に離れた測定系の局所性を検証したことにはならない。

また、量子認知モデルが人間の回答分布へ良好に適合した場合にも、そのモデルが実際の神経系のどの量子自由度に対応するかは、行動データだけでは特定できない。量子確率モデルの数学的な説明能力と、脳内における量子機構の物理的な存在を区別する必要がある。

ベル不等式の導出と実験によって、量子理論に固有の相関を評価するためには、状態、測定設定、結果、隠れ変数、局所性、設定の独立性を具体的に定義し、それらの仮定から導かれる上限を実験で検証する必要があることが明らかになった。思考と量子力学の間に構造的な類似性が存在するという主張についても、量子確率の必要性まで導くには、対応する数学的な制約と観測可能な予測差を示す必要がある。


7. 操作的な公理から量子理論の構造を導く

7.1 確率理論を操作から記述する

古典確率と量子確率の違いを検討する場合、最初からヒルベルト空間、複素確率振幅、ユニタリー演算子を仮定すると、量子理論に固有の数学的構造を出発点へ含めることになる。そのような定式化は量子系の予測を計算するためには有効であるが、なぜその数学的構造が必要になるのかという問いには直接答えない。量子理論の必然性を考えるには、より一般的な確率理論から出発し、どの条件を追加すると量子理論の形式が得られるかを調べる方法がある。

この目的で用いられるのが、操作的確率理論の枠組みである。操作的とは、実験者がどのような系を準備し、どのような変換を加え、何を測定し、どの結果がどの確率で得られるかを基本単位として理論を構成することを意味する。準備、変換、測定を組み合わせた実験の確率を定めることから出発するため、最初に状態ベクトルや行列の具体的な形式を指定する必要はない。

例えば、二つの結果を返す測定装置を考える。実験者は装置へ入力する系の準備方法を変更でき、測定方法も複数の候補から選べる。このとき、準備方法と測定方法の組合せごとに結果確率を測定できる。操作的確率理論では、こうした確率の関係を出発点とし、異なる準備や測定をどのように区別するか、操作を連続または並列に組み合わせたときにどの条件を満たすかを定義する。

Chiribella、D’Ariano、Perinotti は、操作的確率理論の枠組みで、因果性、完全識別可能性、理想的圧縮、局所識別可能性、純粋条件付けという五つの基本公理に、純化原理を追加することから、有限次元の量子理論を導出した[6]。この研究では、古典的な確率理論も満たす五つの公理によって情報処理理論の広いクラスを定め、純化原理によって量子理論を特徴づけている。

この区別は、思考と量子力学の関係を検証する際にも重要になる。例えば、思考には複数の仮説を区別する能力があり、記憶を圧縮して保持する能力もある。しかし、「区別できる」「圧縮できる」という自然言語の表現と、操作的確率理論の公理が要求する数学的な条件は一致するとは限らない。公理がすべての許された状態や操作について成立するという主張には、個別の認知現象が存在するという事実より強い根拠が必要になる。

操作的再構成の意義は、量子力学に似た現象を列挙することではなく、量子理論を特徴づけるために必要な条件を明示できる点にある。ある認知モデルへ同じ数学的形式を適用する場合にも、その形式が計算上有用であるという主張と、その形式が認知過程から必然的に導かれるという主張を区別できる。

7.2 操作的確率理論の状態と測定

操作的確率理論では、状態を、許された測定によってどのような確率が得られるかを指定する対象として定義する。例えば、ある準備方法によって得られた系に対し、測定 A では結果 \(0\) が確率 \(0.8\)、測定 B では結果 \(1\) が確率 \(0.3\) で得られるとする。これらの確率は、その準備方法について外部から確認できる性質である。

二つの準備方法が、許されたすべての測定について同じ結果確率を与えるなら、操作的には区別できない。同じ内部機構によって準備されたかどうかではなく、実験によって識別できる差があるかどうかを基準として状態を扱う。この方法では、観測される確率を基準に状態の同一性を定義する。

状態を \(\omega\)、測定の特定の結果に対応する効果を \(e\) とする。効果とは、状態を与えたときに対応する結果の確率を返す数学的な対象である。その結果確率を次のように表す。

\[
p=e(\omega),
\qquad
0\leq e(\omega)\leq1
\]

ここで \(\omega\) は準備された状態、\(e\) は測定結果に対応する効果である。値 \(e(\omega)\) は、状態 \(\omega\) に対してその測定結果が得られる確率を表す。量子理論では密度演算子と測定演算子によって同様の確率を計算できるが、操作的確率理論の段階では、その具体的な行列表現を仮定する必要はない。

複数の測定結果を区別する測定を考える場合には、それぞれの結果に対応する効果を組として定義する。測定結果を \(1,2,\ldots,m\) とし、対応する効果を \(e_1,e_2,\ldots,e_m\) とすると、完備な測定では確率の和が \(1\) になる。

\[
\sum_{i=1}^{m}e_i(\omega)=1
\]

この関係がすべての正規化された状態について成立する場合、効果の和を決定的効果と呼ぶことができる。決定的効果は、個々の結果を区別せず、測定を行えば結果のいずれかが得られるという全確率を表す。

準備方法には確率的な混合も許される。例えば、確率 \(\lambda\) で状態 \(\omega_1\) を準備し、残りの確率で状態 \(\omega_2\) を準備する。この準備を一つの状態として表すと、次のようになる。

\[
\omega
=
\lambda\omega_1+(1-\lambda)\omega_2,
\qquad
0\leq\lambda\leq1
\]

ここで \(\lambda\) は状態 \(\omega_1\) を準備する確率であり、\(1-\lambda\) は状態 \(\omega_2\) を準備する確率である。この状態について測定結果が得られる確率は、二つの準備方法についての確率を混合比率で重みづけした値になる。

\[
e(\omega)
=
\lambda e(\omega_1)
+
(1-\lambda)e(\omega_2)
\]

例えば、準備方法 1 では結果 A が確率 \(0.8\)、準備方法 2 では確率 \(0.2\) で得られるとする。二つの準備方法を半分ずつ選ぶなら、結果 A の確率は \(0.5\) になる。

\[
\begin{aligned}
e(\omega)
&=0.5\cdot0.8+0.5\cdot0.2\\
&=0.5.
\end{aligned}
\]

この性質によって、状態の集合は凸構造を持つ。凸構造とは、二つの許された状態を任意の非負の比率で確率混合した場合にも、その結果が許された状態として含まれるという性質である。

凸集合の内部にある状態は、複数の状態の確率混合として表せる場合がある。一方、その集合の極点は、異なる二つの状態の非自明な確率混合として表せない。操作的確率理論では、このような極点に対応する状態を純粋状態と呼ぶ。

例えば、古典的な二値確率分布の状態空間は、次のように表せる。

\[
\omega=(p,1-p),
\qquad
0\leq p\leq1
\]

この状態空間は、二つの端点 \((1,0)\) と \((0,1)\) を結ぶ線分になる。二つの端点が純粋状態であり、線分の内部にある状態は端点の混合として表せる。

一方、量子ビットの状態空間は、密度演算子を用いて表すと、三次元のブロッホ球として記述できる。球面上の状態が純粋状態に対応し、内部の状態が混合状態に対応する。古典的な二値確率分布と量子ビットは、どちらも純粋状態と混合状態を持つが、その状態空間の幾何学的な構造が異なる。

また、操作的確率理論では、状態を準備して測定するだけでなく、準備と測定の間に変換を加えることもできる。変換を \(\mathcal T\) とすると、状態 \(\omega\) が \(\mathcal T(\omega)\) へ変更され、その後の測定結果の確率は次のように表される。

\[
p=e(\mathcal T(\omega))
\]

例えば、故障診断における追加検査によって内部状態の推定が更新され、その更新後の状態に対して判断を行う場合、状態更新と判断の観測を連続した操作として表現できる。この段階では、状態更新が古典的な確率遷移なのか、量子演算子による変換なのかは指定されていない。

準備、変換、測定を同じ操作的な言語で表現できることは、理論を比較するための共通基盤になる。しかし、この共通基盤だけでは、古典確率と量子確率のどちらを採用すべきかは決まらない。状態空間の構造や複合系の性質を制約する追加の公理が必要になる。

7.3 因果性と完全識別可能性

操作的確率理論における最初の基本公理は因果性である。ここでいう因果性は、ある時点の準備に関する結果確率が、その後にどの測定を実行するかによって変化しないという条件を表す。日常的な意味での「ある出来事が別の出来事を引き起こす」という関係よりも、実験操作の時間順序と確率の整合性について具体的な条件を課している。

例えば、実験者が確率的に二種類の準備方法を選び、その後に測定 A または測定 B を実行するとする。準備方法の選択結果を \(r\)、後続の測定方法を \(m\) とすると、因果性の公理は次の関係を要求する。

\[
P(r\mid m)=P(r)
\]

ここで \(r\) は既に実行された準備操作の結果、\(m\) はその後に選ぶ測定方法である。未来の測定選択によって、過去に行われた準備操作の結果確率が変更されないことを表している。

操作的確率理論の形式では、この条件は各系について決定的効果が一意に定まることと結びつく。決定的効果を \(u\) とすると、正規化された任意の状態について次の関係が成立する。

\[
u(\omega)=1
\]

量子理論では、決定的効果は密度演算子のトレースに対応する。正規化された密度演算子 \(\rho\) について、\(\operatorname{Tr}(\rho)=1\) である。古典確率でも、確率分布の全成分の和が \(1\) になるため、同様の規格化が成立する。

したがって、因果性の公理は量子理論だけに固有の条件ではない。古典確率と量子確率の双方が満たす、時間順序に関する基本的な確率の整合条件として位置づけられる。

二番目の基本公理は完全識別可能性である。これは、状態を測定によってどの程度区別できるかという問題を扱う。

二つの状態 \(\omega_1,\omega_2\) が完全に識別可能であるとは、ある測定によって、その二つの状態のどちらが準備されたかを誤りなく区別できることを意味する。例えば、二つの結果に対応する効果を \(e_1,e_2\) とすると、次の条件を満たす測定が存在する場合、二つの状態を完全に識別できる。

\[
\begin{aligned}
e_1(\omega_1)&=1,\\
e_1(\omega_2)&=0,\\
e_2(\omega_1)&=0,\\
e_2(\omega_2)&=1.
\end{aligned}
\]

この式では、状態 \(\omega_1\) が準備された場合には結果 1 が確率 \(1\) で得られ、状態 \(\omega_2\) が準備された場合には結果 2 が確率 \(1\) で得られる。測定結果を確認すれば、準備された状態を一意に判定できる。

古典的な二値確率分布の純粋状態 \((1,0)\) と \((0,1)\) は、二値変数を読み取ることで完全に区別できる。量子ビットでも、互いに直交する状態 \(|0\rangle\) と \(|1\rangle\) は、対応する基底で測定すれば完全に区別できる。

一方、異なる二つの量子純粋状態が常に完全に識別できるわけではない。例えば、\(|0\rangle\) と \(|+\rangle\) は異なる状態だが、互いに直交していないため、一回の測定で必ず正しく区別できる測定は存在しない。

\[
|\langle0|+\rangle|^2=\frac12
\]

この内積の絶対値二乗は、二つの状態が直交していないことを示している。したがって、完全識別可能性の公理は、任意の異なる二状態を完全に識別できることを要求するものではない。

Chiribella らの公理は、完全混合でない状態について、その状態と完全に識別可能な別の状態が少なくとも一つ存在することを要求する。ここで完全混合とは、状態空間において最大限の混合を許す状態という操作的な意味であり、量子理論では密度演算子が全階数を持つ場合に対応する。

例えば、三準位量子系で次の密度演算子を考える。

\[
\rho=
\begin{pmatrix}
0.7&0&0\\
0&0.3&0\\
0&0&0
\end{pmatrix}
\]

この状態は第三の基底状態 \(|2\rangle\) に対応する成分を持たない。そこで、別の状態として \(|2\rangle\langle2|\) を準備する。元の状態は \(|0\rangle,|1\rangle\) の部分空間に支持を持ち、もう一方の状態は \(|2\rangle\) の部分空間に支持を持つため、両者を完全に識別できる。

具体的には、第三の基底状態に対応する射影演算子 \(P_2=|2\rangle\langle2|\) を使う。元の状態では結果 2 が得られる確率がゼロであり、\(|2\rangle\langle2|\) では確率 \(1\) になる。

\[
\begin{aligned}
\operatorname{Tr}(P_2\rho)&=0,\\
\operatorname{Tr}(P_2|2\rangle\langle2|)&=1.
\end{aligned}
\]

この例では、完全混合でない状態に対して、完全に識別可能な別の状態を具体的に構成できた。

一方、三つの固有値がすべて正である密度演算子では、状態の支持が全ヒルベルト空間に広がっている。その場合、別の正規化された状態と支持が完全に直交するような測定結果を構成することはできない。完全混合性の違いが、完全識別可能な別の状態が存在するかという条件に関係している。

思考における仮説の識別能力と、この公理との間には、定義する対象の違いがある。例えば、故障原因の二つの候補を追加検査によって区別できたとしても、任意の認知状態について完全識別可能性の公理が成立することを示したわけではない。操作的な公理として適用するには、認知状態の集合、許された質問や検査、完全識別の判定条件を定義する必要がある。

7.4 理想的圧縮と局所識別可能性

三番目の基本公理である理想的圧縮は、情報を失わずに状態の表現をより小さな系へ移すことができるかという問題を扱う。例えば、ある情報源が三準位の系を用いていても、実際に準備される状態が二次元の部分空間に限られているなら、三準位すべてを保持する必要はない可能性がある。

この条件を具体的に考えるため、三準位量子系の密度演算子を次のように設定する。

\[
\rho=
\begin{pmatrix}
0.7&0&0\\
0&0.3&0\\
0&0&0
\end{pmatrix}
\]

この状態の階数は \(2\) であり、第三の基底状態には支持を持たない。そのため、この状態の支持に含まれる情報を保持する場合には、\(|0\rangle,|1\rangle\) が張る二次元部分空間を利用できる。

圧縮先の二次元状態空間を考え、元の状態の支持部分を取り出す符号化を \(\mathcal E\)、二次元の状態を元の三次元空間へ埋め戻す復号を \(\mathcal D\) とする。情報を失わずに圧縮できるなら、対象となる状態集合について次の関係を満たす。

\[
\mathcal D(\mathcal E(\sigma))=\sigma
\]

ここで \(\sigma\) は圧縮の対象となる状態である。この関係は、符号化した後で復号すると、元の状態が完全に復元されることを意味する。

理想的圧縮では、損失がないことに加えて、圧縮先が対象となる情報を表現するために過剰な自由度を持たないことが求められる。例えば、三準位の状態のうち二次元の部分空間だけが利用される場合、その部分空間に支持を持つ状態を二準位系へ符号化できれば、不要な第三の自由度を使わずに情報を保持できる。

ただし、情報源が生成する状態を単に一つ復元できることと、その状態の支持に対応するすべての状態を損失なく扱えることは異なる。理想的圧縮の公理では、対象となる状態集合の構造と、それを過不足なく表現する圧縮先の状態空間の関係が重要になる。

この原理は古典的な確率理論でも成立する。例えば、四つの値を取れる記録媒体であっても、実際に利用する値が二種類だけであれば、二値の記録媒体へ損失なく符号化できる。したがって、情報を圧縮できること自体は量子理論に固有ではない。

四番目の基本公理である局所識別可能性は、複数の系を組み合わせた場合の状態の識別に関する条件である。二つの部分系 A と B を組み合わせた複合系について、異なる二つの状態を局所測定の統計から識別できるかを考える。

複合系の二つの状態を \(\omega_{AB}\) と \(\sigma_{AB}\) とする。局所識別可能性は、二つの状態が異なる場合、部分系 A に対する効果 \(e_A\) と部分系 B に対する効果 \(f_B\) の組合せによって、少なくとも一つの結果確率の違いを検出できることを要求する。

\[
\omega_{AB}\neq\sigma_{AB}
\Longrightarrow
\exists\,e_A,f_B:
(e_A\otimes f_B)(\omega_{AB})
\neq
(e_A\otimes f_B)(\sigma_{AB})
\]

ここで \(\otimes\) は局所操作の組合せを表す。重要なのは、複合系全体へ特別な測定を行わなくても、部分系ごとの測定結果の統計を十分に集めることで、異なる複合状態を区別できるという条件である。

この性質を局所トモグラフィーともいう。トモグラフィーとは、さまざまな測定結果の確率から状態を再構成することである。局所トモグラフィーが成立する場合、複合系の状態を識別するために必要な情報を、局所測定の組合せによって取得できる。

例えば、通常の複素ヒルベルト空間を用いる量子理論では、\(d\) 次元の量子系の密度演算子は、\(d\times d\) のエルミート行列として表される。エルミート行列全体の実ベクトル空間の次元は \(d^2\) である。

\[
D(d)=d^2
\]

ここで \(D(d)\) は、トレースによる規格化条件を課す前の状態表現に対応する実ベクトル空間の次元を表す。規格化された密度演算子の自由度は、トレースが \(1\) である条件を課すため、一般に \(d^2-1\) になる。

二つの系 A、B のヒルベルト空間の次元をそれぞれ \(d_A,d_B\) とすると、複合系のヒルベルト空間の次元は \(d_Ad_B\) になる。そのため、複合系のエルミート演算子空間の次元は次のようになる。

\[
\begin{aligned}
D_{AB}
&=(d_Ad_B)^2\\
&=d_A^2d_B^2\\
&=D_A D_B.
\end{aligned}
\]

この関係は、複合系の状態を記述するための実ベクトル空間が、局所系の状態空間の次元の積によって特徴づけられることを示している。十分な数の局所測定の組合せを用いれば、複合状態の密度演算子を再構成できる。

一方、実数ヒルベルト空間を用いる量子理論では、状態を実対称行列として表す。実対称な \(d\times d\) 行列の独立した成分数は、対角成分 \(d\) 個と非対角成分 \(d(d-1)/2\) 個の合計になる。

\[
D_{\mathbb R}(d)
=
\frac{d(d+1)}2
\]

例えば、実数の二準位系では \(D_{\mathbb R}(2)=3\) である。二つの二準位系を組み合わせると、複合系は四次元の実ヒルベルト空間で記述されるため、その実対称行列空間の次元は \(D_{\mathbb R}(4)=10\) になる。

\[
\begin{aligned}
D_{\mathbb R}(2)D_{\mathbb R}(2)&=3\cdot3=9,\\
D_{\mathbb R}(4)&=10.
\end{aligned}
\]

この例では、局所系の状態表現の次元の積が \(9\) であるのに対し、複合系の状態表現には \(10\) 個の実自由度がある。局所測定の組合せだけでは、複合状態に含まれるすべての自由度を識別するには不足する。

局所識別可能性は、単に「部分を観察すれば全体を理解できる」という一般的な主張ではない。複合状態のすべての違いを、局所測定の統計によって区別できるという数学的な条件である。この条件は、古典確率と通常の複素量子理論では成立するが、実数ヒルベルト空間による量子理論では一般に成立しない。

思考のモデルへこの公理を適用する場合には、複数の認知系をどのように合成するか、局所測定に相当する質問や観測をどのように定義するかが必要になる。個人の内部状態を一つの確率分布で表現できることだけでは、複数の認知系の合成則や局所識別可能性は定まらない。

7.5 純化原理が加える条件

操作的再構成で量子理論の特徴を明確にするうえで、純化原理は中心的な役割を持つ。純化とは、混合状態を、より大きな複合系の純粋状態の一部分として表すことである。

例えば、ある量子ビットを単独で測定すると、結果 \(0\) と結果 \(1\) がそれぞれ半分の確率で得られるとする。この量子ビットの状態は、最大混合状態として表せる。

\[
\rho_A=\frac{I_A}{2}
\]

ここで \(I_A\) は量子ビット A の二次元ヒルベルト空間上の恒等演算子である。この状態は純粋状態ではなく、二つの基底状態の確率混合として表すことができる。

\[
\rho_A
=
\frac12|0\rangle\langle0|
+
\frac12|1\rangle\langle1|
\]

一方、量子ビット A に補助系 B を追加し、二つの量子ビットを次のベル状態へ準備する。

\[
|\Phi^+\rangle
=
\frac{|00\rangle+|11\rangle}{\sqrt2}
\]

この状態は、二つの量子ビットを合わせた複合系 AB の純粋状態である。全体の密度演算子は、状態ベクトルとその随伴の積として表せる。

\[
\rho_{AB}
=
|\Phi^+\rangle\langle\Phi^+|
\]

量子ビット A だけの状態を得るには、補助系 B について部分トレースを取る。部分トレースとは、複合状態から一方の部分系についての測定統計を取り出す操作である。

\[
\rho_A
=
\operatorname{Tr}_B(\rho_{AB})
\]

ベル状態の密度演算子を展開すると、次のようになる。

\[
\begin{aligned}
\rho_{AB}
=\frac12\bigl(
&|00\rangle\langle00|
+|00\rangle\langle11|\\
&+|11\rangle\langle00|
+|11\rangle\langle11|
\bigr).
\end{aligned}
\]

補助系 B について部分トレースを取ると、B 側の異なる基底状態を結びつける項は消え、A 側の二つの基底状態に対応する項が残る。

\[
\begin{aligned}
\operatorname{Tr}_B(\rho_{AB})
&=\frac12|0\rangle\langle0|
+\frac12|1\rangle\langle1|\\
&=\frac{I_A}{2}.
\end{aligned}
\]

この計算から、量子ビット A だけを見ると混合状態であっても、補助系 B を含めた全体は純粋状態として表せることが分かる。部分系に関する不確実性と、複合系全体について純粋状態が成立することが両立している。

純化原理は、このような構成を特定の混合状態について許すだけではない。任意の状態について純化が存在することを要求する。さらに、同じ状態の純化を同じ補助系上で比較すると、それらが補助系側の可逆な変換によって結びつくという本質的一意性も含む。

この条件を、量子理論の具体的な演算で表す。状態 \(\rho_A\) の二つの純化を \(|\Psi\rangle_{AB}\)、\(|\Phi\rangle_{AB}\) とし、どちらも A 側へ部分トレースした結果が \(\rho_A\) になるとする。

\[
\begin{aligned}
\operatorname{Tr}_B
\left(
|\Psi\rangle\langle\Psi|
\right)
&=\rho_A,\\
\operatorname{Tr}_B
\left(
|\Phi\rangle\langle\Phi|
\right)
&=\rho_A.
\end{aligned}
\]

有限次元の量子理論では、同じ補助系上の二つの純化は、補助系側の適切なユニタリー演算子 \(U_B\) によって結びつけられる。

\[
|\Phi\rangle_{AB}
=
(I_A\otimes U_B)|\Psi\rangle_{AB}
\]

ここで \(I_A\) は A 側の恒等演算子、\(U_B\) は B 側のユニタリー演算子である。この式は、A 側で同じ状態を与える二つの純化が、A 側には作用せず、補助系側だけの可逆な操作によって相互に変換できることを表している。

純化の存在と本質的一意性を組み合わせた条件は、単に混合状態の背後に観測されていない変数があるという説明より強い。未観測の変数を追加することと、任意の混合状態を複合系の純粋状態へ埋め込み、その表現の違いを可逆な補助系操作で結びつけることは、数学的に異なる要請である。

7.6 純粋条件付けと純化原理の役割

五番目の基本公理である純粋条件付けは、複合系の純粋状態に対して一方の部分系で測定を行った場合、他方の部分系へどのような条件付き状態が生じるかを制約する。

ここで、測定には複数の結果が存在し、その結果をまとめて扱う場合がある。例えば、三つの結果を持つ測定で、結果 1 と結果 2 をまとめて一つの結果として記録するなら、詳細な結果情報の一部が失われる。このような操作を測定結果の粗視化という。

純粋条件付けの公理では、これ以上非自明な測定効果の和へ分解できない原子的な効果を考える。原子的な効果による条件付けは、測定結果の粗視化によって生じる追加の混合を含まない。

この公理は、複合系 AB が純粋状態にある場合、一方の部分系 A に原子的な測定効果を適用すると、結果が正の確率で得られた条件のもとで、他方の部分系 B の状態が純粋状態になることを要求する。

具体例として、二つの量子ビットがベル状態にある場合を考える。

\[
|\Phi^+\rangle
=
\frac{|00\rangle+|11\rangle}{\sqrt2}
\]

量子ビット A に対して、基底状態 \(|0\rangle\) に対応する原子的な射影効果を適用する。

\[
P_0=|0\rangle\langle0|
\]

この結果が得られる確率は \(1/2\) である。A 側の結果 \(0\) に条件づけると、B 側には非正規化状態として次の演算子が得られる。

\[
\widetilde\rho_{B\mid0}
=
\frac12|0\rangle\langle0|
\]

ここで波線を付けた \(\widetilde\rho_{B\mid0}\) は、まだトレースが \(1\) に規格化されていない条件付き状態である。そのトレースは、A 側で結果 \(0\) が得られる確率に等しい。

\[
\operatorname{Tr}
\left(
\widetilde\rho_{B\mid0}
\right)
=
\frac12
\]

この状態を結果確率で正規化すると、B 側の状態は次のようになる。

\[
\rho_{B\mid0}
=
\frac{
\widetilde\rho_{B\mid0}
}{
\operatorname{Tr}
\left(
\widetilde\rho_{B\mid0}
\right)
}
=
|0\rangle\langle0|
\]

この条件付き状態は純粋状態である。同様に、A 側で結果 \(1\) が得られた場合には、B 側の条件付き状態は \(|1\rangle\langle1|\) になる。

一方、A 側の測定結果を区別せずにすべてまとめると、B 側の状態は最大混合状態になる。

\[
\rho_B
=
\frac12|0\rangle\langle0|
+
\frac12|1\rangle\langle1|
\]

この違いは、どの測定結果が得られたかという条件付けの情報によって、B 側の状態表現が変わることを示している。原子的な結果に条件づけた場合には純粋状態が得られるが、結果をまとめて扱う場合には混合状態が得られる。

ただし、原子的な効果を適用した場合に純粋条件付けが成立することは、量子理論に固有の性質ではない。古典的な確率理論でも、複合系の純粋状態は各部分系の確定した値の組として表される。そのため、一方の部分系で測定した後も、他方の部分系の状態は確定した純粋状態のままである。

純粋条件付けは、古典確率と量子確率の双方が満たす基本公理である。一方、純化原理は、複合系の純粋状態から混合した周辺状態を生成できることを要求する。二つを組み合わせることで、全体の純粋性と部分系の混合性、さらに測定結果に条件づけた純粋状態の生成が、一つの確率理論の中で結びつく。

Chiribella らの再構成における六つの原理の役割を、次のように整理できる。

原理 操作的な要請 数学的に制約する対象 古典確率との関係
因果性 準備結果の確率が、未来の測定選択に依存しない。 決定的効果の一意性と確率の時間的整合性を制約する。 通常の古典確率理論でも成立する。
完全識別可能性 完全混合でない状態には、完全に識別可能な別の状態が存在する。 状態空間の幾何と、測定によって区別できる状態の関係を制約する。 通常の古典確率理論でも成立する。
理想的圧縮 情報源の状態を損失なく、過不足のない系へ圧縮できる。 状態の支持、符号化、復号、圧縮先の状態空間を制約する。 通常の古典確率理論でも成立する。
局所識別可能性 複合系の異なる状態を、局所測定の統計で識別できる。 複合系の状態空間と局所測定の組合せの関係を制約する。 通常の古典確率理論でも成立する。
純粋条件付け 複合純粋状態の一方へ原子的な測定効果を適用すると、他方へ純粋な条件付き状態が生じる。 純粋状態、測定効果、条件付き状態の関係を制約する。 通常の古典確率理論でも成立する。
純化原理 任意の状態に純化が存在し、同じ補助系上の純化は補助系側の可逆操作で結びつく。 部分系の混合状態と複合系の純粋状態の関係を制約する。 通常の古典確率理論では成立しない。

この表の最初の五つは、古典確率と量子確率の双方を含む広いクラスを定めるための基本公理である。純化原理は、そのクラスの中から量子理論を特徴づけるための追加条件となる。

ここで、六つの原理をそれぞれ独立した日常的な性質へ言い換えるだけでは、再構成の論理を保持できない。例えば、思考には記憶の圧縮があるという事実から理想的圧縮の公理が成立するわけではない。また、判断には不確実性があるという事実から、任意の混合状態が純化可能であることも導かれない。

再構成が成立するためには、状態の準備、変換、測定、複合系の構成について、これらの公理が操作的な意味で一貫して成立する必要がある。各公理は特定の状態や実験だけでなく、理論が許す状態と操作の全体に対する条件として課される。

7.7 古典確率の混合状態と純化原理の対比

純化原理が通常の古典確率理論で成立しない理由を、二つの古典ビットを使って確認する。まず、一つの古典ビット A について、値 \(0\) と値 \(1\) がそれぞれ確率 \(1/2\) で得られる混合状態を考える。

\[
p_A(0)=\frac12,
\qquad
p_A(1)=\frac12
\]

この確率分布は、二つの確定状態を半分ずつ混合したものである。古典的な二値確率分布の純粋状態は、値 \(0\) が確率 \(1\) で得られる状態と、値 \(1\) が確率 \(1\) で得られる状態である。

\[
\delta_0=(1,0),
\qquad
\delta_1=(0,1)
\]

ここで \(\delta_0,\delta_1\) は確定した値に対応する確率分布である。混合状態は次のように表せる。

\[
p_A
=
\frac12\delta_0+\frac12\delta_1
\]

この状態に補助ビット B を追加し、A と B の結合確率分布を考える。例えば、二つのビットが常に同じ値を取る状態を準備する。

\[
\begin{aligned}
p_{AB}(0,0)&=\frac12,\\
p_{AB}(1,1)&=\frac12,\\
p_{AB}(0,1)&=0,\\
p_{AB}(1,0)&=0.
\end{aligned}
\]

この結合分布では、A と B の結果が完全に相関している。A 側の周辺分布を計算すると、値 \(0\) と値 \(1\) がそれぞれ確率 \(1/2\) になる。

\[
p_A(a)=\sum_b p_{AB}(a,b)
\]

したがって、補助系 B を追加することで、A 側の混合状態を古典的な相関を持つ複合系の周辺分布として表現できる。

しかし、この結合分布は複合系全体の純粋状態ではない。結合分布そのものが、二つの確定状態 \((0,0)\) と \((1,1)\) の確率混合として表されるためである。

\[
p_{AB}
=
\frac12\delta_{(0,0)}
+
\frac12\delta_{(1,1)}
\]

古典的な有限状態空間では、純粋状態は一つの複合状態へ確率 \(1\) を割り当てる分布である。例えば、二つのビットの純粋状態 \(\delta_{(0,1)}\) は、A が \(0\)、B が \(1\) である状態を確率 \(1\) で指定する。

そのような純粋な複合状態から A 側の周辺分布を求めると、A の値も確定した分布になる。

\[
\sum_b\delta_{(a_0,b_0)}(a,b)
=
\delta_{a_0}(a)
\]

ここで \((a_0,b_0)\) は複合系の確定した状態である。右辺の \(\delta_{a_0}\) は、A が値 \(a_0\) を確率 \(1\) で取る純粋状態である。

この関係は、古典的な純粋複合状態から得られる周辺状態も純粋状態になることを意味する。したがって、A 側に真の混合状態を得るためには、複合系全体も混合状態として準備する必要がある。

一方、量子理論ではベル状態 \(|\Phi^+\rangle\) が純粋な複合状態でありながら、その一方の量子ビットの縮約状態は最大混合状態になる。

\[
\operatorname{Tr}_B
\left(
|\Phi^+\rangle\langle\Phi^+|
\right)
=
\frac{I_A}{2}
\]

この違いは、古典的な共通原因による相関と、量子エンタングルメントによる相関の構造的な差にも関係している。古典的な結合分布では、全体が純粋であるなら各部分系も確定状態になる。一方、量子理論では、全体が純粋であっても各部分系が混合状態になる場合がある。

純化原理が要求するのは、特定のベル状態が存在することだけではない。任意の混合状態について、そのような純粋複合状態による表現が存在し、さらに純化の違いが補助系側の可逆な操作として結びつくことである。

通常の古典確率では、混合状態の背後に未観測の変数を追加することはできる。しかし、その追加によって複合系全体が純粋状態になり、同じ周辺状態に対応するすべての純化が可逆な補助系操作で結びつくという条件は満たされない。

したがって、「観測されていない情報が存在する」という一般的な説明と、純化原理が要求する数学的な構造は区別される。混合状態の原因を隠れ変数として表現できることから、量子理論の純化原理が成立するとは導けない。

7.8 必要条件と十分条件の区別

操作的な公理から量子理論を再構成する研究では、ある条件の組を満たす理論が、どのような数学的構造を持つかを証明する。ここで重要なのは、量子理論がその条件を満たすという主張と、その条件を満たす理論が量子理論に特徴づけられるという主張を区別することである。

例えば、量子理論が因果性の公理を満たすことから、因果性を満たす理論がすべて量子理論になるとは結論できない。古典確率も因果性を満たすためである。同様に、完全識別可能性、理想的圧縮、局所識別可能性、純粋条件付けの各公理も、それぞれ単独では量子理論を特定しない。

Chiribella らの再構成では、五つの基本公理を満たす操作的確率理論のクラスを考える。そのクラスへ純化原理を追加すると、有限次元の量子理論の構造が導かれる。ここでの結論は、特定の操作的な枠組みと公理の組を前提とした数学的な定理である。

この再構成で必要となる論理的な段階を、状態空間と操作の性質に分けて考える。

第一に、操作的な準備と測定の確率から、状態集合の凸構造を定義する。混合状態と純粋状態は、この凸構造によって区別される。これは古典確率にも量子確率にも共通する。

第二に、完全識別可能性と理想的圧縮などの公理から、状態空間の部分集合、識別可能な純粋状態、圧縮先の系の関係を制約する。例えば、有限個の完全識別可能な純粋状態が存在する場合、その個数に対応する情報的な次元を定義できる。

第三に、純化原理と局所識別可能性などを組み合わせることで、複合系の純粋状態、可逆な変換、状態の識別、測定操作の間に追加の関係が導かれる。純化原理は、混合状態を純粋複合状態の周辺として表すことに加え、同じ周辺状態に対応する純化の本質的一意性を課している。この条件は、状態と変換を結びつける構造を導くうえでも重要になる。

第四に、完全識別可能な純粋状態を二つ持つ系について、その状態空間の構造を導く。Chiribella らの再構成では、こうした二準位系が、複素二次元ヒルベルト空間上の量子ビットとして表現できることが得られる。

量子ビットの密度演算子は、パウリ行列を用いて次のように表せる。

\[
\rho
=
\frac12
\left(
I+r_x\sigma_x+r_y\sigma_y+r_z\sigma_z
\right)
\]

ここで \(r_x,r_y,r_z\) は実数であり、三次元ベクトル \(\mathbf r=(r_x,r_y,r_z)\) の成分である。密度演算子が正値である条件から、次の制約が得られる。

\[
r_x^2+r_y^2+r_z^2\leq1
\]

この条件を満たすベクトルの集合がブロッホ球である。球面上の状態は純粋状態に対応し、球の内部は混合状態に対応する。

この表現は、二準位量子系の状態空間が古典的な二値確率分布の線分より豊かな構造を持つことを示している。古典的な二値確率分布では、一つの確率パラメーターによって状態が決まる。一方、量子ビットでは三つの実成分によって状態を記述し、異なる測定方向に関する確率を計算できる。

ただし、操作的再構成の議論では、最初からブロッホ球やパウリ行列を仮定するわけではない。公理から導かれる状態空間の構造が、最終的にこのような量子力学の表現と一致することが結論になる。

第五に、二準位系について得られた構造を利用し、より高次元の系の状態空間と変換の構造を導く。通常の複素量子理論では、\(d\) 次元の系の状態は、正値でトレースが \(1\) のエルミート行列によって表される。

\[
\rho^\dagger=\rho,
\qquad
\rho\geq0,
\qquad
\operatorname{Tr}(\rho)=1
\]

ここで自己随伴性 \(\rho^\dagger=\rho\) はエルミート性を表し、\(\rho\geq0\) は任意の状態ベクトルについて期待値が非負になるという正値性を表す。トレースが \(1\) であることは、測定結果の確率が規格化される条件に対応する。

純粋状態は階数 \(1\) の密度演算子として表され、混合状態は純粋状態の凸結合として表せる。

\[
\rho
=
\sum_kp_k
|\psi_k\rangle\langle\psi_k|,
\qquad
p_k\geq0,
\qquad
\sum_kp_k=1
\]

この式では、\(|\psi_k\rangle\) は純粋状態を表す状態ベクトル、\(p_k\) は各純粋状態に割り当てる混合確率である。密度演算子のスペクトル分解を利用すれば、互いに直交する純粋状態による分解も可能になる。

さらに、量子理論における測定効果は正値演算子として表される。結果 \(i\) に対応する効果を \(E_i\) とすると、測定結果の確率は次のようになる。

\[
p(i)=\operatorname{Tr}(\rho E_i)
\]

完備な測定では、各効果が正値であり、その和が恒等演算子になる。

\[
E_i\geq0,
\qquad
\sum_iE_i=I
\]

この条件は、一般化された量子測定の確率規則を表している。射影測定は、各 \(E_i\) が射影演算子である特別な場合に対応する。

また、量子系の決定的な状態変換は、完全正値でトレースを保存する線形写像として表される。完全正値性は、対象の系に補助系を追加した場合にも、変換後の複合状態が正値性を保つことを要求する条件である。

このように、状態、測定、変換について量子理論の通常の数学的形式が得られることが、操作的再構成の到達点になる。Chiribella らの論文では、こうした構造を公理から順に導いている。ただし、個々の中間定理の証明には、状態空間の幾何、圧縮、純化、可逆変換、複合系の性質に関する多くの補題が必要である。六つの原理を列挙するだけで、その証明全体が完了するわけではない。

この再構成の結果を、思考と量子力学の接続に適用する場合を考える。思考の状態を確率分布として表し、質問による状態更新や、判断結果の記録をモデル化できたとしても、それだけでは操作的再構成に必要な六つの原理を満たしたことにはならない。

例えば、思考の状態集合に凸構造を定義できることは、認知状態の確率混合を表現するための出発点になる。しかし、認知状態を完全に識別できる測定が存在するか、状態を理想的に圧縮できるか、複数の認知系の複合状態を局所測定から識別できるかは、それぞれ独立した条件である。

さらに、純化原理を思考へ適用するには、何を認知系の純粋状態と呼び、何を補助系と呼ぶかを定義する必要がある。混合した認知状態が存在することから、より大きな認知系の純粋状態として必ず表現できることは導かれない。また、その純化が補助系側の可逆な変換によって一意に結びつくという条件は、通常の記憶や推論の存在からは保証されない。

認知実験でこれらの条件を検証する場合には、実験者が制御できる準備操作、質問による変換、回答の観測、複合系の構成を定義し、各公理が要求する確率関係を測定する必要がある。単一の質問順序効果が観測されたことと、すべての認知状態について操作的な公理が成立することの間には、一般化の範囲に大きな差がある。

また、量子理論を再構成できる公理の組が存在することは、その組が量子理論を特徴づける十分な条件を与えるという意味である。それぞれの公理が、他の公理化では置き換えられない唯一の必要条件であることまで意味するわけではない。量子理論の公理化には複数の方法があり、どの条件を基本原理として採用するかによって、再構成の論理も変わり得る。

ここで確定できるのは、状態更新、可能性の保持、判断の確定という一般的な性質から量子理論の数学的構造を導くには、相当する追加の公理と、その公理が成立する操作的な根拠が必要になるということである。Chiribella らの再構成は、量子理論の構造を情報処理上の原理から導く具体的な方法を示している。一方、思考や認知がその公理を満たすかどうかは、認知状態の定義と実験的な検証によって独立に判断される。

この区別によって、量子確率を認知モデルとして利用できることと、認知の一般的な性質から量子理論が必然的に導かれることを分離できる。前者は、量子モデルが行動データへどのような予測を与えるかという問題である。後者は、思考の状態空間と操作が、量子理論を特徴づける公理を満たすかという問題である。両者を同じ主張へまとめることなく評価することで、思考と量子力学の接続が成立する条件を具体的に定められる。


8. 連言錯誤と選言効果を量子確率で説明できるか

8.1 判断確率と事象の包含関係

人間の確率判断には、通常の確率論が要求する事象の包含関係と一致しない回答が現れることがある。例えば、ある人物について「銀行員である」という判断と、「銀行員であり、社会運動にも積極的に参加している」という判断を比較したとき、後者のほうが起こりやすいと評価される場合がある。しかし、二つの事象を同じ確率空間上で定義する限り、銀行員であり社会運動にも積極的に参加している人は、必ず銀行員でもある。したがって、後者の確率が前者を上回ることは、通常の確率測度では許されない。

この関係を数学的に確認する。事象 \(A\) を「銀行員である」、事象 \(B\) を「社会運動に積極的に参加している」とする。二つの条件を同時に満たす事象は、集合の共通部分 \(A\cap B\) に対応する。この共通部分は必ず事象 \(A\) の部分集合になる。

\[
A\cap B\subseteq A
\]

ここで \(\subseteq\) は集合の包含関係を表す。\(A\cap B\) に属するすべての結果は \(A\) にも属するが、\(A\) に属する結果が必ず \(B\) にも属するとは限らない。例えば、銀行員であっても社会運動に参加していない人は、事象 \(A\) には含まれるが、事象 \(A\cap B\) には含まれない。

確率測度 \(P\) は、事象の包含関係について単調性を満たす。そのため、次の不等式が成立する。

\[
P(A\cap B)\leq P(A)
\]

この不等式は、確率の具体的な値や、二つの事象が統計的に独立であるかどうかによらず成立する。独立性がある場合には \(P(A\cap B)=P(A)P(B)\) と計算できるが、包含関係による不等式には独立性の仮定を必要としない。

例えば、銀行員である確率を \(0.2\)、銀行員であるという条件のもとで社会運動へ積極的に参加している確率を \(0.6\) とする。この場合、二つの条件を同時に満たす確率は、条件付き確率の積によって求められる。

\[
\begin{aligned}
P(A\cap B)
&=P(B\mid A)P(A)\\
&=0.6\cdot0.2\\
&=0.12.
\end{aligned}
\]

ここで \(P(B\mid A)\) は、銀行員であるという条件のもとで、社会運動に積極的に参加している確率である。二つの条件を同時に満たす確率 \(0.12\) は、銀行員である確率 \(0.2\) を超えない。

人間の判断を調べた実験では、この数学的な包含関係と一致しない確率評価が観測されている。Tversky と Kahneman は、人物の説明文を読んだ後で職業や社会活動に関する事象の起こりやすさを評価させ、連言を単独の事象より起こりやすいと判断する現象を検討した[7]。この現象は連言錯誤と呼ばれる。

連言錯誤を解釈するときには、数学的な事象の確率と、実験参加者が報告した主観的な判断を区別する必要がある。通常の確率論では、同じ確率空間上に定義した事象について包含関係が必ず成立する。一方、実験で観測しているのは、文章を読み、質問を解釈し、回答を選択するという認知過程の結果である。

例えば、「銀行員」という単独の記述と、「社会運動に積極的な銀行員」という複合的な記述では、同じ人物についての判断であっても、想起される人物像や重視される特徴が異なる可能性がある。複合的な記述のほうが提示された人物像と一致していると感じられれば、その記述を高く評価することがある。この場合、報告された値が厳密な事象確率なのか、人物像への典型性や説明の納得度を反映した評価なのかが重要になる。

量子認知モデルは、こうした判断の違いを、認知状態と質問に対応する測定操作の関係として表現する。質問によって評価対象となる状態成分が変化することや、質問を処理する順序によって後続の判断が変化することを、量子確率の形式から計算する方法である。

ただし、連言錯誤が観測されたという事実と、その現象を量子確率モデルによって説明できるという主張は、異なる検証対象である。さらに、量子確率モデルが説明できることと、量子確率が唯一の説明であることも区別される。認知現象の説明には、事象の解釈、典型性、記憶、注意、判断規則などを含む古典的なモデルも比較対象になる。

8.2 連言錯誤を確率事象の包含関係から理解する

Tversky と Kahneman の代表的な実験では、リンダという架空の人物について説明文を提示し、その人物が現在どのような職業や社会活動に関わっている可能性が高いかを判断させた。説明文には、学生時代の関心や社会的な活動に関する情報が含まれている。実験参加者は、その人物について複数の記述を比較し、起こりやすいと思う順序に並べるなどの課題を行った[7]。

ここでは、「銀行員である」という事象を \(B\)、「女性の権利を擁護する社会運動に積極的に関わっている」という事象を \(F\) とする。この二つの事象を用いると、比較対象は次のように表せる。

\[
\begin{aligned}
B&=\{\text{銀行員である}\},\\
F&=\{\text{社会運動に積極的に関わっている}\},\\
B\cap F&=\{\text{両方の条件を満たす}\}.
\end{aligned}
\]

事象 \(B\cap F\) は、銀行員であり、かつ社会運動に積極的に関わっている場合にのみ成立する。事象 \(B\) は銀行員であれば成立するため、社会運動への参加状況にかかわらず成立する。そのため、連言事象 \(B\cap F\) は事象 \(B\) よりも狭い範囲を表す。

この違いは、事象 \(B\) を二つの排反事象へ分割することで確認できる。

\[
B=(B\cap F)\cup(B\cap\neg F)
\]

ここで \(\neg F\) は、社会運動に積極的に関わっているという条件を満たさない事象である。銀行員である人は、\(F\) を満たす場合と満たさない場合のどちらかに属する。二つは排反なので、確率の加法性から次の関係が成立する。

\[
P(B)
=
P(B\cap F)
+
P(B\cap\neg F)
\]

右辺の第二項は非負である。したがって、連言事象の確率が銀行員である確率を超えることはない。

\[
\begin{aligned}
P(B)-P(B\cap F)
&=P(B\cap\neg F)\\
&\geq0.
\end{aligned}
\]

この計算は、リンダの人物像がどのようなものであるかに依存しない。銀行員である確率が低くても高くても、連言事象が単独事象に含まれるという集合関係は維持される。人物像に関する情報は個々の確率の値へ影響し得るが、同じ確率空間と同じ事象の解釈を維持する限り、包含関係を変更しない。

しかし、実験では多くの参加者が、単独の「銀行員」という記述よりも、社会運動への参加を含む複合的な記述のほうを起こりやすいと判断した。Tversky と Kahneman は、連言と単独事象を直接比較させた条件で、連言を高く評価する回答が多数を占めることを報告している。例えば、リンダ課題の直接比較における一つの実験条件では、回答者の \(85\%\) が連言を単独事象より起こりやすいと判断した[7]。

この \(85\%\) は、銀行員であり社会運動に参加している確率が \(85\%\) だったという意味ではない。連言を単独事象より起こりやすいと評価した参加者の割合である。各参加者が確率の包含関係に反する順序を選んだかどうかを集計した結果であり、対象人物の職業についての客観的な確率を測定したものではない。

この違いは、実験結果の解釈にとって重要になる。例えば、参加者が「銀行員」という記述を、提示された人物像から連想しにくい職業の典型例として解釈した場合、その回答は事象の確率よりも人物像との適合度を反映している可能性がある。一方、「社会運動に積極的な銀行員」という記述は、社会運動への参加という特徴を含むため、提示された説明文との適合度が高く感じられる可能性がある。

Tversky と Kahneman は、このような判断に典型性が作用する可能性を検討した。また、連言が単独事象へ包含される関係を明示した質問形式や、確率評価を賭けの選択として提示する形式についても調べている。質問形式を変えると連言錯誤の発生割合が変化することは、判断対象の表現と回答方法が実験結果へ作用することを示している[7]。

量子認知モデルでは、質問を認知状態に作用する測定として表す方法がある。例えば、社会運動への関与を判断する質問と、銀行員であるかを判断する質問が、異なる測定演算子に対応すると仮定する。この場合、質問の処理順序によって認知状態が変化し、単独の質問と複合的な質問で異なる結果確率が得られる可能性がある。

ただし、この説明で用いる複合判断は、古典確率の事象 \(B\cap F\) と同じ演算として定義されているとは限らない。量子モデルでは、社会運動への関与を先に評価し、その評価によって更新された状態から銀行員であるかを評価する逐次的な操作として表す場合がある。

この違いを数学的に示す。初期の認知状態を純粋状態 \(|\psi\rangle\)、社会運動への関与を肯定する結果に対応する射影演算子を \(P_F\)、銀行員であることを肯定する結果に対応する射影演算子を \(P_B\) とする。

銀行員であるという単独の判断確率は、次のように表される。

\[
P_{\mathrm Q}(B)
=
\|P_B|\psi\rangle\|^2
\]

一方、社会運動への関与を先に肯定し、その後で銀行員であることを肯定する逐次判断の結合確率は、次のようになる。

\[
P_{\mathrm Q}(F\to B)
=
\|P_BP_F|\psi\rangle\|^2
\]

ここで \(\|\cdot\|\) は状態ベクトルのノルムである。最初に \(P_F\) が作用し、続いて \(P_B\) が作用するため、二つの演算子の積は \(P_BP_F\) となる。

古典的な連言 \(B\cap F\) は集合の共通部分であり、必ず \(B\) の部分集合になる。一方、量子モデルの \(P_BP_F\) は、最初の判断による状態更新を含む逐次操作である。二つの射影演算子が非可換な場合、逐次操作の結果は、単独で \(P_B\) を適用した結果より大きな確率を与える場合がある。

これを簡単な量子ビットの例で確認する。初期状態を \(|0\rangle\) とし、銀行員であるという肯定結果に対応する射影を \(|1\rangle\) への射影、社会運動への関与を肯定する結果に対応する射影を \(|+\rangle\) への射影とする。

\[
\begin{aligned}
|\psi\rangle&=|0\rangle,\\
P_B&=|1\rangle\langle1|,\\
P_F&=|+\rangle\langle+|.
\end{aligned}
\]

この設定では、銀行員であるという単独判断の確率はゼロになる。

\[
P_{\mathrm Q}(B)
=
\|P_B|0\rangle\|^2
=
0
\]

一方、最初に社会運動への関与を肯定する射影を適用すると、状態ベクトルは次のように変化する。

\[
P_F|0\rangle
=
\frac1{\sqrt2}|+\rangle
\]

その後で銀行員であるという射影を適用すると、次の状態ベクトルが得られる。

\[
P_BP_F|0\rangle
=
\frac12|1\rangle
\]

したがって、二つの肯定結果が逐次的に得られる確率は次のようになる。

\[
P_{\mathrm Q}(F\to B)
=
\left\|
\frac12|1\rangle
\right\|^2
=
\frac14
\]

この例では、単独判断の確率がゼロであるのに対し、逐次判断の確率は \(1/4\) となった。最初の射影が状態を変更し、その変更された状態から二番目の肯定結果が得られる可能性が生じたためである。

ただし、これは量子認知モデルで使用できる数学的な構成例であり、リンダ課題の実験値を再現したものではない。また、古典的な集合の共通部分が包含関係を破ったことを意味するものでもない。比較しているのは、最初の判断を経由しない単独測定と、最初の判断による状態更新を含む逐次測定である。

古典的な認知モデルでも、最初の質問によって内部状態が更新されることを許せば、単独質問と逐次質問の回答確率に差を生じさせることができる。量子モデルの固有の説明能力を評価するには、射影演算子の構造によってどの確率関係が制約されるかを明示し、同じ条件を持つ古典モデルとの予測差を調べる必要がある。

8.3 選言効果と意思決定の文脈

連言錯誤が事象の包含関係に関する判断の問題であるのに対し、選言効果は、不確実な条件について情報を持っている場合と持っていない場合で、選択行動がどのように変化するかという問題である。典型的には、二つの条件のどちらが成立していても同じ行動を選ぶ傾向があるにもかかわらず、どちらの条件が成立しているか分からない場合には、その行動を選ぶ割合が低下する。

この現象を考えるため、ある試験を受けた学生が、試験結果を知る前後で旅行を予約するかどうかを判断する状況を考える。試験に合格した場合には、努力への報酬として旅行へ行きたいと考える可能性がある。一方、不合格だった場合にも、気分転換として旅行へ行きたいと考える可能性がある。

ここで、合格したという条件を \(G\)、不合格だったという条件を \(\neg G\)、旅行を予約するという行動を \(A\) とする。合格と不合格のいずれの場合にも旅行を予約するという判断が選ばれるなら、試験結果がどちらであるかを知らなくても、同じ行動を選ぶことが合理的であるように見える。

Tversky と Shafir は、試験結果を知っている場合と知らない場合の旅行選択や、不確実性のもとでの意思決定を検討した。Shafir と Tversky は、こうした問題を、結果が確定している場合の行動選択と、不確実な状態での行動選択を比較する問題として分析している[8]。

代表的な旅行選択課題では、試験に合格したと知らされた条件で旅行を購入する割合は \(54\%\)、不合格だったと知らされた条件では \(57\%\) だった。一方、試験結果がまだ分からない条件では、旅行を購入する割合は \(32\%\) に低下した。この数値は、異なる実験条件へ割り当てられた参加者の選択割合であり、同一人物が三つの条件すべてで回答した結果を表しているわけではない。

この課題では、旅行を購入すること以外にも、購入しないことや、一定の費用を支払って判断を延期することが選択肢として用意されていた。試験結果を知らない条件では、判断を延期する選択が増加した。したがって、単に旅行を好む確率が変化したというよりも、不確実性が存在するときに、現在の行動を確定するか、情報が得られるまで判断を保留するかという選択が変化したと解釈できる。

二つの条件を知っている場合には旅行を選ぶ理由が存在していても、どちらの条件か分からない場合には、その理由を十分に確定できないことがある。例えば、合格したときの旅行を報酬として考え、不合格だったときの旅行を気分転換として考える場合、それぞれの状況では購入の理由が明確である。一方、結果を知らないときには、どちらの理由を現在の判断へ適用すべきかが定まらず、判断を延期する可能性がある。

この違いは、選択行動の直接原因として、試験結果そのものだけでなく、結果についての情報を持っているかどうかという認知的な条件が作用していることを示唆する。結果を知ることが判断の根拠を形成し、判断の根拠が形成されることで購入を実行しやすくなるという関係が考えられる。

ただし、この現象を確率論の違反として評価する際には、試験結果が判明している場合と、まだ判明していない場合とで、選択を生成する規則が同じであるという条件が重要になる。試験結果の情報が注意や判断基準を変更するなら、同じ行動を比較していても、条件ごとに異なる意思決定過程が働いている可能性がある。

選言効果は、Savage の確実性原理と関係する。確実性原理は、ある行動が不確実な状態のそれぞれにおいて別の行動より好まれるなら、その状態がどちらであるか分からない場合にも同じ行動を選ぶべきだという意思決定上の整合性を表す。

例えば、試験に合格した場合にも不合格だった場合にも、旅行の購入が購入しないことより望ましいと判断されるなら、両条件を統合した不確実な状況でも旅行の購入を選ぶという関係が期待される。ただし、この原理を選択率の数値へ直接適用するには、同じ行動の選択肢、同じ利得構造、同じ選好規則が各条件で維持されている必要がある。

選言効果は、こうした条件を持つ意思決定モデルに対して検証上の課題を与える。量子認知モデルは、その説明の一つとして、結果が分からない状態を振幅の重ね合わせとして表し、干渉によって選択確率が変化する仕組みを導入する。一方、古典的な状態モデルでも、不確実性によって判断基準や情報探索の方針が変わると仮定すれば、異なる選択割合を表現できる場合がある。

8.4 選言効果を全確率公式と比較する

選言効果が古典確率との間にどのような問題を生むかを調べるため、全確率公式を確認する。試験結果が合格か不合格かの二値であり、どちらか一方が必ず成立するとする。合格を \(G\)、不合格を \(\neg G\)、旅行を予約する事象を \(A\) とする。

合格と不合格は互いに排反であり、その和が標本空間全体を構成する。したがって、予約するという事象を、合格した場合に予約する事象と、不合格だった場合に予約する事象に分けることができる。

\[
A=(A\cap G)\cup(A\cap\neg G)
\]

二つの事象は排反なので、確率の加法性から次の関係が成立する。

\[
P(A)
=
P(A\cap G)
+
P(A\cap\neg G)
\]

条件付き確率の定義を利用すると、全確率公式が得られる。

\[
P(A)
=
P(A\mid G)P(G)
+
P(A\mid\neg G)P(\neg G)
\]

ここで \(P(A\mid G)\) は、合格しているという条件のもとで旅行を予約する確率、\(P(A\mid\neg G)\) は不合格であるという条件のもとで予約する確率である。また、\(P(G)\) と \(P(\neg G)\) は、合格と不合格の確率であり、その和は \(1\) になる。

この式は、無条件の予約確率が、二つの条件付き予約確率の加重平均になることを意味する。二つの重みが非負で、その和が \(1\) であるため、無条件の確率は二つの条件付き確率の最小値と最大値の間に位置する。

\[
\min\{P(A\mid G),P(A\mid\neg G)\}
\leq
P(A)
\leq
\max\{P(A\mid G),P(A\mid\neg G)\}
\]

例えば、合格した場合に旅行を予約する確率を \(0.8\)、不合格だった場合の予約確率を \(0.7\)、合格と不合格の確率をそれぞれ \(0.5\) と仮定する。この値は、全確率公式の働きを説明するための仮想的な数値である。

\[
\begin{aligned}
P(A\mid G)&=0.8,\\
P(A\mid\neg G)&=0.7,\\
P(G)&=P(\neg G)=0.5.
\end{aligned}
\]

この条件を全確率公式へ代入すると、無条件の予約確率は次のようになる。

\[
\begin{aligned}
P(A)
&=0.8\cdot0.5+0.7\cdot0.5\\
&=0.4+0.35\\
&=0.75.
\end{aligned}
\]

したがって、同じ確率空間上で同じ予約事象を評価している限り、無条件の予約確率は \(0.7\) 以上 \(0.8\) 以下になる。この例では \(0.75\) であり、二つの条件付き確率の加重平均として成立している。

ところが、選言効果を調べる実験では、結果を知っている条件の選択率よりも、結果を知らない条件の選択率が低い場合がある。例えば、合格を知っている場合も不合格を知っている場合も購入率が半数を超えているのに、結果が不明な条件では購入率が大きく低下する。

この結果を全確率公式と比較する場合には、観測している確率の条件を正確に定義する必要がある。試験結果を知っている場合の回答と、試験結果を知らない場合の回答は、同じ条件付き確率を異なる形で測定したものとは限らない。結果を知っているという情報条件そのものが、回答の生成に作用する可能性があるためである。

そこで、試験結果についての情報が提示されているかどうかを表す変数 \(K\) を導入する。結果を知っている条件を \(K=\mathrm{known}\)、結果を知らない条件を \(K=\mathrm{unknown}\) とする。

この場合、実験で比較する確率は次のように区別できる。

\[
\begin{aligned}
&P(A\mid G,K=\mathrm{known}),\\
&P(A\mid\neg G,K=\mathrm{known}),\\
&P(A\mid K=\mathrm{unknown}).
\end{aligned}
\]

全確率公式は、同じ情報条件 \(K\) を固定した場合にも成立する。例えば、\(K=\mathrm{known}\) を固定したなら、次の関係が成立する。

\[
\begin{aligned}
P(A\mid K=\mathrm{known})
&=P(A\mid G,K=\mathrm{known})
P(G\mid K=\mathrm{known})\\
&\quad+
P(A\mid\neg G,K=\mathrm{known})
P(\neg G\mid K=\mathrm{known}).
\end{aligned}
\]

しかし、この式の左辺は、結果を知っているという情報条件のもとでの予約確率である。結果を知らない条件における \(P(A\mid K=\mathrm{unknown})\) と一致することまでは要求していない。

つまり、結果を知ることによって意思決定の規則が変化する場合、三つの実験条件に異なる回答確率が現れても、古典確率の全確率公式そのものに矛盾が生じるわけではない。全確率公式は同じ確率空間と同じ事象の定義に対して成立し続ける。

この区別は、選言効果の説明において重要になる。観測された選択率の差を説明するためには、なぜ情報を知っている場合と知らない場合で行動が変化するのかを具体的に示す必要がある。古典モデルでは、情報条件による注意、記憶、判断基準、期待損失の変化を導入できる。一方、量子確率モデルでは、情報条件に応じた測定操作や状態の重ね合わせを利用して、選択確率の違いを表現する。

したがって、選言効果が量子確率の必要性を支持するかどうかは、異なる情報条件のもとでの確率をどのように結びつけるモデルを比較するかによって決まる。古典確率の公理そのものと、情報条件が変わっても同じ意思決定規則を維持するという追加の仮定を区別する必要がある。

8.5 量子干渉項と行動データの対応

量子認知モデルでは、試験結果が不明な状態を、複数の条件に対応する量子状態の重ね合わせとして表す方法がある。この場合、条件を知っている場合の判断と、条件を知らない場合の判断の違いを、量子測定の前後でどのような状態が準備されるかという問題として記述する。

まず、合格という条件に対応する射影演算子を \(P_G\)、不合格という条件に対応する射影演算子を \(P_{\neg G}\) とする。二つの条件は排他的であり、どちらか一方が成立すると仮定するため、射影演算子は次の関係を満たす。

\[
\begin{aligned}
P_GP_{\neg G}&=0,\\
P_G+P_{\neg G}&=I.
\end{aligned}
\]

ここで \(I\) は状態空間上の恒等演算子である。二つの射影演算子が直交し、その和が恒等演算子になることで、合格と不合格の二条件による完備な測定を構成する。

初期の認知状態を \(|\psi\rangle\) とすると、恒等演算子の分解を利用して、状態を次のように表せる。

\[
|\psi\rangle
=
P_G|\psi\rangle
+
P_{\neg G}|\psi\rangle
\]

この式では、初期状態を合格に対応する成分と、不合格に対応する成分へ分けている。ただし、二つの成分を確率的に混合した状態と、振幅として重ね合わせた状態は、異なる量子状態になる場合がある。

旅行を予約するという結果に対応する射影演算子を \(P_A\) とする。試験結果についての測定を行わず、初期状態から直接予約判断を測定する場合、その結果確率は次のようになる。

\[
P_{\mathrm Q}(A)
=
\|P_A|\psi\rangle\|^2
\]

初期状態を合格と不合格の二成分へ分解すると、右辺は次のように書ける。

\[
P_{\mathrm Q}(A)
=
\left\|
P_AP_G|\psi\rangle
+
P_AP_{\neg G}|\psi\rangle
\right\|^2
\]

二つの状態ベクトルの和のノルムの二乗を展開すると、それぞれのノルムの二乗に加えて交差項が現れる。

\[
\begin{aligned}
P_{\mathrm Q}(A)
&=
\|P_AP_G|\psi\rangle\|^2\\
&\quad+
\|P_AP_{\neg G}|\psi\rangle\|^2\\
&\quad+
2\operatorname{Re}
\langle\psi|
P_GP_AP_{\neg G}
|\psi\rangle.
\end{aligned}
\]

ここで第一項は、合格に対応する成分を経由して予約という結果へ至る寄与、第二項は不合格に対応する成分を経由する寄与である。第三項は、二つの成分間の干渉項である。

この式では、\(P_A\) が射影演算子であるため、\(P_A^2=P_A\) を利用して交差項を整理している。干渉項は、合格と不合格に対応する二つの成分が、最終的な予約判断においてどのように重ね合わされるかを表す。

一方、合格か不合格かを実際に射影測定し、その結果を区別せずに扱った場合には、状態は次のように更新される。

\[
\rho’
=
P_G\rho P_G
+
P_{\neg G}\rho P_{\neg G},
\qquad
\rho=|\psi\rangle\langle\psi|.
\]

ここで \(\rho\) は測定前の密度演算子、\(\rho’\) は合格・不合格の測定を実施した後、その結果を区別しない場合の状態である。この更新では、二つの結果に対応する成分の間のコヒーレンスが除去される。

この状態から予約判断を測定すると、結果確率は次のようになる。

\[
\begin{aligned}
P_{\mathrm Q}(A\mid\text{結果測定後})
&=\operatorname{Tr}(P_A\rho’)\\
&=
\|P_AP_G|\psi\rangle\|^2\\
&\quad+
\|P_AP_{\neg G}|\psi\rangle\|^2.
\end{aligned}
\]

この式には干渉項が現れない。合格・不合格を区別する射影測定によって、二つの成分間のコヒーレンスが除去されたためである。

したがって、合格・不合格を測定せずに予約判断を行う場合と、合格・不合格を測定して結果を区別せずに予約判断を行う場合では、干渉項の有無によって異なる確率が得られる可能性がある。

この違いは、二準位系を用いた具体例で確認できる。初期状態を \(|+\rangle\) とし、合格と不合格を \(|0\rangle,|1\rangle\) に対応させる。また、予約という結果に対応する状態を \(|-\rangle\) とする。

\[
\begin{aligned}
|\psi\rangle&=|+\rangle
=\frac{|0\rangle+|1\rangle}{\sqrt2},\\
P_G&=|0\rangle\langle0|,\\
P_{\neg G}&=|1\rangle\langle1|,\\
P_A&=|-\rangle\langle-|.
\end{aligned}
\]

この設定で、合格・不合格の測定を実施せずに予約判断を行う場合、\(|+\rangle\) と \(|-\rangle\) は直交しているため、予約結果の確率はゼロになる。

\[
\begin{aligned}
P_{\mathrm Q}(A)
&=|\langle- |+\rangle|^2\\
&=0.
\end{aligned}
\]

一方、最初に合格・不合格を測定すると、それぞれの結果が確率 \(1/2\) で得られる。結果が合格だった場合には状態が \(|0\rangle\)、不合格だった場合には \(|1\rangle\) になる。

この二つの状態から予約判断を測定すると、どちらの場合も結果 A が確率 \(1/2\) で得られる。

\[
\begin{aligned}
P_{\mathrm Q}(A\mid G)&=\frac12,\\
P_{\mathrm Q}(A\mid\neg G)&=\frac12.
\end{aligned}
\]

合格・不合格の測定を実施し、その結果を区別せずに予約判断を行う場合の確率は、次のようになる。

\[
\begin{aligned}
P_{\mathrm Q}(A\mid\text{結果測定後})
&=\frac12\cdot\frac12
+\frac12\cdot\frac12\\
&=\frac12.
\end{aligned}
\]

同じ初期状態と予約判断の測定を使用しているにもかかわらず、合格・不合格の測定を実施しない場合には予約確率が \(0\)、測定して結果を区別しない場合には \(1/2\) になった。二つの条件を区別する測定操作によって状態のコヒーレンスが変化し、その結果として予約判断の確率が変化したためである。

この数値例で、干渉項の値も計算できる。二つの経路に対応するノルムの二乗はそれぞれ \(1/4\) であり、その和は \(1/2\) になる。一方、測定を実施しない場合の予約確率はゼロなので、干渉項は \(-1/2\) である。

\[
\begin{aligned}
P_{\mathrm Q}(A)
&=\frac14+\frac14-\frac12\\
&=0.
\end{aligned}
\]

この例は、量子確率モデルで干渉項が負になると、条件を区別せずに扱う場合の結果確率が、条件を測定した後の確率の加重平均より小さくなることを示している。

ただし、この計算は量子認知モデルの数学的な構成例であり、旅行選択実験の観測値を再現したものではない。特に、合格・不合格を知るという認知的な条件を、理想的な射影測定として表現すること自体がモデル上の仮定である。

また、量子モデルで干渉項を導入する場合にも、振幅の大きさや位相を独立に自由な値として設定できるわけではない。状態の規格化、射影演算子の構造、測定確率の非負性、全結果の確率の和が \(1\) になることなど、量子理論の制約を同時に満たす必要がある。

例えば、二つの条件付き判断確率を任意に設定し、観測された無条件の確率との差を干渉項として定義するだけでは、適切な量子状態と測定演算子が存在することは保証されない。モデルの構成としては、状態空間、状態、測定操作を先に定義し、それらの演算から確率と干渉項を導く必要がある。

Pothos と Busemeyer は、二段階の賭け課題や囚人のジレンマにおける確実性原理からの逸脱を、量子確率モデルの時間発展と干渉によって説明する方法を提示した[9]。この研究では、単に干渉項を加えた確率式を使用するだけでなく、状態の時間発展をモデル化し、対応する古典的なマルコフモデルと比較している。

このようなモデルが与える説明は、選択が不確実性に応じて変化することを、量子確率の演算から再現できるというものである。一方、他の古典的な意思決定モデルをどこまで排除できるかは、比較対象となる古典モデルの状態空間、更新規則、情報条件の取り扱いによって決まる。

8.6 量子確率モデルによる表現

量子認知モデルでは、思考や判断を量子力学の物理的な運動として直接扱う代わりに、量子確率の数学的な形式を判断確率の記述へ適用する。認知状態を状態ベクトルまたは密度演算子として表し、質問や判断を測定操作へ対応させることで、質問の順序や文脈によって回答確率が変化する仕組みを構成する。

Pothos と Busemeyer は、確実性原理に反するように見える意思決定現象について、量子確率モデルによる説明を提示した[9]。また、Busemeyer、Pothos、Franco、Trueblood は、連言錯誤や選言錯誤、質問順序効果などの確率判断に関する現象を、量子確率の状態と測定の形式によって検討した[10]。

これらの研究で重要になるのは、判断対象となる質問が互いに両立するかどうかという関係である。量子モデルでは、二つの質問に対応する測定演算子が可換であれば、両者を共通の状態分解のもとで扱える。一方、非可換な場合には、質問の処理順序が結果確率へ影響する可能性がある。

例えば、銀行員であるかを尋ねる質問を \(B\)、社会運動への関与を尋ねる質問を \(F\) とする。これらに対応する射影演算子を \(P_B,P_F\) とすると、最初に \(F\) を肯定し、続いて \(B\) を肯定する逐次回答の確率は次のように表せる。

\[
P_{\mathrm Q}(F\to B)
=
\operatorname{Tr}
\left(
P_BP_F\rho P_FP_B
\right)
\]

ここで \(\rho\) は最初の認知状態を表す密度演算子である。最初の質問 \(F\) に対する肯定結果によって状態が更新され、その更新後の状態に対して質問 \(B\) の肯定結果が評価される。

順序を交換した場合には、次の確率が得られる。

\[
P_{\mathrm Q}(B\to F)
=
\operatorname{Tr}
\left(
P_FP_B\rho P_BP_F
\right)
\]

二つの射影演算子が非可換である場合、一般にこれらの結合確率は一致しない。最初の測定による状態更新が異なり、その結果として二番目の測定へ入力される状態が変わるためである。

ただし、二つの質問に対応する射影演算子が非可換であることから、すべての認知状態で同じ大きさの順序効果が生じるとは限らない。順序効果の具体的な値は、初期状態 \(\rho\) と測定演算子の組合せによって定まる。

量子認知モデルで連言錯誤を説明する場合には、連言を逐次的な判断として表すことがある。このとき、連言の確率は、古典的な集合の共通部分としての確率ではなく、質問の処理順序を含む演算として定義される。

例えば、社会運動への関与を肯定した後で銀行員であることを肯定する逐次判断が、銀行員であるという単独判断より高い確率を与える場合がある。このような関係は、最初の質問によって状態が変更され、銀行員であるという判断が相対的に生じやすくなる場合に成立し得る。

一方、このモデルから連言錯誤を予測するには、どの順序で事象が処理されるかという仮定が必要になる。例えば、社会運動への関与を先に評価する場合と、銀行員であることを先に評価する場合では、演算子の積の順序が異なる。したがって、連言錯誤の発生を説明するだけでなく、質問の処理順序を変更した場合にどのような変化が生じるかを予測できる可能性がある。

Busemeyer らの量子確率モデルでは、連言錯誤やその他の確率判断について、質問の両立可能性、逐次的な評価、事象間の依存関係を利用して定性的な予測を導いている[10]。連言錯誤を生む条件として、先に評価する事象によって、後続の判断対象がより起こりやすくなるという依存関係が重要になる。

この関係を数学的に表す。最初に \(F\) を肯定した後の条件付き状態を次のように定義する。

\[
\rho_F
=
\frac{
P_F\rho P_F
}{
\operatorname{Tr}(P_F\rho)
}
\]

ここで分母は \(F\) が肯定される確率であり、正である場合に条件付き状態が定義される。この状態から銀行員であるという肯定結果が得られる確率は、次のようになる。

\[
P_{\mathrm Q}(B\mid F)
=
\operatorname{Tr}(P_B\rho_F)
\]

逐次的に二つの肯定結果が得られる確率は、最初の結果の確率と、その結果を条件とした二番目の結果の確率の積として表せる。

\[
P_{\mathrm Q}(F\to B)
=
P_{\mathrm Q}(F)
P_{\mathrm Q}(B\mid F)
\]

この式の形は、古典的な条件付き確率の積と似ている。しかし、量子モデルでは、条件付き確率の評価に使用する状態が最初の測定によって更新されている。最初の測定を行わない場合の単独確率 \(P_{\mathrm Q}(B)\) と、測定後の条件付き確率 \(P_{\mathrm Q}(B\mid F)\) は、異なる状態から計算される。

連言錯誤に対応する関係が成立するためには、次の不等式が必要になる。

\[
P_{\mathrm Q}(F\to B)
>
P_{\mathrm Q}(B)
\]

前の積の式を代入すると、次の条件が得られる。

\[
P_{\mathrm Q}(B\mid F)
>
\frac{
P_{\mathrm Q}(B)
}{
P_{\mathrm Q}(F)
}
\]

ここで \(P_{\mathrm Q}(F)\) は \(0\) より大きいとする。この不等式は、\(F\) を肯定した後の銀行員判断の条件付き確率が、単独の銀行員判断の確率に対して十分に高くなる必要があることを示している。

例えば、単独の銀行員判断の確率が \(0.2\)、社会運動への関与を肯定する確率が \(0.8\) であれば、逐次判断が単独判断を上回るには、条件付きの銀行員判断確率が \(0.25\) を超える必要がある。

\[
\frac{0.2}{0.8}=0.25
\]

この数値は不等式の意味を示すための仮想例である。具体的な量子状態と射影演算子がこの確率関係を実現するかどうかは、演算子の構造と規格化条件を満たす形で別途確認する必要がある。

このように、量子認知モデルは、連言錯誤が生じ得るという一般的な説明に加えて、どのような条件付き判断の変化が必要になるかを数式として表現できる。しかし、実験で連言錯誤が観測されたという事実だけで、その条件付き状態更新が量子射影測定として実現されていることまでは示されない。

古典的な認知モデルでも、最初の質問によって内部状態や判断基準が変更される場合には、後続の判断確率を変化させることができる。量子モデルの固有性を検討するためには、状態と測定演算子を共通の条件として固定し、複数の質問順序や判断課題へ予測を広げる必要がある。

8.7 連言錯誤と選言効果の説明を混同しない

連言錯誤と選言効果は、どちらも通常の確率論や意思決定の整合性から予想される関係と、人間の回答が異なる場合に関係する。しかし、比較する数学的な対象と実験操作は異なる。両者を同じ現象として扱うと、何を古典的な制約と呼び、何を量子モデルによって説明するのかが曖昧になる。

連言錯誤では、事象 \(A\cap B\) が事象 \(A\) の部分集合であるという包含関係が問題になる。同一の確率空間と同一の事象の解釈を維持する限り、連言事象の確率は単独事象の確率を上回らない。この関係は、古典確率の基本的な単調性から成立する。

一方、選言効果では、ある条件を知っている場合と、その条件を知らない場合の意思決定が比較される。ここでは、条件の提示方法や情報状態によって行動選択が変化する可能性があるため、同じ確率空間上の事象の包含関係だけでは問題を記述できない。

二つの現象の違いを整理すると、次のようになる。

比較対象 古典的な制約 観測される認知現象 量子認知モデルの説明 古典モデルとの比較条件
連言錯誤 同じ確率空間上では、\(P(A\cap B)\leq P(A)\) が成立する。 連言を単独事象より起こりやすいと評価する場合がある。 質問を非可換な測定として表し、逐次判断による状態更新から確率の違いを生成する。 事象の解釈、典型性、質問順序、内部状態の更新を共通条件で比較する。
選言効果 同じ確率空間と行動規則では、全確率公式や確実性原理による整合性が問題になる。 二つの条件を個別に知る場合には選ぶ行動を、条件が不明な場合には選ばないことがある。 不確実な条件を状態の重ね合わせとして表し、干渉項によって選択確率の変化を記述する。 情報条件、判断延期、損失、注意状態、選択規則の変更を考慮する。
質問順序効果 状態更新を許さない固定モデルでは、質問の順序による変化を表現しにくい。 同じ二つの質問でも、提示順序によって回答分布が変わる場合がある。 測定演算子の適用順序と測定後状態の違いから回答確率を計算する。 古典的な隠れ状態更新と、量子測定の代数が課す確率制約を比較する。

連言錯誤については、古典確率の包含関係そのものは数学的な定理として維持される。実験で観測される判断の違いを説明するには、参加者がどの事象を評価しているか、判断がどのような認知過程によって生成されるかを明確にする必要がある。

選言効果については、情報を知っている条件と知らない条件で、同じ意思決定規則が維持されるかどうかが重要になる。例えば、結果が不明な場合に判断を延期するという行動が選択肢に含まれていれば、不確実性が行動の費用や情報の価値へ影響している可能性がある。このような効果は、状態更新や損失関数を含む古典的な意思決定モデルでも検討できる。

また、連言錯誤を量子モデルで説明する場合には、質問を処理する順序が重要な役割を持つことがある。社会運動への関与を先に評価してから銀行員であるかを判断する場合と、逆の順序で判断する場合では、測定演算子の合成順序が変化する。そのため、連言錯誤の発生だけでなく、判断の順序を変更した場合の予測を導くことができる。

この予測がモデルの検証に利用できるのは、各質問に対応する測定演算子を共通の規則として維持する場合である。実験条件ごとに演算子を自由に選び直せば、多様な回答分布へ適合することはできても、異なる条件の間に成り立つ予測上の制約が弱くなる。

同様に、選言効果を説明する干渉項についても、観測された確率の差をそのまま任意のパラメーターとして設定する場合と、状態空間と測定演算子から干渉項を計算する場合では、理論的な意味が異なる。後者では、状態の規格化や演算子の関係によって、複数の実験条件にまたがる確率の制約が生じる。

量子認知モデルの説明能力を評価するためには、各課題の観測結果を再現するだけでなく、共通する数学的な構造から予測可能な差を導き、その差を未使用の実験条件で検証する必要がある。連言錯誤、選言効果、質問順序効果は、それぞれ異なる観測量を持つため、どの現象についてどの予測が支持されたかを個別に評価することが求められる。

8.8 認知モデルに特有の測定の意味

量子認知モデルの数学的な形式を理解するうえで、認知実験における測定が何を意味するかを明確にする必要がある。物理学では、測定装置が物理系と相互作用し、測定結果に対応する記録を生成する。量子測定の状態更新は、測定対象の物理状態、測定装置、測定演算子の関係として記述される。

一方、認知実験では、質問を提示し、参加者がその意味を理解し、選択肢を比較し、回答する。この操作では、既に存在する判断内容が読み出される場合もあれば、質問によって判断対象を構成する過程が生じる場合もある。例えば、「銀行員であるか」という質問を受けたときに、参加者が銀行員の典型的な人物像を想起し、提示された人物の説明と照合する可能性がある。

さらに、「社会運動に積極的に関わっているか」と先に尋ねられた場合には、社会活動に関する特徴が注意の中心となる。その後で銀行員であるかを尋ねられると、先行質問によって活性化した特徴が判断へ影響する可能性がある。質問は内部状態を観測する操作であると同時に、内部状態を変更する入力としても作用し得る。

量子認知モデルでは、このような質問による状態更新を、測定演算子と測定後状態の関係として表現する。例えば、質問 A に対応する射影演算子を \(P_A\) とし、肯定結果が得られた後の状態を \(\rho_A\) とすると、理想的な射影測定では次のように表せる。

\[
\rho_A
=
\frac{
P_A\rho P_A
}{
\operatorname{Tr}(P_A\rho)
}
\]

ここで \(\rho\) は質問前の認知状態を表す密度演算子、\(\rho_A\) は質問 A への肯定回答が得られたことを条件とした状態である。この更新規則を用いると、最初の質問への回答が後続の質問の確率を変更する仕組みを計算できる。

ただし、認知状態を密度演算子として表現することは、神経系の特定の物理的な量子状態を同定したことを意味しない。ここでの密度演算子は、回答確率を計算するための数学的な状態表現である。実際の脳内でどの物理的自由度がその状態に対応するかは、別の実験的な問題になる。

また、質問へ回答する過程が常に理想的な射影測定として記述されるとは限らない。例えば、同じ質問を繰り返しても回答が安定しない場合や、質問によって記憶が更新される場合には、より一般的な状態更新規則が必要になる可能性がある。量子インストルメントを利用すれば、結果確率と測定後状態の更新を分けて定義できるため、理想的な射影測定より広い認知過程を表現できる。

しかし、測定操作を一般化することによって、モデルの自由度も増加する。例えば、質問ごとに任意の状態更新を許せば、多様な回答列を再現しやすくなる一方、特定の実験条件に対して成立するはずの確率制約が弱くなる可能性がある。モデルの予測能力を評価するには、測定演算子や更新規則をどの条件で共有し、どの条件で変更することを許すかを明確にする必要がある。

例えば、連言錯誤を説明するために設定した質問演算子を、質問順序効果を調べる別の実験にも適用できるかを確認する方法がある。さらに、同じ質問を繰り返した場合や、別の質問を挟んだ場合の回答確率を予測できれば、モデルの測定後状態に関する仮定を検証できる。

このような検証では、認知状態そのものを直接測定できないことが重要になる。実験者が観測できるのは、質問への回答、回答時間、選択の変化などである。そのため、異なる内部状態や更新規則が同じ観測結果を与える場合には、追加の質問条件や介入によってモデルを識別する必要がある。

古典的な隠れ状態モデルでも、質問による内部状態の変更と回答の生成を分離して表現できる。量子認知モデルの特徴を評価するためには、単に質問が状態を変化させるという説明を与えるだけでなく、量子測定の数学的な構造から、古典モデルと異なる具体的な確率関係を導くことが必要になる。

連言錯誤と選言効果は、人間の判断が固定された事象確率の読み出しだけでは十分に説明できない場合があることを示している。量子確率モデルは、質問による状態更新、測定演算子の非可換性、複素振幅の干渉を利用して、こうした判断の変化を表現できる。一方、これらの現象には、質問の解釈、典型性、注意の更新、情報条件による選択規則の変更など、古典的な認知モデルで検討できる要因も存在する。

したがって、量子確率を思考の説明に適用する際の根拠は、連言錯誤や選言効果を再現できたという事実だけでは確定しない。モデルの状態空間、質問演算子、更新規則を明示し、複数の実験条件について共通する制約を導き、その制約が実際の回答分布と整合するかを確認する必要がある。量子認知モデルの検証可能性は、個別の判断現象への適合と、モデルの数学的な構造が要求する予測を区別することによって成立する。


9. 質問順序効果からQQ等式を導出する

9.1 二つの二値質問と回答分布

人間の判断を量子確率で記述する場合、質問の順序によって回答が変化するという現象だけでは、古典的な状態更新モデルとの違いを特定できない。古典的なモデルでも、最初の質問が注意や記憶を変更し、その変更された状態から二番目の回答を生成することができる。量子認知モデルに固有の予測を検証するには、順序効果が存在することに加えて、複数の回答確率の間にどのような制約が成立するかを調べる必要がある。

この目的で利用されるのが、量子質問順序モデルから導かれる QQ 等式である。Wang と Busemeyer は、質問を量子射影測定として表すモデルから、質問順序を交換した場合の回答確率について、モデルのパラメーターに依存しない等式を導出した[11]。この等式は、量子確率モデルが特定のデータを再現できるという説明にとどまらず、観測前に定式化できる数量的な予測を与える。

二つの質問 A と B を考える。それぞれの質問には「はい」と「いいえ」の二つの回答があり、「はい」を \(Y\)、「いいえ」を \(N\) と表す。質問 A を先に尋ね、その後で質問 B を尋ねる順序を A→B とする。逆に、質問 B を先に尋ね、質問 A を後で尋ねる順序を B→A とする。

A→B の順序で、質問 A への回答が \(a\)、質問 B への回答が \(b\) になる結合確率を、次のように定義する。

\[
p_{AB}(a,b)
=
P(A=a,\ B=b\mid A\to B)
\]

ここで \(a,b\) はそれぞれ \(Y\) または \(N\) を取る。例えば、\(p_{AB}(Y,N)\) は、最初の質問 A に「はい」と答え、続く質問 B に「いいえ」と答える確率を表す。

B→A の順序についても同様に、次の結合確率を定義する。

\[
p_{BA}(b,a)
=
P(B=b,\ A=a\mid B\to A)
\]

この記法では、括弧内の回答の順序が実際に質問された順序と一致している。したがって、\(p_{BA}(Y,N)\) は、最初の質問 B に「はい」と答え、続く質問 A に「いいえ」と答える確率である。

それぞれの質問順序には、四種類の回答の組が存在する。両方に「はい」と答える場合、最初だけ「はい」と答える場合、二番目だけ「はい」と答える場合、両方に「いいえ」と答える場合である。

回答の組 A→B の順序 B→A の順序
Y,Y \(p_{AB}(Y,Y)\) \(p_{BA}(Y,Y)\)
Y,N \(p_{AB}(Y,N)\) \(p_{BA}(Y,N)\)
N,Y \(p_{AB}(N,Y)\) \(p_{BA}(N,Y)\)
N,N \(p_{AB}(N,N)\) \(p_{BA}(N,N)\)

表の各行は、実際の回答順序についての組を表している。そのため、A→B の \(Y,N\) と B→A の \(Y,N\) は、同じ質問への回答の組を意味しない。前者は A に「はい」、B に「いいえ」、後者は B に「はい」、A に「いいえ」である。

各順序の四つの結合確率は、非負であり、その和が \(1\) になる。

\[
\begin{aligned}
\sum_{a,b\in\{Y,N\}}p_{AB}(a,b)&=1,\\
\sum_{a,b\in\{Y,N\}}p_{BA}(b,a)&=1.
\end{aligned}
\]

質問順序効果は、同じ質問について、先に尋ねた場合と後で尋ねた場合の回答確率が異なることから検出できる。例えば、A を最初に尋ねた場合の「はい」の周辺確率は、A→B の分布から次のように求められる。

\[
P(A=Y\mid A\text{が先})
=
p_{AB}(Y,Y)+p_{AB}(Y,N)
\]

一方、A を二番目に尋ねた場合の「はい」の周辺確率は、B→A の分布から求められる。

\[
P(A=Y\mid A\text{が後})
=
p_{BA}(Y,Y)+p_{BA}(N,Y)
\]

二つの周辺確率が異なれば、質問 A について順序効果が存在する。同様に、質問 B についても、B を最初に尋ねた場合と後で尋ねた場合の周辺確率を比較できる。

しかし、このような周辺確率の違いだけでは、量子確率モデルを特定できない。例えば、質問 A によって注意状態が更新され、その後の質問 B の回答が変化するという古典的なモデルでも、順序効果を生成できる。

QQ 等式が対象とするのは、個々の周辺確率ではなく、二つの質問への回答が一致する場合と異なる場合の結合確率である。

A→B の順序で、二つの回答が一致する確率を \(D_{AB}\) とする。

\[
D_{AB}
=
p_{AB}(Y,Y)+p_{AB}(N,N)
\]

同様に、B→A の順序で回答が一致する確率を \(D_{BA}\) とする。

\[
D_{BA}
=
p_{BA}(Y,Y)+p_{BA}(N,N)
\]

二値の逐次射影測定モデルからは、特定の条件のもとで、この二つの確率が一致することが導かれる。

\[
D_{AB}=D_{BA}
\]

これは、個々の回答の結合確率が質問順序によらず一致するという意味ではない。質問順序によって四つの結合確率が変化していても、回答が一致する二種類の結果を合計すると同じ値になるという制約である。

また、各順序について四つの回答確率の和が \(1\) であるため、回答が異なる確率の和についても同じ等式が成立する。これが QQ 等式のもう一つの表現である。

\[
\begin{aligned}
&p_{AB}(Y,N)+p_{AB}(N,Y)\\
&\qquad=
p_{BA}(Y,N)+p_{BA}(N,Y).
\end{aligned}
\]

この等式の意義は、質問順序効果の存在を認めながら、回答分布全体へ追加の制約を課す点にある。古典的な状態更新モデルでは順序依存性を広く表現できるが、一般にはこの等式を満たす必要はない。量子射影測定モデルでは、測定演算子の代数からこの等式が導かれる。

9.2 二値射影測定の前提と確率の定義

QQ 等式を導出するため、質問への回答を量子射影測定として表す。最初に、質問 A の「はい」という回答に対応する射影演算子を \(P\)、質問 B の「はい」に対応する射影演算子を \(Q\) とする。

それぞれの「いいえ」という回答には、補射影を対応させる。

\[
\begin{aligned}
P_{A,Y}&=P,\\
P_{A,N}&=I-P,\\
P_{B,Y}&=Q,\\
P_{B,N}&=I-Q.
\end{aligned}
\]

ここで \(I\) は恒等演算子である。補射影 \(I-P\) は、\(P\) に対応する部分空間と直交する部分空間への射影を表す。同様に、\(I-Q\) は \(Q\) の補射影である。

射影演算子は自己随伴性と冪等性を満たす。

\[
\begin{aligned}
P^\dagger&=P,&P^2&=P,\\
Q^\dagger&=Q,&Q^2&=Q.
\end{aligned}
\]

例えば、\(P^2=P\) は、同じ射影を二回適用しても一回適用した場合と同じ結果になることを意味する。この性質は、後述する QQ 等式の代数的な導出で重要になる。

また、二値測定であるため、肯定と否定に対応する射影演算子の和は恒等演算子となる。

\[
\begin{aligned}
P+(I-P)&=I,\\
Q+(I-Q)&=I.
\end{aligned}
\]

ここでは、質問 A と B に対応する射影演算子が互いに可換であるとは仮定しない。すなわち、一般に \(PQ\neq QP\) であることを許す。二つの質問が非可換な測定へ対応する場合、順序によって回答確率が変化し得る。

質問を受ける前の認知状態を密度演算子 \(\rho\) とする。密度演算子は正値であり、トレースが \(1\) となる。

\[
\rho\geq0,
\qquad
\operatorname{Tr}(\rho)=1
\]

初期状態を密度演算子で表すことで、単一の純粋状態だけでなく、異なる認知状態を持つ参加者の混合を扱える。例えば、調査に参加する人々の初期状態が異なる場合、それぞれの状態を確率的に混合した密度演算子によって、集団としての回答分布を表現できる。

ただし、QQ 等式の導出では、A→B と B→A の両順序について、同じ初期密度演算子 \(\rho\) を使用することを仮定する。実際の調査では、質問順序を無作為に割り当てることで、両群の初期状態の分布を統計的に同等にすることを目指す。

最初の質問 A に「はい」と答える確率は、ボルン則によって次のように計算できる。

\[
p_A(Y)
=
\operatorname{Tr}(P\rho)
\]

この結果が得られた場合、理想的な射影測定ではリューダース更新則によって状態が変更される。結果確率が正であれば、更新後の状態は次のようになる。

\[
\rho_{A,Y}
=
\frac{P\rho P}{\operatorname{Tr}(P\rho)}
\]

ここで分母は最初の質問 A に「はい」と答える確率である。分子は、その回答に対応する部分空間へ状態を射影した結果を表す。

続いて質問 B に「はい」と答える条件付き確率は、更新後の状態に \(Q\) を適用して求める。

\[
P(B=Y\mid A=Y)
=
\operatorname{Tr}(Q\rho_{A,Y})
\]

したがって、A→B の順序で二問とも「はい」と答える結合確率は、最初の結果確率と条件付き確率の積になる。

\[
\begin{aligned}
p_{AB}(Y,Y)
&=\operatorname{Tr}(P\rho)
\operatorname{Tr}(Q\rho_{A,Y})\\
&=\operatorname{Tr}(QP\rho P).
\end{aligned}
\]

トレースには、演算子の積を循環的に入れ替えても値が変わらないという性質がある。この性質と射影演算子の冪等性を用いると、次のように表せる。

\[
\begin{aligned}
p_{AB}(Y,Y)
&=\operatorname{Tr}(QP\rho PQ)\\
&=\operatorname{Tr}(\rho PQP).
\end{aligned}
\]

最初の式は、A への肯定回答によって状態が射影され、その後 B への肯定回答が得られる逐次測定を表している。二番目の式は、トレースの循環性によって同じ確率を演算子の積としてまとめたものである。

他の回答の組についても、肯定射影と補射影を組み合わせれば確率を計算できる。A→B の四つの結合確率は、次のようになる。

\[
\begin{aligned}
p_{AB}(Y,Y)
&=\operatorname{Tr}(\rho PQP),\\
p_{AB}(Y,N)
&=\operatorname{Tr}(\rho P(I-Q)P),\\
p_{AB}(N,Y)
&=\operatorname{Tr}(\rho(I-P)Q(I-P)),\\
p_{AB}(N,N)
&=\operatorname{Tr}(\rho(I-P)(I-Q)(I-P)).
\end{aligned}
\]

例えば、二番目の式は、質問 A に「はい」と答えた後、質問 B に「いいえ」と答える確率を表す。最初の射影 \(P\) によって状態が更新され、その状態に対して B の否定結果に対応する \(I-Q\) が作用する。

三番目の式では、最初の質問 A に「いいえ」と答えたため、状態更新には \(I-P\) を用いる。その後で B に「はい」と答える確率を計算する。

同様に、質問順序を B→A へ変更すると、四つの結合確率は次のようになる。

\[
\begin{aligned}
p_{BA}(Y,Y)
&=\operatorname{Tr}(\rho QPQ),\\
p_{BA}(Y,N)
&=\operatorname{Tr}(\rho Q(I-P)Q),\\
p_{BA}(N,Y)
&=\operatorname{Tr}(\rho(I-Q)P(I-Q)),\\
p_{BA}(N,N)
&=\operatorname{Tr}(\rho(I-Q)(I-P)(I-Q)).
\end{aligned}
\]

ここで最初に作用する射影は、質問 B の結果に対応する \(Q\) または \(I-Q\) である。その後で質問 A に対応する射影を適用するため、演算子の積の順序が A→B の場合とは異なる。

このモデルでは、質問 A と B が同じ二値の射影測定として両順序に使用されること、初期状態が共通であること、最初の質問の結果に応じてリューダース更新則を適用することを仮定している。また、質問間には、指定した射影測定以外の状態変換を挿入しない。

これらの条件を満たす場合、各質問順序の回答確率は、同じ \(P,Q,\rho\) から計算される。QQ 等式は、この共通の演算子構造から導かれる。

9.3 QQ等式を射影演算子の恒等式から導く

QQ 等式を導くため、A→B の順序において、二つの質問への回答が一致する確率を計算する。両方に「はい」と答える場合と、両方に「いいえ」と答える場合を加える。

\[
D_{AB}
=
p_{AB}(Y,Y)+p_{AB}(N,N)
\]

前節の逐次測定確率を代入すると、次のようになる。

\[
\begin{aligned}
D_{AB}
=\operatorname{Tr}\bigl(
\rho\bigl[
&PQP\\
&+(I-P)(I-Q)(I-P)
\bigr]
\bigr).
\end{aligned}
\]

ここで、角括弧内の演算子を計算する。最初の項 \(PQP\) は、A に「はい」、B にも「はい」と答える逐次測定に対応する。第二項は、A に「いいえ」、B にも「いいえ」と答える逐次測定に対応する。

第二項の積を展開する。最初に、左側と右側の \(I-P\) をまとめて考える。

\[
\begin{aligned}
&(I-P)(I-Q)(I-P)\\
&\quad=(I-P)^2-(I-P)Q(I-P).
\end{aligned}
\]

\(P\) は射影演算子なので、\(P^2=P\) が成立する。この性質を利用すると、補射影についても \((I-P)^2=I-P\) が成立する。

\[
\begin{aligned}
(I-P)^2
&=I-2P+P^2\\
&=I-P.
\end{aligned}
\]

続いて、\((I-P)Q(I-P)\) を展開する。

\[
\begin{aligned}
(I-P)Q(I-P)
&=(Q-PQ)(I-P)\\
&=Q-QP-PQ+PQP.
\end{aligned}
\]

この結果を元の式へ代入すると、次のようになる。

\[
\begin{aligned}
&(I-P)(I-Q)(I-P)\\
&\quad=I-P-Q+QP+PQ-PQP.
\end{aligned}
\]

したがって、回答が一致する二つの結果に対応する演算子の和は、次のように整理できる。

\[
\begin{aligned}
&PQP+(I-P)(I-Q)(I-P)\\
&\quad=PQP+I-P-Q+QP+PQ-PQP\\
&\quad=I-P-Q+PQ+QP.
\end{aligned}
\]

ここで、最初の \(PQP\) と、展開によって現れた \(-PQP\) が相殺されている。その結果、A→B の回答一致確率は次のようになる。

\[
D_{AB}
=
\operatorname{Tr}
\left[
\rho(I-P-Q+PQ+QP)
\right]
\]

次に、質問順序を B→A とした場合を考える。回答が一致する確率は次のように定義される。

\[
D_{BA}
=
p_{BA}(Y,Y)+p_{BA}(N,N)
\]

逐次射影測定の確率式を代入すると、次のようになる。

\[
\begin{aligned}
D_{BA}
=\operatorname{Tr}\bigl(
\rho\bigl[
&QPQ\\
&+(I-Q)(I-P)(I-Q)
\bigr]
\bigr).
\end{aligned}
\]

ここでは、最初の質問が B であるため、A→B の場合と比較して、射影演算子 \(P\) と \(Q\) の役割が交換されている。

A→B の場合と同様に、補射影の積を展開する。

\[
\begin{aligned}
&(I-Q)(I-P)(I-Q)\\
&\quad=I-Q-P+PQ+QP-QPQ.
\end{aligned}
\]

この結果を、両方に「はい」と答える場合に対応する \(QPQ\) へ加える。

\[
\begin{aligned}
&QPQ+(I-Q)(I-P)(I-Q)\\
&\quad=QPQ+I-Q-P+PQ+QP-QPQ\\
&\quad=I-Q-P+PQ+QP.
\end{aligned}
\]

演算子の和では加法の順序を交換できるため、右辺は A→B の場合と完全に一致する。

\[
I-Q-P+PQ+QP
=
I-P-Q+PQ+QP
\]

したがって、質問順序 B→A で回答が一致する確率は、次のように表される。

\[
D_{BA}
=
\operatorname{Tr}
\left[
\rho(I-P-Q+PQ+QP)
\right]
\]

これを A→B の結果と比較すると、両者は同じ演算子の期待値になっている。

\[
D_{AB}=D_{BA}
\]

以上より、次の QQ 等式が導かれる。

\[
\boxed{
\begin{aligned}
&p_{AB}(Y,Y)+p_{AB}(N,N)\\
&\qquad=
p_{BA}(Y,Y)+p_{BA}(N,N)
\end{aligned}
}
\]

この等式の導出では、\(P\) と \(Q\) が可換であることを仮定していない。実際、二つの射影演算子が非可換であれば、個々の逐次回答確率は順序によって異なる場合がある。それでも、回答が一致する二種類の結合確率を加えると、演算子の恒等式によって同じ値が得られる。

また、\(P\) と \(Q\) の具体的な行列成分や、初期状態 \(\rho\) の具体的な値も使用していない。したがって、適切な射影演算子と共通の初期状態を使用する限り、この等式は状態空間の次元や初期状態の選択に依存しない。

ここで重要なのは、二つの回答がそれぞれどのような確率で得られるかという個別の値ではなく、複数の結果の確率を加算したときに成立する恒等式である。質問順序によって結果分布が変化していても、その変化が特定の対称性を満たすことを予測している。

さらに、各質問順序について四つの結合確率の和は \(1\) になる。そのため、回答が一致する確率が両順序で等しければ、回答が異なる確率も両順序で等しくなる。

A→B の順序で回答が異なる確率を \(M_{AB}\)、B→A の順序で回答が異なる確率を \(M_{BA}\) とする。

\[
\begin{aligned}
M_{AB}
&=p_{AB}(Y,N)+p_{AB}(N,Y),\\
M_{BA}
&=p_{BA}(Y,N)+p_{BA}(N,Y).
\end{aligned}
\]

各順序について、回答が一致する場合と異なる場合の確率を足すと \(1\) になる。

\[
D_{AB}+M_{AB}=1,
\qquad
D_{BA}+M_{BA}=1
\]

したがって、\(D_{AB}=D_{BA}\) から次の関係が得られる。

\[
\boxed{
\begin{aligned}
&p_{AB}(Y,N)+p_{AB}(N,Y)\\
&\qquad=
p_{BA}(Y,N)+p_{BA}(N,Y)
\end{aligned}
}
\]

これは、二つの質問への回答が異なる確率の和が、質問順序によらず一致するという形式の QQ 等式である。Wang と Busemeyer の原著では、この回答不一致確率の対称性を、質問順序モデルの重要な事前予測として扱っている[11]。

QQ 等式は、二つの質問への回答確率について具体的な制約を与えるが、個々の結合確率がすべて等しくなることは要求しない。例えば、A→B の順序で二問とも「はい」と答える確率が B→A より大きくても、二問とも「いいえ」と答える確率の差がそれを補償すれば、等式は成立する。

この性質を確かめるため、回答一致確率の差を表す量を次のように定義する。

\[
q=D_{AB}-D_{BA}
\]

QQ 等式が成立する場合、\(q=0\) となる。一方、回答不一致確率の差は次のようになる。

\[
M_{AB}-M_{BA}=-q
\]

これは、回答一致確率の差と回答不一致確率の差が、常に符号を反転した関係にあることを意味する。二つの量は独立した検証対象ではなく、同じ確率制約を異なる形で表したものである。

なお、\(q\) を回答不一致確率の差として定義する場合には、符号が逆になる。どちらの定義を使用しても、QQ 等式が予測する \(q=0\) という条件は変わらない。実験結果を比較する場合には、使用する符号の定義を明示する必要がある。

9.4 数値例で順序効果とQQ等式を同時に確認する

QQ 等式が成立していても質問順序効果が存在することを、二次元の具体的な量子モデルで確認する。初期状態を \(|0\rangle\) とし、質問 A の「はい」に対応する状態を \(|0\rangle\)、質問 B の「はい」に対応する状態を \(|b\rangle\) とする。

状態 \(|b\rangle\) を、二つの基底状態の線形結合として定義する。

\[
|b\rangle
=
\cos\theta|0\rangle
+
\sin\theta|1\rangle
\]

ここで \(\theta\) は、質問 A と B の肯定結果に対応する状態の間の角度を表す。二つの状態は規格化されており、\(|b\rangle\) に直交する状態を次のように定義できる。

\[
|b_\perp\rangle
=
-\sin\theta|0\rangle
+
\cos\theta|1\rangle
\]

ここで \(|b_\perp\rangle\) は、質問 B の「いいえ」に対応する状態である。\(|b\rangle\) と \(|b_\perp\rangle\) は互いに直交し、二次元の状態空間の基底を構成する。

質問 A の「はい」に対応する射影演算子を \(P\)、質問 B の「はい」に対応する射影演算子を \(Q\) とする。

\[
P=|0\rangle\langle0|,
\qquad
Q=|b\rangle\langle b|
\]

初期状態の密度演算子は次のようになる。

\[
\rho=|0\rangle\langle0|
\]

この状態で最初に質問 A を行うと、初期状態が A の肯定結果に対応する状態そのものであるため、必ず「はい」という回答が得られる。

\[
P(A=Y)=1,
\qquad
P(A=N)=0
\]

その後で質問 B を行うと、「はい」という結果が得られる確率は、\(|0\rangle\) と \(|b\rangle\) の内積の絶対値二乗になる。

\[
\begin{aligned}
P(B=Y\mid A=Y)
&=|\langle b|0\rangle|^2\\
&=\cos^2\theta.
\end{aligned}
\]

同様に、B に「いいえ」と答える条件付き確率は \(\sin^2\theta\) になる。

\[
P(B=N\mid A=Y)
=
\sin^2\theta
\]

したがって、A→B の順序では次の結合確率が得られる。

\[
\begin{aligned}
p_{AB}(Y,Y)&=\cos^2\theta,\\
p_{AB}(Y,N)&=\sin^2\theta,\\
p_{AB}(N,Y)&=0,\\
p_{AB}(N,N)&=0.
\end{aligned}
\]

次に、質問順序を B→A へ変更する。初期状態は同じ \(|0\rangle\) とするが、最初に質問 B を測定するため、最初の回答と測定後状態の関係が変わる。

最初の質問 B で「はい」と答える確率は \(\cos^2\theta\) であり、「いいえ」と答える確率は \(\sin^2\theta\) である。

\[
\begin{aligned}
P(B=Y)&=\cos^2\theta,\\
P(B=N)&=\sin^2\theta.
\end{aligned}
\]

B に「はい」と答えた場合、測定後状態は \(|b\rangle\) になる。この状態から質問 A に「はい」と答える確率は、\(|b\rangle\) と \(|0\rangle\) の内積の絶対値二乗によって決まる。

\[
P(A=Y\mid B=Y)
=
\cos^2\theta
\]

B に「いいえ」と答えた場合、測定後状態は \(|b_\perp\rangle\) になる。この状態から A に「はい」と答える確率は、次のようになる。

\[
P(A=Y\mid B=N)
=
|\langle0|b_\perp\rangle|^2
=
\sin^2\theta
\]

したがって、B→A の順序では次の結合確率が得られる。

\[
\begin{aligned}
p_{BA}(Y,Y)&=\cos^4\theta,\\
p_{BA}(Y,N)&=\cos^2\theta\sin^2\theta,\\
p_{BA}(N,Y)&=\sin^4\theta,\\
p_{BA}(N,N)&=\sin^2\theta\cos^2\theta.
\end{aligned}
\]

この二つの分布について、回答が一致する確率を比較する。A→B の場合には次のようになる。

\[
D_{AB}
=
\cos^2\theta
\]

B→A の場合には、二つの項を加算する。

\[
\begin{aligned}
D_{BA}
&=\cos^4\theta
+\sin^2\theta\cos^2\theta\\
&=\cos^2\theta
(\cos^2\theta+\sin^2\theta)\\
&=\cos^2\theta.
\end{aligned}
\]

したがって、角度 \(\theta\) の値にかかわらず、次の関係が成立する。

\[
D_{AB}=D_{BA}
\]

ここでは、具体的な状態と測定演算子を選び、逐次測定の確率を直接計算することで QQ 等式を確認した。個々の結合確率は順序によって異なるが、回答一致確率の和は等しい。

さらに、\(\theta=\pi/4\) とする。このとき、\(\cos^2\theta=\sin^2\theta=1/2\) である。

\[
\cos^2\frac{\pi}{4}
=
\sin^2\frac{\pi}{4}
=
\frac12
\]

この値を代入すると、A→B の回答分布は次のようになる。

\[
\begin{aligned}
p_{AB}(Y,Y)&=\frac12,\\
p_{AB}(Y,N)&=\frac12,\\
p_{AB}(N,Y)&=0,\\
p_{AB}(N,N)&=0.
\end{aligned}
\]

一方、B→A の回答分布では、四つの結果がすべて同じ確率になる。

\[
\begin{aligned}
p_{BA}(Y,Y)&=\frac14,\\
p_{BA}(Y,N)&=\frac14,\\
p_{BA}(N,Y)&=\frac14,\\
p_{BA}(N,N)&=\frac14.
\end{aligned}
\]

二つの分布を表にまとめる。

回答の組 A→B B→A
Y,Y \(0.50\) \(0.25\)
Y,N \(0.50\) \(0.25\)
N,Y \(0\) \(0.25\)
N,N \(0\) \(0.25\)

この結果では、四つの結合確率が質問順序によって変化している。例えば、両方に「はい」と答える確率は、A→B で \(0.5\)、B→A で \(0.25\) である。また、A→B では最初の質問 A に必ず「はい」と答えるが、B→A では二番目の質問 A への回答が「はい」と「いいえ」に分かれる。

一方、回答が一致する確率を計算すると、どちらの順序でも同じ値になる。

\[
\begin{aligned}
D_{AB}
&=0.50+0
=0.50,\\
D_{BA}
&=0.25+0.25
=0.50.
\end{aligned}
\]

回答が異なる確率についても、両順序で \(0.5\) になる。

\[
\begin{aligned}
M_{AB}
&=0.50+0
=0.50,\\
M_{BA}
&=0.25+0.25
=0.50.
\end{aligned}
\]

この数値例は、質問順序効果が存在することと、QQ 等式が成立することが両立する具体例である。QQ 等式は、質問順序による回答分布の変化を否定するものではない。むしろ、その変化に対して特定の対称性を要求している。

ただし、この例は量子モデルから計算した仮想的な回答分布であり、実際の世論調査の観測値ではない。また、同じ確率分布を古典的な状態更新モデルによって再現できないことを示すものでもない。量子モデルの実験的な評価には、具体的な調査で観測された回答分布が、この等式とどの程度整合するかを確認する必要がある。

9.5 事前予測と実験的な検証

QQ 等式の特徴は、実験データを観測した後に自由パラメーターを調整して成立させる関係ではなく、二値射影測定モデルの数学的な構造から事前に導かれる関係である点にある。初期状態や射影演算子の具体的な値を指定しなくても、モデルの前提が成立する限り、回答一致確率の和が等しいという予測を得られる。

Wang と Busemeyer は、2013 年の研究で、量子質問順序モデルから QQ 等式を導出し、四種類の質問順序効果を含む既存の世論調査と二つの実験を用いて検証した[11]。この研究では、質問順序によって回答確率が変化する場合にも、QQ 等式という追加の制約が成立するかを調べている。

続いて、Wang、Solloway、Shiffrin、Busemeyer は、2014 年の研究で、70 件の全国代表調査と二つの実験に対して QQ 等式を検証した[12]。全国調査では、質問順序を変更した場合の回答分布を取得し、二つの順序で回答一致確率が等しいという予測を評価している。

この研究で利用した全国調査は、各調査に 651 人から 3006 人の参加者が含まれていた。質問順序の影響を調べるため、同じ二つの質問を A→B と B→A の異なる順序で提示し、回答分布を比較している。

例えば、1997 年の Gallup 調査では、Bill Clinton と Al Gore について、誠実で信頼できると思うかを尋ねる二つの質問が利用された。参加者の一方の群には Clinton について先に尋ね、もう一方の群には Gore について先に尋ねた。

この実験では、最初に誰について評価したかが、続く人物への評価の文脈を変更する可能性がある。例えば、先に Clinton を評価した場合には、その評価内容が Gore についての回答へ影響する可能性がある。一方、先に Gore を評価した場合には、Gore について形成した判断が Clinton への回答へ影響し得る。

このように、質問順序を交換すると回答分布が変化する場合でも、量子射影測定モデルは回答一致確率の和に対称性が成立することを予測する。

Wang らの 2014 年の論文では、最初に示した Gallup 調査の例について、QQ 等式からのずれが小さいことを報告している。Clinton と Gore に関する調査では、報告された QQ 等式の差の絶対値は約 \(0.003\) だった。また、白人と黒人の相互的な態度を尋ねる調査でも、対応する差の絶対値は約 \(0.02\) だった[12]。

これらの値は、質問順序効果が存在しないことを意味するものではない。各回答の結合確率は順序によって異なっていても、回答が一致する場合の確率の増減が相殺され、QQ 等式からの差が小さくなることがある。

QQ 等式が予測するのは、質問順序効果の大きさがゼロになることではなく、異なる回答結果の組の間で特定の補償関係が成立することである。

この補償関係を、回答一致確率の変化として整理する。A→B と B→A の両順序で、両方に「はい」と答える確率の差を \(\Delta_{YY}\)、両方に「いいえ」と答える確率の差を \(\Delta_{NN}\) とする。

\[
\begin{aligned}
\Delta_{YY}
&=p_{AB}(Y,Y)-p_{BA}(Y,Y),\\
\Delta_{NN}
&=p_{AB}(N,N)-p_{BA}(N,N).
\end{aligned}
\]

QQ 等式は、これらの差の和がゼロになることを要求する。

\[
\Delta_{YY}+\Delta_{NN}=0
\]

したがって、次の関係が得られる。

\[
\Delta_{YY}=-\Delta_{NN}
\]

この式は、両方に「はい」と答える確率が質問順序によって増加した場合、その増加分が、両方に「いいえ」と答える確率の減少分によって補償されることを意味する。

例えば、質問順序を交換することで両方に「はい」と答える確率が \(0.08\) 増加したなら、QQ 等式が成立するモデルでは、両方に「いいえ」と答える確率が \(0.08\) 減少する必要がある。この値は説明のための仮想例だが、二つの確率差が反対符号で対応するという関係は、モデルの一般的な予測である。

2014 年の研究では、回答一致確率の二つの差がほぼ反対符号で対応する傾向が確認されている。論文では、二つの差の相関係数として \(r=-0.82\) が報告され、極端な二点を除いた場合でも \(r=-0.73\) だった[12]。

この負の相関は、一方の回答組合せの確率が増加すると、もう一方が減少するという QQ 等式の補償関係と整合している。ただし、相関係数が負であることだけで、すべての調査について厳密な等式が成立しているとは結論できない。各調査での差の大きさ、標本誤差、質問条件を併せて検証する必要がある。

QQ 等式への適合を評価する際には、2013 年の理論的な予測と 2014 年の大規模な検証を区別することが重要になる。前者は、二値の逐次射影測定からパラメーターに依存しない確率制約を導出し、限られた実験データで検証した。後者は、より多数の全国調査と実験へ同じ制約を適用し、その一般性を評価した。

9.6 質問の間に情報が挿入された場合の反証条件

QQ 等式は、二つの質問に対して任意の認知的な処理が行われても常に成立するという関係ではない。導出では、同じ初期状態から出発し、質問 A と B を続けて実施し、最初の回答に対応するリューダース更新以外の状態変換を挿入しないことを仮定している。

例えば、質問 A の後で質問 B を尋ねる場合、質問 A への回答によって状態が射影され、その状態から質問 B への回答が生成される。この過程は、肯定回答に対応する射影だけを取り出すと、次のように表せる。

\[
|\psi\rangle
\longmapsto
P|\psi\rangle
\longmapsto
QP|\psi\rangle
\]

ここで、最初の射影によって得られる状態ベクトルは非正規化状態であり、逐次結果の結合確率を計算するために使用している。B→A の場合には、射影の順序が交換される。

\[
|\psi\rangle
\longmapsto
Q|\psi\rangle
\longmapsto
PQ|\psi\rangle
\]

QQ 等式の導出では、両順序で同じ \(P,Q\) を使用し、その間に別の状態変換が存在しないため、前節の射影演算子の恒等式を適用できる。

しかし、質問の間に新しい説明文や追加情報が提示された場合、その情報によって認知状態が変更される可能性がある。例えば、人物 A について評価した後で、その人物に関する新しい情報を提示し、続いて人物 B について評価する場合を考える。このとき、最初の回答から二番目の回答へ進む間に、情報提示による状態変換が加わる。

追加情報による状態変換を \(\mathcal U\) とすると、A→B の順序で二つの肯定回答が得られる確率は、一般に次のように変化する。

\[
p_{AB}(Y,Y)
=
\operatorname{Tr}
\left[
Q\,\mathcal U_{AB}(P\rho P)
\right]
\]

ここで \(\mathcal U_{AB}\) は、A への回答後、B への回答前に生じる状態変換を表す。例えば、追加情報によって認知状態が変化する過程を、完全正値でトレースを保存する写像として表現できる。

B→A の順序についても、質問間に別の状態変換が生じる場合がある。

\[
p_{BA}(Y,Y)
=
\operatorname{Tr}
\left[
P\,\mathcal U_{BA}(Q\rho Q)
\right]
\]

この式では、B への回答後、A への回答前に作用する変換を \(\mathcal U_{BA}\) としている。二つの順序で提示される情報が異なれば、一般に \(\mathcal U_{AB}\) と \(\mathcal U_{BA}\) は一致しない。

このような変換を挿入した場合、A→B と B→A の回答一致確率を、前節と同じ \(I-P-Q+PQ+QP\) という演算子へ整理することはできない。したがって、QQ 等式は一般には導かれなくなる。

また、質問の間に情報を挿入しない場合でも、二つの順序に割り当てられた参加者群の初期状態が異なれば、同じ密度演算子 \(\rho\) を使用するという前提が成立しない。例えば、一方の群に特定の背景説明を与え、もう一方の群には異なる説明を与えた場合、質問順序以外の要因が回答分布へ影響する可能性がある。

この場合、初期状態をそれぞれ \(\rho_{AB}\)、\(\rho_{BA}\) とすると、回答一致確率は次のようになる。

\[
\begin{aligned}
D_{AB}
&=\operatorname{Tr}
\left[
\rho_{AB}(I-P-Q+PQ+QP)
\right],\\
D_{BA}
&=\operatorname{Tr}
\left[
\rho_{BA}(I-P-Q+PQ+QP)
\right].
\end{aligned}
\]

二つの式に現れる演算子は同じでも、初期状態が異なれば期待値が一致するとは限らない。したがって、QQ 等式を検証する実験では、質問順序の違い以外の条件をできる限り一致させる必要がある。

Wang らは、質問の間に追加情報が入る場合には、QQ 等式の導出に用いた前提が成立しないことを明示している[12]。具体例として、野球選手の Pete Rose と Joe Jackson について、殿堂入りの是非を尋ねた調査が扱われている。

この調査では、各人物について質問する前に、その人物に関する背景説明が提示された。したがって、質問順序を交換した場合には、人物についての質問だけでなく、それぞれに対応する背景情報を受け取る順序も変更される。

その結果、A→B と B→A の二つの順序について、同じ初期状態から二つの射影測定だけを連続して適用するという単純なモデルの前提が満たされない。

この調査では、QQ 等式からの差の絶対値が約 \(0.15\) と大きく、統計的にも有意な逸脱が報告されている[12]。ただし、この結果を、前提を満たす二値射影測定モデルの一般的な反例として扱うことはできない。質問の間に別の情報が挿入されているため、モデルが予測対象として定義した条件から外れている。

一方、QQ 等式からの逸脱が生じた場合に、後から自由な追加変換を導入すれば必ず説明できるとすることも適切ではない。追加変換を使用するなら、その変換がどの情報提示に対応し、どのような状態変更を生じさせるかを事前に定義する必要がある。

例えば、背景説明の有無を実験的に操作し、説明を提示しない条件では QQ 等式が成立し、説明を提示した条件では特定の方向へ逸脱すると予測するモデルを構成できる。その予測を独立した実験で検証すれば、単純な射影測定モデルの適用範囲と、追加情報による状態更新の影響を区別できる。

QQ 等式が成立する条件を明確にすることは、理論を反証から保護するためではない。どの実験条件で等式が導かれ、どの条件では別のモデルが必要になるかを、予測前に固定するためである。質問順序効果の存在と同様に、QQ 等式への適合や逸脱も、実験操作とモデルの前提を対応づけて評価する必要がある。

9.7 実験結果を確率差として評価する

QQ 等式を実験データで検証する場合、理論上の確率と、有限の参加者から推定した確率を区別する必要がある。理論では \(D_{AB}=D_{BA}\) が厳密に成立するが、実験で得られる回答割合には標本誤差が含まれるため、二つの推定値が完全に一致するとは限らない。

例えば、A→B の順序に割り当てた参加者数を \(N_{AB}\)、B→A の順序に割り当てた参加者数を \(N_{BA}\) とする。A→B で二問とも「はい」と答えた人数を \(n_{AB}(Y,Y)\)、二問とも「いいえ」と答えた人数を \(n_{AB}(N,N)\) とする。

この場合、A→B の回答一致確率の推定値は次のようになる。

\[
\widehat D_{AB}
=
\frac{
n_{AB}(Y,Y)+n_{AB}(N,N)
}{
N_{AB}
}
\]

同様に、B→A の回答一致確率の推定値は次のようになる。

\[
\widehat D_{BA}
=
\frac{
n_{BA}(Y,Y)+n_{BA}(N,N)
}{
N_{BA}
}
\]

ここで、二つの順序について参加者数が異なっていても、それぞれの群で回答一致の割合を計算することで比較できる。

QQ 等式からのずれを表す推定量を、次のように定義する。

\[
\widehat q
=
\widehat D_{AB}-\widehat D_{BA}
\]

QQ 等式が成立するという帰無仮説のもとでは、母集団における回答一致確率の差はゼロである。

\[
H_0:q=0
\]

一方、実験で推定した \(\widehat q\) は、標本誤差によってゼロ以外の値を取り得る。そのため、観測された差が標本誤差の範囲として説明できるかを統計的に評価する必要がある。

最も単純な場合として、二つの質問順序の群が独立に無作為抽出され、各参加者の回答一致・不一致をベルヌーイ変数として扱えるとする。この条件では、回答一致割合の分散を二項分布に基づいて近似できる。

各順序の回答一致確率を推定値で置き換えると、差の標準誤差は次のように近似される。

\[
\operatorname{SE}(\widehat q)
\approx
\sqrt{
\frac{
\widehat D_{AB}(1-\widehat D_{AB})
}{
N_{AB}
}
+
\frac{
\widehat D_{BA}(1-\widehat D_{BA})
}{
N_{BA}
}
}
\]

ここで \(\operatorname{SE}\) は標準誤差を表す。二つの群が独立であるという条件を利用して、それぞれの推定割合の分散を加算している。

例えば、A→B の群に 500 人、B→A の群に 500 人が参加し、回答一致割合がそれぞれ \(0.52\) と \(0.49\) だったとする。この値は統計的な評価方法を説明するための仮想例である。

\[
\begin{aligned}
N_{AB}&=500,\\
N_{BA}&=500,\\
\widehat D_{AB}&=0.52,\\
\widehat D_{BA}&=0.49.
\end{aligned}
\]

この場合、QQ 等式からの推定上の差は次のようになる。

\[
\widehat q
=
0.52-0.49
=
0.03
\]

標準誤差は、次のように計算できる。

\[
\begin{aligned}
\operatorname{SE}(\widehat q)
&\approx
\sqrt{
\frac{0.52\cdot0.48}{500}
+
\frac{0.49\cdot0.51}{500}
}\\
&\approx0.0316.
\end{aligned}
\]

観測された差 \(0.03\) は、この標準誤差と同程度である。したがって、この仮想例では、単に \(\widehat q\) がゼロではないことから QQ 等式の違反を結論することはできない。

ただし、実際の全国調査では、標本抽出方法、重みづけ、参加者の集団構造、回答の欠損などを考慮する必要がある。単純な二項分布の近似が、そのまま適切な標準誤差を与えるとは限らない。したがって、上の計算は統計的な評価の基本構造を説明するためのものである。

Wang らの 2014 年の研究では、70 件の全国代表調査と二つの実験について QQ 等式を検証した。そのうち、2001 年から 2011 年に実施された 66 件の Pew Research Center の全国調査は、質問順序効果が見つかったという理由で選択したものではなく、利用可能な対象調査を広く含む集合として扱われている[12]。

一方、残る四つの全国調査は、過去の研究で質問順序効果が報告されていた事例から選定されている。そのため、質問順序効果が大きい事例を意図的に含むことによる選択の影響を避けるため、66 件の Pew 調査を取り出した統計解析が行われた。

この 66 件について、質問順序効果の検定統計量の分布を調べた結果、帰無仮説からの有意な逸脱が報告された。

\[
p=0.0004
\]

ここでの \(p\) 値は、質問順序効果が存在しないという帰無仮説のもとで、観測された検定統計量の分布を評価した結果である。小さい \(p\) 値は、質問順序によって回答分布が変化する傾向が、標本誤差だけでは説明しにくいことを示している。

これとは別に、QQ 等式からのずれを検証するため、各調査の \(q\) 値に対応する検定統計量の分布が評価された。その結果、QQ 等式が成立するという帰無仮説からの有意な逸脱は検出されなかった。

\[
p=0.4625
\]

この二つの \(p\) 値は、それぞれ異なる帰無仮説に対応する。前者は質問順序効果が存在するかという検定であり、後者は QQ 等式が要求する確率の対称性から有意に逸脱しているかという検定である。

したがって、この研究では、質問順序によって回答分布が変化しているという結果と、その変化が QQ 等式の制約と整合しているという結果が、同時に得られている。

ただし、\(p=0.4625\) は、QQ 等式が真である確率を表すものではない。また、帰無仮説が棄却されなかったことは、すべての調査で QQ 等式が厳密に成立することの証明ではない。標本数や統計的検出力によっては、実際の逸脱が存在していても検出できない場合がある。

QQ 等式の実験的な支持を評価する際には、単一の \(p\) 値だけでなく、各調査における \(\widehat q\) の大きさ、標本誤差、質問順序効果の大きさを併せて確認する必要がある。

例えば、質問順序効果そのものがほとんど存在しない場合には、QQ 等式からの差も小さくなる可能性がある。その場合、QQ 等式が成立しているという結果は、量子射影測定モデルに固有の説明能力を強く支持するものとは限らない。

一方、個々の回答確率に大きな順序効果が存在しながら、QQ 等式からの差が小さく維持される場合には、回答分布の変化に特定の対称性が存在することを示す。このような関係は、単に順序効果があるという観測よりも、モデルに対する具体的な制約を与える。

Wang らの研究では、回答確率の順序効果が大きい調査についても、QQ 等式からの差が相対的に小さい傾向が報告されている[12]。これは、量子射影測定モデルが予測する対称性が、複数の調査条件で観測された回答分布と整合していることを示す。

ただし、古典的な状態更新モデルの中にも、同じ確率制約を満たすものを構成できる。したがって、QQ 等式への適合は、特定の量子認知モデルへの支持を与える一方、古典確率一般を排除する証拠にはならない。

9.8 QQ等式を破る古典モデルと満たす古典モデル

QQ 等式の検証結果を解釈するには、どの古典的な状態更新モデルが同じ等式を満たすかを考える必要がある。質問順序効果が存在することは、古典的な状態遷移でも説明できる。一方、QQ 等式は、回答一致確率の和が両順序で等しいという追加の制約を課している。

古典的なモデルがこの制約を自動的に満たすとは限らない。例えば、質問 A の回答後に質問 B への回答確率が変更される規則と、質問 B の回答後に質問 A への回答確率が変更される規則を、互いに独立したパラメーターで設定できる場合を考える。

このとき、A→B と B→A の回答分布は、それぞれの初回回答確率と条件付き回答確率の積によって求められる。

\[
\begin{aligned}
p_{AB}(a,b)
&=P_A(a)\,P_B(b\mid a,A\to B),\\
p_{BA}(b,a)
&=P_B(b)\,P_A(a\mid b,B\to A).
\end{aligned}
\]

ここで \(P_A(a)\) は A を最初に尋ねた場合の回答確率、\(P_B(b)\) は B を最初に尋ねた場合の回答確率である。後続の条件付き確率は、最初の質問とその回答によって更新された内部状態を反映する。

このモデルでは、四つの結合確率を各順序について規格化された確率分布として設定できる。しかし、A→B と B→A の条件付き回答確率に追加の関係を課さなければ、QQ 等式は一般には成立しない。

具体例として、A→B の回答分布を次のように設定する。

\[
\begin{aligned}
p_{AB}(Y,Y)&=0.4,\\
p_{AB}(Y,N)&=0.3,\\
p_{AB}(N,Y)&=0.2,\\
p_{AB}(N,N)&=0.1.
\end{aligned}
\]

この分布では、四つの確率が非負で、その和は \(1\) になる。回答が一致する確率は、次のようになる。

\[
D_{AB}=0.4+0.1=0.5
\]

一方、B→A の回答分布を次のように設定する。

\[
\begin{aligned}
p_{BA}(Y,Y)&=0.1,\\
p_{BA}(Y,N)&=0.4,\\
p_{BA}(N,Y)&=0.3,\\
p_{BA}(N,N)&=0.2.
\end{aligned}
\]

こちらも非負で規格化された確率分布である。しかし、回答が一致する確率は次の値になる。

\[
D_{BA}=0.1+0.2=0.3
\]

したがって、QQ 等式からの差は次のようになる。

\[
q=D_{AB}-D_{BA}=0.2
\]

この二つの回答分布は、古典的な逐次判断モデルとして実現できる。例えば、A→B では、最初の A に「はい」と答える確率を \(0.7\) とし、A への回答を条件として B への回答確率を設定する。

\[
\begin{aligned}
P_A(Y)&=0.7,\\
P_B(Y\mid A=Y)&=\frac47,\\
P_B(Y\mid A=N)&=\frac23.
\end{aligned}
\]

これらの値を用いると、A→B の四つの結合確率が再現される。例えば、両方に「はい」と答える確率は次のようになる。

\[
\begin{aligned}
p_{AB}(Y,Y)
&=P_A(Y)P_B(Y\mid A=Y)\\
&=0.7\cdot\frac47\\
&=0.4.
\end{aligned}
\]

同様に、A に「いいえ」、B に「はい」と答える確率は次のようになる。

\[
\begin{aligned}
p_{AB}(N,Y)
&=P_A(N)P_B(Y\mid A=N)\\
&=0.3\cdot\frac23\\
&=0.2.
\end{aligned}
\]

B→A の分布についても、最初の質問 B への回答確率と、その回答を条件とした A への回答確率を設定すれば再現できる。したがって、この例は、通常の確率規則に従う古典的な逐次判断でありながら、QQ 等式を満たさないモデルになっている。

一方、古典的な状態更新モデルであっても、QQ 等式を満たす確率分布を構成できる。例えば、A→B の回答分布を前と同じにし、B→A の回答分布を次のように設定する。

\[
\begin{aligned}
p_{BA}(Y,Y)&=0.2,\\
p_{BA}(Y,N)&=0.3,\\
p_{BA}(N,Y)&=0.2,\\
p_{BA}(N,N)&=0.3.
\end{aligned}
\]

この場合、回答一致確率は次のようになる。

\[
D_{BA}=0.2+0.3=0.5
\]

A→B の回答一致確率も \(0.5\) なので、QQ 等式が成立する。

\[
D_{AB}=D_{BA}=0.5
\]

それでも、二つの順序の回答分布は一致していない。例えば、A→B で両方に「はい」と答える確率は \(0.4\) だが、B→A では \(0.2\) である。質問順序効果を持ちながら、QQ 等式を満たす古典的な確率分布が構成されている。

この分布も、通常の条件付き確率によって生成できる。B を先に尋ねた場合の「はい」の確率を \(0.5\) とし、B への回答にかかわらず、続く A への「はい」の確率を \(0.4\) とすればよい。

\[
\begin{aligned}
P_B(Y)&=0.5,\\
P_A(Y\mid B=Y)&=0.4,\\
P_A(Y\mid B=N)&=0.4.
\end{aligned}
\]

この設定では、B→A の四つの回答確率は、次のようになる。

\[
\begin{aligned}
p_{BA}(Y,Y)&=0.5\cdot0.4=0.2,\\
p_{BA}(Y,N)&=0.5\cdot0.6=0.3,\\
p_{BA}(N,Y)&=0.5\cdot0.4=0.2,\\
p_{BA}(N,N)&=0.5\cdot0.6=0.3.
\end{aligned}
\]

このように、古典的なモデルでも、質問ごとの回答確率と状態更新規則を適切に設定すれば、質問順序効果と QQ 等式を同時に満たすことができる。

二つの古典モデルの違いを整理すると、次のようになる。

モデル A→B の回答一致確率 B→A の回答一致確率 QQ 等式
古典モデル 1 \(0.5\) \(0.3\) \(q=0.2\) となり、成立しない。
古典モデル 2 \(0.5\) \(0.5\) \(q=0\) となり、成立する。

この比較から、QQ 等式は古典確率の一般的な公理だけでは導かれず、古典確率と必ず矛盾する条件でもないことが分かる。古典確率の枠内で、QQ 等式を満たす状態更新モデルと満たさない状態更新モデルの両方を構成できる。

一方、固定された一つの結合確率分布だけを用い、質問による状態更新を許さないモデルでは、質問 A と B の回答を単に二つの確率変数として扱うことになる。その場合、質問順序を交換しても事象の結合確率は変更されないため、QQ 等式は成立するが、質問順序効果そのものを説明できない。

したがって、QQ 等式が成立するという事実だけでなく、質問順序効果が実際に存在することも重要になる。固定された結合確率分布では順序効果を説明できず、一般的な履歴依存モデルでは QQ 等式が自動的に成立しない。この二つの性質を同時に説明することが、モデルに対する追加の制約になる。

量子射影測定モデルでは、状態、射影演算子、測定後状態の更新規則を定めると、質問順序効果と QQ 等式の両方が共通の数学的構造から導かれる。そのため、個々の回答確率を独立に調整するモデルよりも、複数の実験条件にわたる制約を明示しやすいという特徴がある。

ただし、古典的な状態更新モデルにも、追加の対称性や構造的な制約を導入すれば、QQ 等式を予測するモデルを構成できる可能性がある。その場合、どのような仮定によって等式が導かれるか、他の質問列や回答再現効果についてどのような予測を与えるかを比較する必要がある。

また、量子射影測定モデル自身にも、適用範囲に関する制約が存在する。QQ 等式は、共通の初期状態、二値の射影測定、リューダース更新則、質問間に追加変換を挟まないことから導かれている。測定後状態の更新をより一般的な規則へ変更した場合には、同じ等式が自動的に成立するとは限らない。

このことから、QQ 等式の成立は、量子確率一般のすべてのモデルが必ず満たす性質ではなく、特定の逐次射影測定モデルが与える確率制約として理解する必要がある。

Wang らの研究は、質問順序による回答分布の変化に対して、パラメーターに依存しない QQ 等式という具体的な制約を与え、その制約が多数の調査結果と整合することを示した[11][12]。一方、等式を満たす古典モデルが構成可能であることから、等式への適合だけで古典確率一般を排除することはできない。

量子認知モデルの説明能力をさらに評価するためには、同じ状態空間と測定規則を用いて、質問 A→B だけでなく、A→B→A のような繰り返し質問についても予測を与える必要がある。例えば、最初に A へ「はい」と答えた後、B を挟んでも再び A へ「はい」と答える確率が高い場合、その回答再現効果をどのような状態更新規則で説明するかが問題になる。

QQ 等式への適合は、二つの質問を連続して実施した場合の回答確率に対する検証である。回答再現効果まで説明するには、最初の質問結果によって状態がどのように変更され、二番目の質問を経た後にどの程度保存されるかという追加の条件が必要になる。量子インストルメントを用いる認知モデルでは、測定結果の確率と測定後状態の変換を分離して表現できるため、この問題をより一般的な測定理論の枠組みで検討できる。

QQ 等式によって明らかになったのは、量子認知モデルが、単に質問順序効果を再現するための柔軟な確率モデルではなく、測定演算子の構造から実験的に検証可能な等式を導けるという点である。その一方、等式の成立条件と古典モデルとの比較範囲を明示することで、量子確率の有効性と物理的な量子機構の存在、さらに量子理論の必要性を、それぞれ独立した命題として評価できる。


10. 回答再現効果と量子インストルメントを比較する

10.1 A→B→Aで同じ回答が保たれる条件

質問順序効果を量子射影測定によって説明する場合、最初の質問が認知状態を変更し、その変更された状態から二番目の回答が生成される。一方、人間の判断には、質問の順序によって回答分布が変化するだけでなく、一度回答した質問に戻ったときに以前の回答が再現されるという性質もある。二つの性質を同じ状態更新モデルで説明できるかが問題になる。

例えば、ある政治家を信頼できるかという質問 A に「はい」と答えた後、別の政治家について同じ質問 B に答え、再び最初の政治家について質問 A を受ける場合を考える。途中で別の人物について判断しても、最初に示した意見を維持することがある。反対に、質問 B によって比較対象や判断基準が変化し、二回目の A に異なる回答を示すこともある。

このような繰り返し質問において、最初と最後の回答が一致する傾向を回答再現効果と呼ぶ。量子認知研究では、質問順序効果を QOE、回答再現効果を RRE と略記することがある。QOE は質問の順序を変更したときの回答確率の違いに関する性質であり、RRE は質問を繰り返したときの回答の安定性に関する性質である。

両者は別々の観測量によって評価される。質問順序効果を調べる場合には、A→B と B→A の回答分布を比較する。一方、回答再現効果を調べる場合には、A→A や A→B→A などの質問列において、最初と最後の A への回答が一致する確率を調べる。

質問 A と B がそれぞれ「はい」「いいえ」の二値回答を持つとする。A への最初の回答を \(A_1\)、途中の B への回答を \(B_2\)、最後の A への回答を \(A_3\) と表す。ここで添字は質問の種類ではなく、質問列の何番目に実施されたかを示している。

回答再現効果を確率として評価するには、最初の A への回答と最後の A への回答が一致する確率を計算する。

\[
R_{ABA}
=
P(A_3=A_1)
\]

この式では、途中の B への回答が何であったかを区別せずに、A への二つの回答が一致した割合を評価している。実際の行動実験では、一定数の参加者に A→B→A という順序で質問を提示し、最初と最後の A への回答を比較することで推定できる。

ただし、集計された回答一致確率が高いことと、どのような回答をした参加者についても再現性が高いことは同じではない。例えば、「はい」と答える人が大多数を占める質問では、内部状態の記憶や保持がなくても、二回とも「はい」と答える割合が高くなる場合がある。

そのため、再現性の構造を調べるには、最初の回答と途中の回答を条件として、最後の回答を評価する必要がある。最初の A への回答を \(a\)、途中の B への回答を \(b\) とすると、次の条件付き確率を考える。

\[
P(A_3=a\mid A_1=a,B_2=b)
\]

ここで \(a,b\) はそれぞれ「はい」または「いいえ」である。条件付き確率を用いることで、最初にどちらの回答を示したか、途中で B にどう答えたかによって、A への回答の再現性が異なるかを調べられる。

量子認知モデルにおいて回答再現効果を理想化する場合、最初の回答が得られた後、途中の質問を経ても、最後に同じ回答が確率 1 で得られるという条件を設定することがある。しかし、現実の行動実験では回答の揺らぎ、記憶の変化、時間的な経過などが存在するため、完全な再現性を数学的な理想条件として扱い、実際の再現確率とは区別する必要がある。

ここで、単純な量子射影測定モデルには重要な制約が存在する。ある質問 A に回答すると、状態はその結果に対応する部分空間へ射影される。この直後に同じ A を再測定すれば、理想的なリューダース射影測定では同じ結果が必ず得られる。

しかし、A と非可換な質問 B を途中で測定すると、B への回答に対応した射影によって状態が再び変更される。その結果、A の最初の回答に対応する部分空間から外れる成分が生じ、最後の A に異なる回答が現れる可能性がある。

したがって、量子射影測定では、同じ質問を直ちに繰り返す場合の再現性と、別の質問を挟んだ場合の再現性を区別する必要がある。前者は射影演算子の冪等性から成立するが、後者は途中の測定による状態変換にも依存する。

Ozawa と Khrennikov は、質問順序効果と回答再現効果を同時に記述する問題を、量子インストルメント理論によって検討した[13]。その研究では、単純なリューダース射影測定を超えた測定後状態の更新を利用することで、両効果を組み合わせたモデルを構成している。

ここで検証すべき対象は、量子確率を使えば二つの現象を個別に表現できるかという問題だけではない。同じ質問に対応する状態と測定操作を固定したまま、質問順序による回答分布の違いと、質問を繰り返した場合の回答の保持を同時に説明できるかという問題である。

10.2 A→B→Aにおける回答再現を数式で定義する

回答再現効果を数学的に定義するため、最初の質問 A への回答を \(a\)、途中の B への回答を \(b\)、最後の A への回答を \(a’\) とする。すべての回答が二値である場合、A→B→A には八種類の回答列が存在する。

最初と最後の A への回答が一致するのは、\(a’=a\) の場合である。途中の B への回答は「はい」「いいえ」のいずれでもよい。

理想化された回答再現効果は、実際に起こり得るすべての回答組合せについて、次の条件で表せる。

\[
P(A_3=a\mid A_1=a,B_2=b)=1
\]

ここで、この条件付き確率は、\(P(A_1=a,B_2=b)\) が正である場合に定義される。確率がゼロの回答列については、通常の条件付き確率として値を定める必要はない。

この条件は、最初の A への回答が \(a\) だった場合、途中で B にどちらの回答を示しても、最後の A への回答が同じ \(a\) になることを要求している。

対応する結合確率を使用すると、異なる回答が再び現れる確率がゼロであるという形にも書ける。

\[
P(A_1=a,B_2=b,A_3\neq a)=0
\]

この式が、考慮するすべての \(a,b\) について成立すれば、理想化された A→B→A の回答再現条件を満たす。

途中に質問 B を挟まない A→A の回答再現では、次の条件を考える。

\[
P(A_2=a\mid A_1=a)=1
\]

A→A の条件では、二回の A 測定の間に別の質問による状態更新が存在しない。一方、A→B→A では、途中の B による更新を含むため、より強い保持条件が必要になる。

単純な射影測定の場合を考える。質問 A の回答 \(a\) に対応する射影演算子を \(P_a\)、質問 B の回答 \(b\) に対応する射影演算子を \(Q_b\) とする。初期状態を密度演算子 \(\rho\) とすると、A→B→A の三つの回答が \(a,b,a’\) になる結合確率は次のように計算できる。

\[
\begin{aligned}
&p_{ABA}(a,b,a’)\\
&\quad=
\operatorname{Tr}\bigl(
P_{a’}Q_bP_a
\rho
P_aQ_bP_{a’}
\bigr).
\end{aligned}
\]

ここで、内側の \(P_a\) が最初の A への回答、\(Q_b\) が途中の B への回答、外側の \(P_{a’}\) が最後の A への回答に対応する。各回答が得られるたびにリューダース更新則を適用している。

最初の回答を再現する確率は、最後の回答が \(a’=a\) である場合の確率として計算できる。

\[
\begin{aligned}
&p_{ABA}(a,b,a)\\
&\quad=
\operatorname{Tr}\bigl(
P_aQ_bP_a
\rho
P_aQ_bP_a
\bigr).
\end{aligned}
\]

一方、最後の回答が最初の回答と異なる確率は、補射影 \(I-P_a\) を利用して表せる。

\[
\begin{aligned}
&p_{ABA}(a,b,\neg a)\\
&\quad=
\operatorname{Tr}\bigl(
(I-P_a)Q_bP_a
\rho
P_aQ_b(I-P_a)
\bigr).
\end{aligned}
\]

この式では、最初の A 測定によって \(P_a\) の部分空間へ状態が移った後、途中の B 測定によって \(I-P_a\) の部分空間に成分が生じた場合、最後の A で別の回答が得られる。

量子ビットの具体例として、初期状態を \(|0\rangle\) とし、質問 A を Z 方向の射影測定、質問 B を X 方向の射影測定に対応させる。最初に A を測定すると、結果 \(0\) が確率 1 で得られる。

\[
P(A_1=0)=1
\]

続いて B を測定すると、X 方向の二つの結果 \(+\) と \(-\) がそれぞれ確率 \(1/2\) で得られる。

\[
P(B_2=+)=P(B_2=-)=\frac12
\]

B の結果が \(+\) だった場合、測定後状態は \(|+\rangle\) になる。そこから A を再測定すると、結果 \(0\) が得られる確率は \(1/2\) である。

\[
P(A_3=0\mid A_1=0,B_2=+)=\frac12
\]

B の結果が \(-\) だった場合も、状態は \(|-\rangle\) となり、A で結果 \(0\) が得られる確率は同じく \(1/2\) になる。

\[
P(A_3=0\mid A_1=0,B_2=-)=\frac12
\]

したがって、この例では途中の B の結果によらず、最後の A で最初の回答を再現する確率は \(1/2\) になる。

\[
P(A_3=A_1)=\frac12
\]

一方、A を二回続けて測定する場合には、最初の A で結果 \(0\) が得られた後も状態は \(|0\rangle\) にある。そのため、二回目も同じ結果が確率 1 で得られる。

\[
P(A_2=A_1)=1
\]

この数値例から、直後の再測定では完全な回答再現性が成立しても、非可換な別の射影測定を挟むと、回答再現性が失われる場合があると分かる。

さらに、単純なリューダース射影測定で理想的な回答再現性を、すべての初期状態と可能な回答列について要求すると、質問 A と B の射影演算子には強い制約が生じる。

A の「はい」に対応する射影演算子を \(P\)、B の「はい」に対応する射影演算子を \(Q\) とする。A で「はい」と答えた後、B で「はい」と答え、最後の A では必ず「はい」と答えるためには、B の射影によって A の肯定部分空間から外れる成分が存在してはならない。

\[
(I-P)QP=0
\]

この条件は、任意の A 肯定状態に対して B の肯定測定を適用しても、A 否定部分空間へ移る成分がないことを表す。

\(P,Q\) は自己随伴なので、この式の随伴を取ると次の条件も得られる。

\[
PQ(I-P)=0
\]

二つの条件から、\(Q\) は P の肯定部分空間と否定部分空間を混合しないことが分かる。

実際、恒等演算子を \(P+(I-P)\) と分解すると、次のように計算できる。

\[
\begin{aligned}
QP
&=[P+(I-P)]QP\\
&=PQP,\\
PQ
&=PQ[P+(I-P)]\\
&=PQP.
\end{aligned}
\]

したがって、次の関係が成立する。

\[
PQ=QP
\]

すなわち、すべての初期状態について完全な A→B→A の回答再現性を要求すると、単純な二値リューダース射影測定では、A と B の射影演算子が可換でなければならない。

二つの射影演算子が可換であれば、逐次測定の結合確率について次の関係が成立する。

\[
p_{AB}(a,b)=p_{BA}(b,a)
\]

この場合、A→B と B→A の結合回答分布は、質問の種類に対応づけて比較すれば一致する。したがって、非自明な質問順序効果は生じない。

この結論は、理想化された完全再現性をすべての初期状態について要求し、二つの質問をリューダース射影測定で記述する場合の制約である。特定の初期状態だけで回答が再現される場合や、実験で高いが完全ではない再現確率が得られる場合に、必ず射影演算子が可換になると主張するものではない。

ここで明らかになったのは、単純な射影測定による状態更新を採用すると、質問順序効果と理想的な回答再現効果の両立が制約されるということである。この制約を検討するために、測定結果の確率と測定後状態の変換をより一般的に記述する量子インストルメントが必要になる。

10.3 測定結果と測定後状態を分離する

量子測定を記述するときには、どの結果が得られるかという確率と、結果が得られた後に状態がどのように変化するかという二つの情報が必要になる。単純なリューダース射影測定では、射影演算子が両方の役割を担う。

例えば、結果 \(a\) に対応する射影演算子を \(P_a\) とすると、結果確率は次のようになる。

\[
p(a)=\operatorname{Tr}(P_a\rho)
\]

同じ結果が得られた後の状態は、次のリューダース更新則で表される。

\[
\rho_a
=
\frac{P_a\rho P_a}
{\operatorname{Tr}(P_a\rho)}
\]

ここでは、結果確率と測定後状態の両方が、同じ \(P_a\) によって決まっている。射影演算子を指定すれば、特定の測定後状態の更新規則まで定まるという構造である。

しかし、一般の量子測定では、同じ結果確率を持つ測定であっても、測定後状態が同じになるとは限らない。例えば、測定装置が結果を記録した後、結果に応じて系へ別の操作を加える場合がある。その操作は、すでに記録した結果の確率を変更しなくても、次に行う測定の結果確率へ影響し得る。

量子インストルメントは、この違いを明示的に扱う。測定結果 \(a\) に対応する状態変換を \(\mathcal I_a\) とする。密度演算子 \(\rho\) に対して、\(\mathcal I_a(\rho)\) は結果 \(a\) に対応する非正規化状態を表す。

\[
\rho\longmapsto\mathcal I_a(\rho)
\]

この変換後の演算子のトレースが、結果 \(a\) が得られる確率となる。

\[
p(a)
=
\operatorname{Tr}[\mathcal I_a(\rho)]
\]

結果 \(a\) が得られたことを条件とする測定後状態は、この非正規化状態を結果確率で割ることで得られる。

\[
\rho_a
=
\frac{\mathcal I_a(\rho)}
{\operatorname{Tr}[\mathcal I_a(\rho)]}
\]

ここで分母は正であるとする。結果確率がゼロの場合、その結果が実際に生じた後の条件付き状態を通常の方法で定義する必要はない。

この形式では、測定結果の確率と、結果を得た後の状態更新が、一つの完全正値写像によってまとめて指定される。射影測定より一般的な状態変換を扱えるため、同じ結果確率を持ちながら異なる測定後状態を生成する測定を表現できる。

Ozawa と Khrennikov は、この量子インストルメントの形式を認知モデルへ適用し、質問順序効果と回答再現効果の両立を検討した[13]。論文では、非原子的な量子インストルメントを使用し、単純な射影測定モデルでは両立が難しい二つの現象を表現する構成を示している。

ここでいう原子的・非原子的という区別は、量子インストルメントの数学的な構造に関するものである。心理学的な質問が単純か複雑かという意味ではない。非原子的なインストルメントでは、測定結果を生成するための内部操作に、より豊かな状態変換の構造を持たせることができる。

質問 A への回答 \(a\) に対応するインストルメントを \(\mathcal I_{A,a}\)、質問 B への回答 \(b\) に対応するインストルメントを \(\mathcal I_{B,b}\) とする。初期状態を \(\rho\) とすると、A→B の順序で回答 \(a,b\) が得られる結合確率は次のようになる。

\[
p_{AB}(a,b)
=
\operatorname{Tr}
\left[
\mathcal I_{B,b}
\bigl(\mathcal I_{A,a}(\rho)\bigr)
\right]
\]

この式では、最初に \(\mathcal I_{A,a}\) が作用し、その結果に対応する非正規化状態が生成される。続いて、その状態へ \(\mathcal I_{B,b}\) を適用する。最後にトレースを取ることで、二つの結果が順に得られる結合確率を求める。

質問順序を B→A へ変更した場合には、写像の適用順序も交換される。

\[
p_{BA}(b,a)
=
\operatorname{Tr}
\left[
\mathcal I_{A,a}
\bigl(\mathcal I_{B,b}(\rho)\bigr)
\right]
\]

二つのインストルメントの合成が、適用順序によって異なる作用を持つ場合、同じ初期状態でも結合回答分布が変化し得る。

重要なのは、この順序依存性が、質問に対応する観測量の非可換性だけから生じるとは限らないことである。測定後状態の更新写像そのものが、順序によって異なる結果を与える場合がある。

さらに、三つの質問を連続して行う場合にも、同じ形式を利用できる。A→B→A で回答 \(a,b,a’\) が得られる結合確率は次のようになる。

\[
\begin{aligned}
&p_{ABA}(a,b,a’)\\
&\quad=
\operatorname{Tr}
\left[
\mathcal I_{A,a’}
\left(
\mathcal I_{B,b}
\bigl(\mathcal I_{A,a}(\rho)\bigr)
\right)
\right].
\end{aligned}
\]

この式では、最初の A への回答による状態更新、途中の B への回答による状態更新、最後の A への回答確率が、一つの連続した操作として表されている。

したがって、回答再現効果を検証する場合には、最初の A の結果に対応する状態変換が、途中の B を経た後も、同じ A の結果を再現する状態をどの程度維持するかを調べればよい。

量子インストルメントを使用することで、質問順序効果と回答再現効果を同じ数学的な枠組みに置くことができる。ただし、この枠組みを採用するだけで両効果が必ず成立するわけではない。結果確率と測定後状態を生成する具体的な写像を構成し、それらが所定の条件を満たすことを確認する必要がある。

10.4 量子インストルメントの確率・状態更新・規格化

量子インストルメントを数学的に扱うため、まず測定結果 \(a\) に対応する写像 \(\mathcal I_a\) の性質を明確にする。有限次元の量子系では、各写像は完全正値な線形写像として表される。

完全正値性とは、測定対象の系だけでなく、任意の補助系を追加して変換を拡張した場合にも、正の演算子が正の演算子へ写されることを要求する条件である。

例えば、対象系 A に作用する写像を \(\mathcal I_a\) とし、補助系 B には何も操作しないとする。この場合、複合系へ拡張した写像は \(\mathcal I_a\otimes\operatorname{id}_B\) となる。完全正値性は、補助系の次元にかかわらず、正の複合状態を正の演算子へ写すことを要求する。

\[
X_{AB}\geq0
\Longrightarrow
(\mathcal I_a\otimes\operatorname{id}_B)(X_{AB})
\geq0
\]

ここで \(\operatorname{id}_B\) は補助系 B に何も変換を加えない恒等写像である。この条件は、対象系だけについて正値性を確認する条件より強い。

各結果に対応する写像は、結果の確率を含む非正規化状態を生成する。そのため、個々の写像は必ずしもトレースを保存しない。

\[
\operatorname{Tr}[\mathcal I_a(\rho)]
=
p(a)
\]

ここで \(\rho\) はトレースが 1 の密度演算子であり、\(p(a)\) は結果 \(a\) が得られる確率である。したがって、結果確率は 0 以上 1 以下でなければならない。

\[
0\leq
\operatorname{Tr}[\mathcal I_a(\rho)]
\leq1
\]

一方、すべての測定結果を区別せずにまとめた変換は、トレースを保存する必要がある。結果の集合を \(\mathcal A\) とすると、次の条件が成立する。

\[
\sum_{a\in\mathcal A}
\operatorname{Tr}[\mathcal I_a(\rho)]
=
1
\]

これは、測定を実行すれば、許された結果のいずれかが確率 1 で得られることを表している。

各結果に対応する完全正値写像は、有限次元ではクラウス演算子を用いて表せる。結果 \(a\) に対応するクラウス演算子を \(K_{a,\mu}\) とすると、次の形式になる。

\[
\mathcal I_a(\rho)
=
\sum_\mu
K_{a,\mu}\rho K_{a,\mu}^{\dagger}
\]

ここで \(\mu\) は、結果 \(a\) に対応する内部的な測定過程や複数のクラウス演算子を区別する添字である。ひとつの観測結果に複数のクラウス演算子が対応する場合もある。

すべての結果について測定全体がトレースを保存するためには、クラウス演算子が次の完備性条件を満たす。

\[
\sum_{a,\mu}
K_{a,\mu}^{\dagger}K_{a,\mu}
=
I
\]

この条件が成立すると、測定結果を区別しない状態変換は、完全正値でトレースを保存する写像になる。

\[
\mathcal E(\rho)
=
\sum_a\mathcal I_a(\rho)
\]

この \(\mathcal E\) は、結果を読み取らずに測定操作を実施した場合の状態更新を表す。個々の結果に対応する条件付き状態を利用する場合とは、保持している情報が異なる。

例えば、結果 \(a\) が得られた後の状態は、次のように規格化される。

\[
\rho_a
=
\frac{
\sum_\mu K_{a,\mu}\rho K_{a,\mu}^{\dagger}
}{
\sum_\mu
\operatorname{Tr}
(K_{a,\mu}\rho K_{a,\mu}^{\dagger})
}
\]

分子は結果 \(a\) に対応する非正規化状態、分母はその結果が得られる確率である。規格化によって、結果 \(a\) が得られた後の状態はトレース 1 の密度演算子となる。

クラウス演算子による表示には自由度が存在する。同じ完全正値写像を異なるクラウス演算子の組で表せる場合がある。そのため、クラウス演算子の個々の値が一意に定まらなくても、写像として同じ測定操作を表すことができる。

一方、同じ結果確率を与えることと、同じ完全正値写像を表すことは異なる。二つのインストルメントがすべての初期状態について同じ結果確率を与えても、結果が得られた後の状態は異なる場合がある。

リューダース射影測定は、クラウス演算子として射影演算子を使用する特別な場合である。

\[
\mathcal I_a(\rho)
=
P_a\rho P_a
\]

ここでは結果 \(a\) に対応するクラウス演算子が \(P_a\) 一つだけであり、同じ射影演算子が測定確率と状態更新を決定する。

一般の量子インストルメントでは、測定結果に対応する効果演算子と状態更新を、より柔軟に組み合わせることができる。この自由度によって、回答確率は同じでも、繰り返し質問に対する再現性や別の質問への影響が異なるモデルを構成できる。

ただし、自由度が増えることによって、実験データへ適合させるために必要なパラメーター数も増加し得る。そのため、一般化測定を採用したことだけでモデルの説明能力が高く評価されるわけではない。どの完全正値写像を許し、どの操作について同じ写像を共有するかを明確にする必要がある。

10.5 POVMと測定後状態を区別する理由

量子インストルメントから測定結果の確率だけを取り出すと、正値演算子値測度、すなわち POVM による記述が得られる。POVM は、測定結果ごとの確率を計算するための演算子の組である。

結果 \(a\) に対応する効果演算子を \(E_a\) とすると、結果確率は次のように表される。

\[
p(a)
=
\operatorname{Tr}(E_a\rho)
\]

ここで \(E_a\) は正値演算子であり、すべての結果について和を取ると恒等演算子になる。

\[
E_a\geq0,
\qquad
\sum_aE_a=I
\]

この二つの条件は、すべての密度演算子について結果確率が非負となり、全結果の確率の和が 1 になることを保証する。

効果演算子と量子インストルメントの関係は、クラウス演算子を使用すると明確になる。

\[
E_a
=
\sum_\mu
K_{a,\mu}^{\dagger}K_{a,\mu}
\]

この式を結果確率へ代入すると、次の関係が得られる。

\[
\begin{aligned}
p(a)
&=\operatorname{Tr}(E_a\rho)\\
&=\sum_\mu
\operatorname{Tr}
(K_{a,\mu}\rho K_{a,\mu}^{\dagger})\\
&=\operatorname{Tr}[\mathcal I_a(\rho)].
\end{aligned}
\]

したがって、量子インストルメントを指定すれば、それに対応する POVM が定まる。しかし、POVM を指定しただけでは、測定後状態の更新写像が一意に定まるとは限らない。

この違いを理解するため、同じ測定結果の確率を与える二つの装置を考える。装置 1 は、結果を記録した後、その結果に対応する状態を維持する。装置 2 は、同じ結果を記録した後、結果に応じて別の状態へ変換する。最初の結果確率は一致していても、次に測定した場合の結果は異なる可能性がある。

量子認知モデルでは、POVM は質問への回答確率を表す。例えば、質問 A に「はい」と答える確率を、効果演算子 \(E_{A,Y}\) によって計算できる。

\[
P(A=Y)
=
\operatorname{Tr}(E_{A,Y}\rho)
\]

しかし、この確率だけでは、A に「はい」と答えたことによって認知状態がどのように変化したかは分からない。A への回答後に質問 B を行った場合の回答確率を求めるには、A の結果に対応するインストルメントを指定する必要がある。

\[
\begin{aligned}
&p_{AB}(Y,b)\\
&\quad=
\operatorname{Tr}
\left[
\mathcal I_{B,b}
\bigl(\mathcal I_{A,Y}(\rho)\bigr)
\right].
\end{aligned}
\]

ここでは、最初の回答確率だけでなく、最初の回答が得られた後の状態更新が、二番目の回答へ影響している。

このように、単一質問への回答割合だけを測定する実験と、質問を連続して行って回答の変化を観測する実験では、識別できるモデルの構造が異なる。単一質問の回答割合だけでは、POVM に対応する効果演算子の一部を制約できても、測定後状態の更新を十分に識別できない場合がある。

一方、同じ質問を繰り返す場合や、異なる質問を挟んで再び同じ質問を行う場合には、測定後状態の更新規則に関する追加の情報が得られる。例えば、A→A の再現確率は、A のインストルメントを二回合成した結果から計算できる。

\[
\begin{aligned}
&p_{AA}(a,a’)\\
&\quad=
\operatorname{Tr}
\left[
\mathcal I_{A,a’}
\bigl(\mathcal I_{A,a}(\rho)\bigr)
\right].
\end{aligned}
\]

また、A→B→A の回答再現確率は、A と B のインストルメントの合成によって求められる。

この違いから、質問順序効果と回答再現効果を同時に説明するには、観測量の非可換性だけでなく、インストルメントによる状態更新の構造を評価する必要があると分かる。

10.6 同じ結果確率から異なる測定後状態が生じる例

POVM が同じであっても測定後状態が異なり得ることを、量子ビットの具体例で確認する。量子ビットの状態空間を、互いに直交する基底状態 \(|0\rangle,|1\rangle\) によって表す。

最初に、通常の Z 方向の二値射影測定を考える。結果 0 に対応する射影演算子を \(P_0\)、結果 1 に対応する射影演算子を \(P_1\) とする。

\[
P_0=|0\rangle\langle0|,
\qquad
P_1=|1\rangle\langle1|
\]

二つの射影演算子は互いに直交し、その和は恒等演算子となる。

\[
P_0P_1=0,
\qquad
P_0+P_1=I
\]

第一のインストルメントとして、リューダース射影測定を使用する。結果 0 と結果 1 に対応する写像は次のようになる。

\[
\begin{aligned}
\mathcal I^{(1)}_0(\rho)
&=P_0\rho P_0,\\
\mathcal I^{(1)}_1(\rho)
&=P_1\rho P_1.
\end{aligned}
\]

結果 0 が得られる確率は \(\langle0|\rho|0\rangle\)、結果 1 が得られる確率は \(\langle1|\rho|1\rangle\) である。

\[
\begin{aligned}
p^{(1)}(0)&=\langle0|\rho|0\rangle,\\
p^{(1)}(1)&=\langle1|\rho|1\rangle.
\end{aligned}
\]

ここで、結果 0 が得られた後の状態は \(|0\rangle\langle0|\) になる。そのため、直後に同じ測定を行えば、再び結果 0 が確率 1 で得られる。

次に、測定結果の確率は同じだが、測定後状態を変更する第二のインストルメントを構成する。結果 0 が得られた場合には、状態を \(|+\rangle\) へ準備し、結果 1 が得られた場合には、状態を \(|1\rangle\) へ準備する。

\[
|+\rangle
=
\frac{|0\rangle+|1\rangle}{\sqrt2}
\]

この操作をクラウス演算子で表す。結果 0 に対応する演算子を \(K_0=|+\rangle\langle0|\)、結果 1 に対応する演算子を \(K_1=|1\rangle\langle1|\) とする。

\[
\begin{aligned}
K_0&=|+\rangle\langle0|,\\
K_1&=|1\rangle\langle1|.
\end{aligned}
\]

この二つの演算子について、完備性条件を確認する。

\[
\begin{aligned}
K_0^\dagger K_0
&=|0\rangle\langle0|=P_0,\\
K_1^\dagger K_1
&=|1\rangle\langle1|=P_1.
\end{aligned}
\]

したがって、次の関係が成立する。

\[
K_0^\dagger K_0+K_1^\dagger K_1=I
\]

この結果により、第二のインストルメントも、結果全体について規格化された完全正値な測定を構成する。

第二のインストルメントを具体的に書くと、次のようになる。

\[
\begin{aligned}
\mathcal I^{(2)}_0(\rho)
&=K_0\rho K_0^\dagger\\
&=\langle0|\rho|0\rangle
|+\rangle\langle+|,\\
\mathcal I^{(2)}_1(\rho)
&=K_1\rho K_1^\dagger\\
&=\langle1|\rho|1\rangle
|1\rangle\langle1|.
\end{aligned}
\]

この測定で結果 0 が得られる確率は、非正規化状態のトレースによって求められる。

\[
\begin{aligned}
p^{(2)}(0)
&=\operatorname{Tr}[\mathcal I^{(2)}_0(\rho)]\\
&=\langle0|\rho|0\rangle.
\end{aligned}
\]

結果 1 についても同様である。

\[
p^{(2)}(1)=\langle1|\rho|1\rangle
\]

したがって、第一のインストルメントと第二のインストルメントは、すべての初期密度演算子について、結果 0 と結果 1 の確率が一致する。

\[
p^{(1)}(a)=p^{(2)}(a),
\qquad
a\in\{0,1\}
\]

両者に対応する POVM も同じである。

\[
E_0=P_0,
\qquad
E_1=P_1
\]

しかし、結果 0 が得られた後の状態は異なる。第一のインストルメントでは \(|0\rangle\langle0|\) となり、第二のインストルメントでは \(|+\rangle\langle+|\) となる。

\[
\begin{aligned}
\rho^{(1)}_0&=|0\rangle\langle0|,\\
\rho^{(2)}_0&=|+\rangle\langle+|.
\end{aligned}
\]

この違いを、同じ測定を繰り返す実験で確認する。最初の測定で結果 0 が得られたとする。

第一のインストルメントでは、状態が \(|0\rangle\) にあるため、二回目も結果 0 が確率 1 で得られる。

\[
P^{(1)}(0\text{を再現}\mid0)=1
\]

第二のインストルメントでは、測定後状態が \(|+\rangle\) である。そのため、二回目に結果 0 が得られる確率は、\(|0\rangle\) と \(|+\rangle\) の内積の絶対値二乗になる。

\[
\begin{aligned}
P^{(2)}(0\text{を再現}\mid0)
&=|\langle0|+\rangle|^2\\
&=\frac12.
\end{aligned}
\]

この二つのインストルメントは、最初の測定では完全に同じ結果確率を与える。しかし、繰り返し測定における回答再現確率は異なる。

比較項目 第一のインストルメント 第二のインストルメント
結果 0 の確率 \(\langle0|\rho|0\rangle\) \(\langle0|\rho|0\rangle\)
結果 1 の確率 \(\langle1|\rho|1\rangle\) \(\langle1|\rho|1\rangle\)
結果 0 の後の状態 \(|0\rangle\langle0|\) \(|+\rangle\langle+|\)
結果 0 の再現確率 \(1\) \(1/2\)
測定の反復可能性 理想的な射影測定として成立する。 結果 0 について完全な反復可能性を持たない。

この比較から、最初の回答確率が一致することと、その回答を経験した後の状態更新が一致することは異なると分かる。

また、第二のインストルメントは、結果 0 が得られた後に状態を \(|+\rangle\) へ変更するため、完全な反復可能性を持たない。この例は、POVM だけでは測定後状態を一意に規定できないことを示すためのものであり、回答再現効果を満たす測定の構成例ではない。

この違いは、認知実験で初回の回答割合だけを比較する場合の限界を示している。同じ回答分布を与える二つの認知モデルであっても、質問を繰り返した場合には異なる予測を与える可能性がある。

したがって、量子認知モデルの状態更新を検証するには、単一の質問への回答割合に加えて、同じ質問の再提示や異なる質問を挟んだ場合の回答系列を測定する必要がある。

10.7 観測量と状態更新操作の非可換性

量子認知モデルにおける非可換性を考えるときには、観測量の演算子が非可換であることと、状態更新写像の合成が非可換であることを区別する必要がある。これらは関連する場合があるが、数学的には異なる条件である。

まず、観測量 A と B を自己随伴演算子として表す場合、その非可換性は交換子によって定義される。

\[
[A,B]=AB-BA
\]

交換子がゼロでなければ、演算子の積を交換したときに差が生じる。単純な射影測定では、非可換な観測量に対応する射影演算子の適用順序によって、回答確率が変化する場合がある。

一方、量子インストルメントでは、測定後状態の更新を完全正値写像として表す。質問 A と B の測定結果を区別しない状態更新写像を、次のように定義する。

\[
\begin{aligned}
\mathcal E_A&=\sum_a\mathcal I_{A,a},\\
\mathcal E_B&=\sum_b\mathcal I_{B,b}.
\end{aligned}
\]

ここで \(\mathcal E_A\) は質問 A の結果を区別せずに実施した場合の状態更新、\(\mathcal E_B\) は質問 B についての対応する状態更新である。両者は完全正値でトレースを保存する写像となる。

これらの写像の合成が順序によって異なる場合、状態更新操作は非可換である。

\[
\mathcal E_B\circ\mathcal E_A
\neq
\mathcal E_A\circ\mathcal E_B
\]

ここで \(\circ\) は写像の合成を表す。左辺は最初に A の状態更新を行い、その後で B の状態更新を行う場合である。右辺は、その順序を交換した場合である。

この非可換性は、観測量の交換子がゼロかどうかとは別に定義される。観測量に対応する効果演算子が可換であっても、測定後状態を変更する写像が可換でなければ、質問を連続して行った場合の状態が順序によって異なる可能性がある。

Fuyama、Khrennikov、Ozawa は、量子認知モデルにおいて、観測量の非可換性と測定後状態の更新操作の非可換性を区別する重要性を論じた[14]。同研究では、質問順序効果と回答再現効果を組み合わせて扱ううえで、鋭く反復可能でありながら単純な射影測定ではない測定が重要になることを指摘している。

小澤は、質問順序効果の汎量子認知モデルについて、従来の射影測定を使用するモデルと量子インストルメントを使用するモデルの関係を整理している[15]。量子インストルメント理論は、質問に対応する観測量だけでなく、回答によって生じる状態更新の構造をモデル化するための枠組みを与える。

ただし、状態更新写像が非可換であることと、任意の初期状態で観測可能な質問順序効果が生じることも同値ではない。二つの更新写像が異なる場合でも、特定の初期状態では同じ結果になることがある。また、更新後状態が異なっていても、実際に測定する回答確率が一致する場合もある。

したがって、観測可能な順序効果を評価するには、状態更新写像の合成結果を、後続の回答確率へ結びつける必要がある。

例えば、ある初期状態 \(\rho\) について、A→B と B→A の測定後状態が異なる場合でも、その違いが測定結果の確率へ現れるとは限らない。異なる状態を区別できる測定を用いる場合に、その違いが観測可能になる。

認知実験でも、最初の質問によって内部状態が変化したとしても、その変化が次の質問への回答確率へ影響しなければ、質問順序効果としては検出されない。状態更新の非可換性と、観測される回答分布の非対称性を区別する必要がある。

この区別は、量子認知モデルの説明力を評価する際の重要な条件になる。質問順序効果が観測された場合、それを観測量の非可換性に帰属するのか、測定後状態の更新操作の非可換性に帰属するのかによって、モデルが要求する数学的構造が異なる。

また、両方の非可換性が存在する場合にも、各要因が回答確率へどのように寄与しているかを、具体的な状態とインストルメントの演算から確認する必要がある。

10.8 鋭い反復可能な非射影測定という選択肢

量子測定を一般化する場合、測定結果が明確な射影に対応することと、測定後状態が単純なリューダース更新則に従うことを区別できる。前者は測定結果の確率を指定する効果演算子の性質であり、後者は測定結果を得た後に状態をどのように変更するかという性質である。

鋭い測定では、結果に対応する効果演算子が射影演算子となる。二値の場合、肯定結果に対応する効果を \(P\)、否定結果に対応する効果を \(I-P\) とする。

\[
P^2=P,
\qquad
P^\dagger=P
\]

この条件は、結果確率が射影演算子によって計算されることを意味する。しかし、測定後状態の更新写像が必ず \(\rho\mapsto P\rho P\) になることまでは要求していない。

また、反復可能な測定とは、ある結果が得られた直後に同じ測定を繰り返すと、その結果が再び確率 1 で得られる測定である。結果 \(a\) に対応するインストルメントを \(\mathcal I_a\) とすると、理想的な反復可能性は次の条件で表せる。

\[
P(a\text{を再現}\mid a)=1
\]

この条件では、最初の結果に対応する状態更新後も、同じ結果が得られる状態空間の内部にとどまることが要求される。ただし、その部分空間の内部で状態が変更されることまでは禁止しない。

この違いを、三準位の量子系で具体的に確認する。互いに直交する基底状態を \(|0\rangle,|1\rangle,|2\rangle\) とする。

質問 A の「はい」に対応する射影を、\(|0\rangle,|1\rangle\) が張る二次元部分空間への射影として定義する。

\[
P
=
|0\rangle\langle0|
+
|1\rangle\langle1|
\]

「いいえ」に対応する補射影は、第三の基底状態への射影となる。

\[
I-P=|2\rangle\langle2|
\]

ここで、\(|0\rangle\) と \(|1\rangle\) を交換し、\(|2\rangle\) を変更しないユニタリー演算子 \(V\) を考える。

\[
\begin{aligned}
V|0\rangle&=|1\rangle,\\
V|1\rangle&=|0\rangle,\\
V|2\rangle&=|2\rangle.
\end{aligned}
\]

この演算子は、三次元の状態空間上で可逆な変換を表す。二つの基底状態を交換するだけなので、内積が保存される。

\[
V^\dagger V=I
\]

このユニタリー演算子を用いて、質問 A の「はい」に対応するインストルメントを次のように定義する。

\[
\mathcal I_{A,Y}(\rho)
=
VP\rho PV^\dagger
\]

「いいえ」に対応するインストルメントは、補射影による通常の更新とする。

\[
\mathcal I_{A,N}(\rho)
=
(I-P)\rho(I-P)
\]

この二つの写像が構成する測定の結果確率を確認する。「はい」の確率は次のようになる。

\[
\begin{aligned}
p_A(Y)
&=\operatorname{Tr}
(VP\rho PV^\dagger)\\
&=\operatorname{Tr}(P\rho P)\\
&=\operatorname{Tr}(P\rho).
\end{aligned}
\]

ここでは、トレースの循環性、ユニタリー性、射影演算子の冪等性を使用している。この結果から、肯定結果に対応する効果演算子は \(P\) であると分かる。

否定結果の確率についても、次の関係が成立する。

\[
p_A(N)
=
\operatorname{Tr}[(I-P)\rho]
\]

したがって、二つの効果演算子は \(P\) と \(I-P\) であり、どちらも射影演算子である。この測定は、結果確率の意味では鋭い二値測定となる。

次に、反復可能性を確認する。例えば、初期状態を \(|0\rangle\) とすると、質問 A の「はい」が確率 1 で得られる。測定後状態は、ユニタリー演算子 \(V\) によって \(|1\rangle\) へ変換される。

\[
|0\rangle\langle0|
\longmapsto
|1\rangle\langle1|
\]

この状態は、依然として射影演算子 \(P\) の肯定部分空間に属している。したがって、同じ質問 A をもう一度実施すると、再び「はい」が確率 1 で得られる。

\[
P(A_2=Y\mid A_1=Y)=1
\]

ただし、二回目の測定後状態は再び \(|0\rangle\) へ変化する。

\[
|1\rangle\langle1|
\longmapsto
|0\rangle\langle0|
\]

つまり、回答は「はい」のまま再現されるが、測定後状態は繰り返し測定によって変化している。この例では、回答の反復可能性と、測定後状態が不変であることを区別できる。

また、最初に「いいえ」が得られた場合には、状態は \(|2\rangle\) の部分空間へ射影される。この状態は次の A 測定でも「いいえ」を与えるため、否定結果についても反復可能性が成立する。

したがって、このインストルメントは、鋭い効果演算子を持ち、同じ質問を直ちに繰り返した場合には回答を再現する。しかし、測定後状態の更新は単純なリューダース射影測定とは異なる。

この違いを、質問 A とは別の測定を行うことで確認する。初期状態を \(|0\rangle\) とし、A への肯定回答後に \(|0\rangle\) への射影を測定するとする。

通常のリューダース射影測定では、A の測定後状態は \(|0\rangle\) のままである。そのため、続く \(|0\rangle\) への射影測定は確率 1 で肯定結果を与える。

\[
P_{\mathrm L}(0\mid A=Y)=1
\]

一方、ここで構成したインストルメントでは、A の測定後状態は \(|1\rangle\) になる。したがって、\(|0\rangle\) への射影測定では肯定結果が得られない。

\[
P_{\mathrm I}(0\mid A=Y)=0
\]

この二つの測定は、質問 A の単独回答確率が一致し、A を繰り返した場合の回答再現性も一致する。しかし、A の後で別の質問を行う場合には、異なる結果確率を与える。

さらに、観測量の非可換性と、測定後状態の非可換性の違いも、この三準位系で確認できる。質問 B の「はい」に対応する射影を、次のように定義する。

\[
Q
=
|0\rangle\langle0|
+
|2\rangle\langle2|
\]

この \(Q\) は、質問 A の肯定射影 \(P\) と可換である。両者は同じ基底に関して対角的であり、次の関係が成立する。

\[
PQ=QP=|0\rangle\langle0|
\]

質問 B については、通常のリューダース射影測定を使用する。肯定結果と否定結果に対応するインストルメントは、次のようになる。

\[
\begin{aligned}
\mathcal I_{B,Y}(\rho)&=Q\rho Q,\\
\mathcal I_{B,N}(\rho)&=(I-Q)\rho(I-Q).
\end{aligned}
\]

初期状態を \(|0\rangle\) とし、質問 A を先に行う場合を考える。最初の A では肯定結果が確率 1 で得られ、その後の状態は \(|1\rangle\) になる。

\[
|0\rangle
\xrightarrow{A:Y}
|1\rangle
\]

続いて質問 B を行うと、\(|1\rangle\) は \(Q\) の肯定部分空間に属さないため、否定結果が確率 1 で得られる。

\[
|1\rangle
\xrightarrow{B:N}
|1\rangle
\]

したがって、A→B の結合回答は必ず \((Y,N)\) となる。

\[
p_{AB}(Y,N)=1
\]

一方、同じ初期状態から B を先に実施すると、\(|0\rangle\) は \(Q\) の肯定部分空間に属しているため、B への回答は必ず「はい」となる。測定後状態も \(|0\rangle\) のままである。

\[
|0\rangle
\xrightarrow{B:Y}
|0\rangle
\]

その後に質問 A を行うと、A への肯定結果が確率 1 で得られ、状態は \(|1\rangle\) へ変化する。

\[
|0\rangle
\xrightarrow{A:Y}
|1\rangle
\]

したがって、B→A の結合回答は必ず \((Y,Y)\) となる。

\[
p_{BA}(Y,Y)=1
\]

二つの順序で結合回答分布が異なるため、このモデルには質問順序効果が存在する。

しかし、A と B の肯定結果に対応する効果演算子 \(P,Q\) は可換である。順序効果が生じた理由は、観測量に対応する射影演算子が非可換だからではない。質問 A のインストルメントが、肯定部分空間の内部で \(|0\rangle\) と \(|1\rangle\) を交換するため、質問 B への回答確率が変更されたからである。

また、この例では A→B→A の回答再現性も成立する。最初の A で得られた回答に対応する部分空間は、途中の B のリューダース測定によって変更されないためである。

ただし、この具体例は、A→B→A の再現性と質問順序効果を同時に示すものであり、B→A→B についても完全な再現性が成立することを示すものではない。例えば、初期状態が \(|0\rangle\) の場合、B への肯定回答後に A を行うと状態が \(|1\rangle\) へ変わるため、その後に B を再測定すると否定結果が得られる。

したがって、この三準位の例を、両方向の完全な回答再現性まで実現したモデルと解釈してはならない。両方向の再現性と質問順序効果を同時に満たす一般的な構成には、さらに状態空間と更新規則の設計が必要になる。

Ozawa と Khrennikov の研究は、非原子的な量子インストルメントを構成することによって、質問順序効果と回答再現効果の両立が可能であることを示した[13]。Fuyama らは、鋭さ、反復可能性、非射影的な状態更新の組合せを、認知モデルに適した測定クラスとして検討している[14]。

これらの研究が示すのは、質問への回答が二値であり、その効果演算子が射影である場合でも、状態更新を単純なリューダース則に限定する必要はないということである。回答の反復可能性は、測定後状態が対応する結果の部分空間に保持されることによって成立し得るが、その部分空間の内部では状態が変化する余地がある。

この区別により、回答の再現と状態の不変性を同一視せず、質問順序効果の原因を測定後状態の更新規則まで含めて検討できる。

10.9 一般化測定で失われるQQ等式の制約

前章で導出した QQ 等式は、二つの二値質問をリューダース射影測定として表し、同じ初期状態から連続して実施するという条件のもとで成立した。

質問 A の肯定射影を \(P\)、質問 B の肯定射影を \(Q\) とすると、回答一致確率の和に対応する演算子は、次の恒等式を満たす。

\[
\begin{aligned}
&PQP+(I-P)(I-Q)(I-P)\\
&\quad=I-P-Q+PQ+QP.
\end{aligned}
\]

質問順序を交換した場合にも、同じ演算子が得られる。そのため、共通の初期密度演算子 \(\rho\) に対して、回答一致確率が等しいという QQ 等式が成立した。

\[
\begin{aligned}
&p_{AB}(Y,Y)+p_{AB}(N,N)\\
&\qquad=
p_{BA}(Y,Y)+p_{BA}(N,N)
\end{aligned}
\]

しかし、一般の量子インストルメントでは、測定結果に対応する効果演算子だけでは状態更新が決まらない。そのため、前章で利用した射影演算子の恒等式を、そのまま逐次測定確率へ適用できるとは限らない。

量子インストルメントを用いた場合、A→B の回答一致確率は次のように表される。

\[
\begin{aligned}
D_{AB}
&=
\operatorname{Tr}
\left[
\mathcal I_{B,Y}
\bigl(\mathcal I_{A,Y}(\rho)\bigr)
\right]\\
&\quad+
\operatorname{Tr}
\left[
\mathcal I_{B,N}
\bigl(\mathcal I_{A,N}(\rho)\bigr)
\right].
\end{aligned}
\]

B→A の回答一致確率は、対応するインストルメントの適用順序を交換したものになる。

\[
\begin{aligned}
D_{BA}
&=
\operatorname{Tr}
\left[
\mathcal I_{A,Y}
\bigl(\mathcal I_{B,Y}(\rho)\bigr)
\right]\\
&\quad+
\operatorname{Tr}
\left[
\mathcal I_{A,N}
\bigl(\mathcal I_{B,N}(\rho)\bigr)
\right].
\end{aligned}
\]

一般の完全正値写像について、これらの二つの式が常に等しくなるという恒等式は存在しない。したがって、量子インストルメントを使用しているという事実だけでは、QQ 等式の成立は保証されない。

この違いを、前節で構成した三準位モデルによって確認する。質問 A の肯定結果に対応する効果演算子は、次の射影である。

\[
P=|0\rangle\langle0|+|1\rangle\langle1|
\]

質問 B の肯定結果に対応する効果演算子は、次の射影である。

\[
Q=|0\rangle\langle0|+|2\rangle\langle2|
\]

二つの効果演算子は可換である。しかし、質問 A の肯定結果に対応するインストルメントには、\(|0\rangle\) と \(|1\rangle\) を交換する状態更新が含まれている。

初期状態を \(|0\rangle\) とすると、A→B の順序では、最初の A に「はい」、続く B に「いいえ」と答える確率が 1 だった。

\[
p_{AB}(Y,N)=1
\]

したがって、A→B の順序で回答が一致する確率はゼロになる。

\[
D_{AB}=0
\]

一方、B→A の順序では、B に「はい」、A にも「はい」と答える確率が 1 だった。

\[
p_{BA}(Y,Y)=1
\]

したがって、B→A の回答一致確率は 1 となる。

\[
D_{BA}=1
\]

QQ 等式からの差を \(q=D_{AB}-D_{BA}\) と定義すると、次の値が得られる。

\[
q=0-1=-1
\]

このモデルでは、質問 A と B の効果演算子がともに射影であり、しかも互いに可換である。それにもかかわらず、質問 A の測定後状態の更新にリューダース則以外の操作を含めているため、QQ 等式は成立しない。

この結果は、QQ 等式が単に射影演算子を効果演算子として使用することから導かれるわけではないことを示している。測定後状態をどのように更新するかというインストルメントの構造まで含めて、成立条件を指定する必要がある。

ただし、この例は QQ 等式が一般化測定では必ず破れるという主張ではない。一般化された量子インストルメントの中にも、QQ 等式を満たすものを構成できる可能性がある。また、QQ 等式の成立だけで、すべての測定がリューダース射影測定であることを証明できるわけでもない。

問題になるのは、どの確率制約をモデルの基本条件として要求するかである。例えば、質問順序効果と回答再現効果を同時に再現できるインストルメントを構成した場合でも、そのモデルが QQ 等式を満たすとは限らない。

QQ 等式まで含めて説明したいなら、回答再現性と質問順序効果を満たすことに加え、二つの質問順序における回答一致確率の和が一致するように、インストルメントの構造を制約する必要がある。

この点を明確にするため、三種類の検証対象を区別できる。

検証対象 観測する回答列 モデルに要求する条件
質問順序効果(QOE) A→B と B→A を比較する。 質問の順序によって結合回答分布が異なる場合を説明する。
回答再現効果(RRE) A→A、A→B→A、B→A→B などを比較する。 最初の回答が、途中の質問を経ても再現される確率を説明する。
QQ 等式 A→B と B→A の回答一致確率を比較する。 指定した条件のもとで、回答一致確率の和が両順序で等しくなることを予測する。

三つの条件は互いに関係するが、同じ条件ではない。質問順序効果は、質問の順序によって結合回答分布が変化することを表す。回答再現効果は、一度示した回答を、別の質問を挟んだ後にも維持できるかを表す。QQ 等式は、二つの質問順序における回答一致確率に特定の対称性を要求する。

これらを一つの量子インストルメントモデルで説明するには、各質問の結果確率と測定後状態を固定し、複数の質問列について同じ写像を使用する必要がある。

例えば、A→B の回答分布を説明するために設定したインストルメントを、A→B→A の回答再現実験にもそのまま使用する。さらに、B→A→B や A→A の質問列についても同じ規則から確率を計算する。

この場合、最初の二質問で得られたデータだけでなく、三質問以上の回答列に対しても、モデルから具体的な予測を導くことができる。各実験条件に応じてインストルメントを自由に選び直す場合とは異なり、共通する状態更新規則が複数の観測量を同時に制約する。

例えば、質問 A への肯定回答後の状態を変更すると、その変更は A→B の二番目の回答確率だけでなく、A→B→A の最後の回答確率へも影響する。したがって、質問順序効果だけを再現するための状態更新が、回答再現効果との間に矛盾を生む可能性がある。

量子インストルメント理論は、このような状態更新の自由度を明示的に扱う。一方、その自由度を実験結果に合わせて無制限に調整すれば、多様な回答列を再現しやすくなるが、モデル固有の予測制約は弱くなる。

そのため、量子認知モデルの検証では、状態空間の次元、各質問に対応する効果演算子、結果ごとの状態更新写像、初期状態、質問間に許す変換を明示する必要がある。さらに、パラメーター推定に使用した回答列と、予測評価に使用する回答列を区別することが重要になる。

古典的な隠れ状態モデルとの比較でも、同じ条件が必要になる。古典的なモデルでも、過去の回答を状態へ保存し、質問によって内部状態を更新することができる。例えば、最初の A への回答を履歴として保存すれば、B を挟んだ後に同じ A へ回答を再現する仕組みを構成できる。

さらに、質問 A と B が異なる内部状態の更新を引き起こすように設定すれば、古典的なモデルでも質問順序効果を表現できる。したがって、量子インストルメントによって QOE と RRE を同時に説明できたことだけで、古典確率一般を排除することにはならない。

モデル比較で重要になるのは、どの程度の状態数や更新規則を必要とし、複数の質問列についてどのような共通の制約を導くかという点である。量子インストルメントモデルが少数の共通パラメーターで異なる質問列を予測できる場合、その予測能力を実験で評価する意味がある。一方、同程度の複雑さを持つ古典モデルが同じ予測を与える場合には、観測データだけから数学的形式の唯一性を確定できない。

また、回答再現効果が高いことは、認知状態が物理的に不変であることを意味しない。前節の三準位モデルでは、同じ回答を繰り返し得る一方、測定後状態は肯定部分空間の内部で変化していた。したがって、回答の再現性と、内部状態全体の保存を区別する必要がある。

同様に、質問順序効果が存在することは、質問に対応する観測量が非可換であることを直接意味しない。効果演算子が可換であっても、測定後状態の更新写像によって順序効果が生じる例を構成できたからである。

これらの区別によって、量子認知モデルにおける状態、測定結果の確率、状態更新、回答の記録を、独立した検証対象として扱える。

単純なリューダース射影測定モデルでは、質問順序効果と理想化された回答再現効果の両立に制約が生じる。量子インストルメントを導入すれば、その制約を超える測定後状態の更新を表現できる。しかし、一般化された測定では QQ 等式のような射影測定に固有の確率制約が自動的に成立するわけではない。

したがって、量子確率モデルの説明能力を評価する際には、「量子モデルである」という名称だけでなく、どの状態更新規則を採用し、どの回答列についてどの確率関係を予測するかを明確にする必要がある。

回答再現効果と質問順序効果の検討から得られる結論は、認知現象を量子確率で記述する場合にも、測定結果の確率だけでは不十分であり、測定後状態の更新を具体的に定義しなければならないということである。この条件を保持することで、同じ観測結果に適合する複数のモデルを区別し、量子確率の数学的な有効性と物理的な量子機構の存在を独立に評価できる。


11. 量子認知モデルの優位性を古典モデルとの比較で検証する

11.1 ランダムウォークの二つの表現

人間の判断は、質問を受けた瞬間に固定された確率によって生成されるとは限らない。例えば、ある対策の有効性について評価を求められた場合、賛成する理由と反対する理由を交互に考え、評価を変更しながら最終的な回答へ到達することがある。このような過程を記述するには、判断の結果だけでなく、判断が形成されるまでの時間発展を扱う必要がある。

時間とともに評価状態が変化する過程を表現する方法として、ランダムウォークがある。ランダムウォークでは、複数の状態を定義し、ある状態から別の状態へ移る規則を与える。例えば、評価を「強い反対」「弱い反対」「中立」「弱い賛成」「強い賛成」という五段階に分け、それぞれを状態として扱う。時間の経過とともに評価状態が隣接する段階へ移動し、回答を求められた時点の状態から判断を生成する。

この記述では、状態の数、隣接状態への移動規則、初期状態、回答を生成する時刻を定義する必要がある。同じ質問でも、評価を求めるまでの時間が異なれば、最終的な回答分布が変化する可能性がある。

Busemeyer、Wang、Townsend は、意思決定の時間発展について、古典的なマルコフ過程と量子型の動力学を比較した[16]。両者はランダムウォークという共通の記述を使用するが、時間とともに更新される数学的な対象が異なる。

古典的な連続時間マルコフ過程では、各状態に存在する確率を並べたベクトルを用いる。状態が \(n\) 個ある場合、時刻 \(t\) の確率分布を次のように定義する。

\[
p(t)=
\begin{pmatrix}
p_1(t)\\
p_2(t)\\
\vdots\\
p_n(t)
\end{pmatrix}
\]

ここで \(p_i(t)\) は、時刻 \(t\) に状態 \(i\) にある確率である。各成分は非負であり、その和は 1 となる。

\[
p_i(t)\geq0,
\qquad
\sum_{i=1}^{n}p_i(t)=1
\]

状態間の遷移率を表す生成行列を \(K\) とすると、確率分布の時間発展は次の微分方程式で表せる。

\[
\frac{d}{dt}p(t)=Kp(t)
\]

ここでは確率分布を列ベクトルとして扱うため、生成行列 \(K\) の非対角成分は非負であり、各列の成分の和はゼロになる。

\[
K_{ij}\geq0\quad(i\neq j),
\qquad
\sum_iK_{ij}=0
\]

非対角成分 \(K_{ij}\) は、状態 \(j\) から状態 \(i\) へ移る遷移率である。対角成分は、その状態から外へ移る確率の流出を表すため、一般に非正となる。列和がゼロであることにより、時間発展しても確率の総和が 1 に保たれる。

生成行列が時間に依存しない場合、微分方程式の解は行列指数関数によって表せる。

\[
p(t)=e^{Kt}p(0)
\]

ここで \(p(0)\) は初期確率分布、\(e^{Kt}\) は生成行列 \(K\) から構成される遷移行列である。時間 \(t\) における各状態の確率は、初期分布と遷移率によって計算される。

一方、量子型のランダムウォークでは、確率ではなく複素確率振幅を時間発展させる。状態を正規化されたベクトル \(|\psi(t)\rangle\) として表し、その成分を次のように書く。

\[
|\psi(t)\rangle
=
\sum_{i=1}^{n}\psi_i(t)|i\rangle
\]

ここで \(|i\rangle\) は状態空間の基底ベクトル、\(\psi_i(t)\) は複素確率振幅である。振幅は複素数なので、各成分には大きさと位相がある。状態はノルムが 1 となるように規格化する。

\[
\sum_{i=1}^{n}|\psi_i(t)|^2=1
\]

量子型の時間発展を決めるエルミート演算子を \(H\) とすると、自然単位系では次の方程式が成立する。

\[
i\frac{d}{dt}|\psi(t)\rangle
=
H|\psi(t)\rangle
\]

ここで \(i\) は虚数単位であり、\(i^2=-1\) を満たす。また、\(H\) は自己随伴性 \(H^\dagger=H\) を満たす。物理学ではハミルトニアンに対応するが、認知モデルでは状態の時間発展を指定する生成子として利用される。

生成子 \(H\) が時間に依存しない場合、解は次のように表せる。

\[
|\psi(t)\rangle
=
e^{-iHt}|\psi(0)\rangle
\]

この時間発展を表す演算子を \(U(t)=e^{-iHt}\) と置くと、\(H\) がエルミートであることからユニタリー性が成立する。

\[
U(t)^\dagger U(t)=I
\]

その結果、状態ベクトルのノルムが保存される。時刻 \(t\) における状態 \(i\) の測定確率は、振幅の絶対値二乗として計算される。

\[
P(i,t)
=
|\langle i|\psi(t)\rangle|^2
=
|\psi_i(t)|^2
\]

古典モデルと量子モデルの違いは、時間発展の式に虚数単位が現れるという形式上の差だけではない。古典モデルでは状態の確率分布を直接更新し、量子モデルでは複素振幅を更新した後、測定時に絶対値二乗から確率を求める。

そのため、複数の状態から同じ測定結果へ至る寄与を計算する場合、古典モデルでは確率を加算するのに対し、量子モデルでは振幅を加算することがある。後者には振幅間の相対位相から生じる干渉項が含まれる。

ただし、量子型の時間発展を数理モデルとして使用することと、認知過程そのものが物理的な量子状態として時間発展していることは異なる。量子認知モデルでは、判断の確率を表すためにヒルベルト空間とユニタリー演算を用いるのであり、その数学的な利用だけから脳内の特定の量子機構が確定するわけではない。

11.2 マルコフ過程と量子ウォークの時間発展を対比する

古典的なマルコフ過程と量子ウォークの違いを、二状態の具体例で比較する。状態を \(|0\rangle\) と \(|1\rangle\) に対応する二つの選択肢として扱い、時刻によって各状態の確率がどのように変化するかを計算する。

まず、古典的な二状態マルコフ過程を考える。状態 0 から状態 1 へ移る遷移率を \(\alpha\)、状態 1 から状態 0 へ戻る遷移率を \(\beta\) とする。いずれも非負である。

確率分布を列ベクトルで表す場合、生成行列は次のようになる。

\[
K=
\begin{pmatrix}
-\alpha&\beta\\
\alpha&-\beta
\end{pmatrix}
\]

この行列の各列の和はゼロであり、非対角成分は非負である。したがって、連続時間マルコフ過程の生成行列として必要な条件を満たしている。

状態 0 にある確率を \(p_0(t)\)、状態 1 にある確率を \(p_1(t)\) とすると、確率の時間発展は次のようになる。

\[
\begin{aligned}
\frac{dp_0}{dt}
&=-\alpha p_0+\beta p_1,\\
\frac{dp_1}{dt}
&=\alpha p_0-\beta p_1.
\end{aligned}
\]

二つの確率の和は 1 なので、\(p_1(t)=1-p_0(t)\) を利用して第一式を整理できる。

\[
\begin{aligned}
\frac{dp_0}{dt}
&=-\alpha p_0+\beta(1-p_0)\\
&=\beta-(\alpha+\beta)p_0.
\end{aligned}
\]

\(\alpha+\beta\) が正の場合、この微分方程式の解は次のようになる。

\[
p_0(t)
=
\frac{\beta}{\alpha+\beta}
+
\left(
p_0(0)-\frac{\beta}{\alpha+\beta}
\right)e^{-(\alpha+\beta)t}
\]

第一項は定常状態における状態 0 の確率であり、第二項は初期状態からのずれが時間とともに減衰する成分である。

例えば、二方向の遷移率を同じ値 \(k\) とすると、\(\alpha=\beta=k\) である。この場合、定常状態では二つの状態がそれぞれ確率 \(1/2\) になる。

\[
p_0(\infty)=p_1(\infty)=\frac12
\]

初期状態が状態 0 に確定している場合、\(p_0(0)=1\)、\(p_1(0)=0\) である。この条件を代入すると、次の式が得られる。

\[
\begin{aligned}
p_0(t)&=\frac12\left(1+e^{-2kt}\right),\\
p_1(t)&=\frac12\left(1-e^{-2kt}\right).
\end{aligned}
\]

この例では、状態 0 にある確率は 1 から \(1/2\) へ単調に減少し、状態 1 にある確率は 0 から \(1/2\) へ単調に増加する。時間が十分に長くなると、初期状態に関する情報が失われ、分布は定常状態へ近づく。

一方、量子型の二状態ウォークでは、状態間の振幅を混合するハミルトニアンを使用できる。具体例として、パウリ行列 \(\sigma_x\) を用い、次の生成子を考える。

\[
H=h\sigma_x
=
h
\begin{pmatrix}
0&1\\
1&0
\end{pmatrix}
\]

ここで \(h\) は状態間の振幅の変化を決める実数パラメーターである。初期状態を \(|0\rangle\) とする。

\[
|\psi(0)\rangle=|0\rangle
\]

\(\sigma_x^2=I\) という性質を利用すると、時間発展演算子は次のように展開できる。

\[
\begin{aligned}
U(t)
&=e^{-iht\sigma_x}\\
&=\cos(ht)I-i\sin(ht)\sigma_x.
\end{aligned}
\]

この演算子を初期状態 \(|0\rangle\) へ適用すると、次の状態が得られる。

\[
|\psi(t)\rangle
=
\cos(ht)|0\rangle
-i\sin(ht)|1\rangle
\]

状態 0 と状態 1 の測定確率は、それぞれの振幅の絶対値二乗になる。

\[
\begin{aligned}
P_{\mathrm Q}(0,t)&=\cos^2(ht),\\
P_{\mathrm Q}(1,t)&=\sin^2(ht).
\end{aligned}
\]

この例では、二つの測定確率は時間とともに振動する。状態 0 から状態 1 への確率の移動が一方向へ収束するのではなく、時間の経過によって再び初期状態の測定確率が高くなる。

古典的な対称二状態マルコフ過程と、量子型の二状態ウォークを比較すると、次の違いが現れる。

比較対象 古典的な二状態マルコフ過程 量子型の二状態ウォーク
更新する状態 非負の確率分布 \(p(t)\) を更新する。 複素確率振幅 \(|\psi(t)\rangle\) を更新する。
時間発展 \(e^{Kt}\) によって確率を遷移させる。 \(e^{-iHt}\) によって振幅をユニタリーに発展させる。
状態 0 の確率 \((1+e^{-2kt})/2\) となる。 \(\cos^2(ht)\) となる。
長時間の挙動 この例では確率が \(1/2\) へ収束する。 この例では確率が周期的に振動する。
結果確率の計算 状態分布の成分を直接使用する。 状態振幅の絶対値二乗を使用する。

例えば、\(k=1\)、\(h=1\) とした場合、両モデルの初期状態はともに状態 0 へ確定している。しかし、時刻 \(t=\pi/2\) では、古典モデルの状態 0 の確率はほぼ \(0.522\) であるのに対し、量子モデルではゼロになる。

\[
\begin{aligned}
p_0(\pi/2)
&=\frac{1+e^{-\pi}}2
\approx0.522,\\
P_{\mathrm Q}(0,\pi/2)
&=\cos^2(\pi/2)
=0.
\end{aligned}
\]

さらに、時刻 \(t=\pi\) では、量子モデルの状態 0 の確率は再び 1 になる。

\[
P_{\mathrm Q}(0,\pi)=1
\]

一方、古典モデルでは分布が定常状態へ近づき続ける。

\[
p_0(\pi)
=
\frac{1+e^{-2\pi}}2
\approx0.501
\]

この違いは、指定した二つのモデルの時間発展に対する具体的な予測差である。同じ初期状態を設定しても、時間を変えて繰り返し測定すれば、両モデルは異なる確率を予測する。

ただし、この数値例は、最も単純な二状態モデルを比較したものである。古典的なマルコフ過程でも、状態数を増やし、循環的な遷移を許す場合には、観測確率に減衰振動が現れることがある。また、マルコフ性を持たない履歴依存モデルでは、より広い時間依存性を表現できる。

一方、量子モデルについても、環境との相互作用や測定による状態更新を導入すると、純粋なユニタリー時間発展だけでは記述できない。開放系の量子動力学では振動が減衰する場合もあり、量子モデルの確率が常に周期的に変化するわけではない。

したがって、振動する選択確率が観測されたという事実だけでは、量子確率の必要性を確定できない。比較対象の状態数、遷移構造、時間発展の種類、測定時刻を指定したうえで、どの確率の変化が一方のモデルでは再現できないかを調べる必要がある。

Busemeyer らの研究では、選択確率だけでなく、選択に要する反応時間の分布も量子型とマルコフ型のランダムウォークから導出している[16]。時間発展の違いが単一時刻の回答割合だけでなく、判断に到達するまでの時間分布へも作用するためである。

モデルの実証的な評価では、どの時点で判断を要求したか、回答までにどのような情報処理が許されたか、判断を確定する閾値をどのように定めたかが重要になる。両モデルへ同じ測定条件を課し、選択確率と反応時間を同時に予測できるかを調べることで、時間発展に関する仮定をより厳しく検証できる。

11.3 実験結果とモデルの限界

量子型のランダムウォークと古典的なマルコフ過程を比較するには、両者が異なる数学的構造を持つことを示すだけでは足りない。実際の行動データに対して、どちらのモデルがよりよく予測できるかを評価する必要がある。

Wang と Busemeyer は、公共サービス広告に対する評価を用いて、量子型のランダムウォークモデルと古典的なマルコフ型モデルを比較した[17]。この研究では、広告の有効性について、自分自身の視点と友人の視点から評価を行わせ、評価の順序を変更した。

例えば、ある公共サービス広告を見た後、最初に「この広告は自分自身にとってどの程度有効か」と評価し、続いて「この広告は友人にとってどの程度有効か」と評価する場合を考える。順序を交換した条件では、友人にとっての有効性を先に評価し、その後で自分自身にとっての有効性を評価する。

二つの質問は同じ広告について尋ねているが、評価の視点が異なる。自分自身の経験や関心を基準に評価する場合と、友人の反応を想像して評価する場合では、参照する情報や判断基準が変わる可能性がある。

最初の評価が二番目の評価へ影響する仕組みとして、アンカリングと調整を考えることができる。例えば、自分自身に対する広告の効果を高く評価した場合、その評価が最初の基準となり、続く友人への効果を評価するときに、その基準から調整する可能性がある。

このような順序依存性は、古典的な状態更新によっても表現できる。したがって、量子モデルが古典モデルより優れているかどうかは、同じアンカリングと調整の考え方を、異なる確率動力学によって実装した場合の予測差として検証する必要がある。

Wang と Busemeyer の実験では、131 人の大学生が参加し、12 種類の公共サービス広告について評価を行った。広告の評価には 9 段階の尺度を用い、1 が最も低い評価、9 が最も高い評価に対応した[17]。

各参加者は、自分自身にとっての広告の有効性と、友人にとっての広告の有効性を評価した。二つの視点を評価する順序を変更することで、最初の評価が後続の評価へ与える影響を調べている。

実験では、自分自身の視点による評価と友人の視点による評価の間に差が観測された。また、その差の大きさは評価の順序によって変化した。自分自身の評価を先に行う条件では、友人の評価を先に行う条件よりも、両視点の評価差が大きくなる傾向が報告されている。

この結果は、評価対象となる広告が同じであっても、どちらの視点を先に形成するかによって、後続の判断分布が変化することを示している。

研究では、この順序効果を説明するため、二つのモデルを構成した。一方は確率分布を直接時間発展させるマルコフ型のランダムウォークモデルであり、もう一方は複素確率振幅を時間発展させる量子型のランダムウォークモデルである。

両モデルでは、広告を見た後、評価がある初期状態から時間発展し、回答時点で尺度上の値が選択される。最初の質問への回答によって状態が変更され、その変更後の状態を基準として二番目の評価が形成される。

ただし、両モデルの状態表現と時間発展の法則は異なる。マルコフモデルでは同じ評価状態の基底上で確率分布を更新する。一方、量子モデルでは自分自身の視点と友人の視点に異なる測定基底を対応させ、複素振幅の時間発展と基底変換を利用して逐次回答確率を計算する。

この違いにより、最初の評価が後続の評価へどのように影響するかについて、両モデルは異なる予測を与える。比較では、パラメーター数を等しくしたうえで、同じ観測データへ適合させている。

結果として、量子型モデルは比較対象のマルコフ型モデルよりも、観測された評価分布へ良好に適合した。しかし、両モデルとも、観測された頻度を自由に再現できる飽和モデルと比較すると、統計的には棄却されている[17]。

この二つの結論は矛盾しない。比較した二つの理論モデルのうち、量子型のほうが良好に適合していても、その量子型モデルが観測データを十分に再現できているとは限らないためである。

したがって、この研究から直接導かれるのは、指定された実験条件と同じパラメーター数を持つ二つのモデルを比較した場合、量子型モデルがマルコフ型モデルよりも良好に適合したという結論である。

この結果を、すべての古典的な認知モデルに対する量子モデルの優位性として一般化することはできない。古典モデルの隠れ状態数、履歴の保持、非マルコフ的な更新、条件依存の遷移などを変更すれば、異なる予測能力を持つモデルが構成される可能性がある。

11.4 五つのパラメーターで比較した結果の意味

量子モデルと古典モデルの適合度を比較する際には、モデルが持つ自由パラメーターの数が重要になる。例えば、あるモデルが実験条件ごとに独立した確率を設定できる一方、別のモデルが共通の少数のパラメーターで複数条件を説明しなければならない場合、前者が観測データへよく適合しても、その結果を単純な理論的優位性とは解釈できない。

Wang と Busemeyer の比較研究では、量子型モデルとマルコフ型モデルの双方に、五つの自由パラメーターを使用した[17]。両者は同じアンカリングと調整の考え方に基づき、広告への評価が時間とともに変化する過程を記述している。

パラメーター数をそろえることによって、一方のモデルだけがより多くの自由度を持つという単純な不公平を抑えられる。ただし、パラメーター数が同じであっても、モデルが表現できる確率分布の集合が同じになるわけではない。異なる数学的構造を持つモデルでは、同じ自由度数でも異なる形の制約が現れる。

例えば、古典マルコフモデルでは、生成行列の非対角成分が非負であり、列の和がゼロになる必要がある。一方、量子モデルのハミルトニアンでは、自己随伴性が要求され、ユニタリー時間発展によって振幅のノルムが保存される。

どちらもパラメーターによって時間発展を調整できるが、パラメーターが作用する対象と、許される変換の集合は異なる。そのため、同じパラメーター数のモデル間でも、観測データへの適合度が異なることがある。

モデルを比較する方法の一つに、尤度を利用する方法がある。観測された回答データを \(D\)、モデルを \(M\)、そのパラメーターを \(\theta\) とする。尤度は、モデルとパラメーターを指定した場合に観測データが得られる確率として定義される。

\[
L(\theta;D,M)
=
P(D\mid\theta,M)
\]

参加者の回答が、モデルの仮定のもとで独立に生成される場合、各回答の確率を掛け合わせることで全体の尤度を計算できる。

\[
L(\theta;D,M)
=
\prod_{r=1}^{N}
P(y_r\mid x_r,\theta,M)
\]

ここで \(N\) は観測数、\(x_r\) は実験条件、\(y_r\) はその条件で観測された回答である。異なる実験条件で回答分布が変化する場合でも、モデルが共通のパラメーターを用いて各条件の確率を計算できれば、同じ尤度の式を適用できる。

数値計算では、積を直接扱うよりも対数尤度を利用することが多い。対数を取ると、確率の積を和として計算できる。

\[
\ell(\theta)
=
\log L(\theta;D,M)
=
\sum_{r=1}^{N}
\log P(y_r\mid x_r,\theta,M)
\]

パラメーターを最尤推定する場合には、対数尤度を最大にする値を求める。

\[
\widehat\theta
=
\operatorname*{arg\,max}_{\theta}
\ell(\theta)
\]

モデルの適合度を比較するときには、観測された頻度をほぼ自由に再現できる飽和モデルを基準として利用する方法がある。飽和モデルでは、各実験条件の回答確率を十分に自由に設定するため、理論モデルより多くの自由度を持つ。

理論モデルの最大対数尤度を \(\ell_M\)、飽和モデルの最大対数尤度を \(\ell_{\mathrm{sat}}\) とする。両者の差に基づく適合度統計量を、次のように定義する。

\[
G^2_M
=
2(\ell_{\mathrm{sat}}-\ell_M)
\]

飽和モデルは観測頻度をより自由に再現できるため、通常は \(\ell_{\mathrm{sat}}\geq\ell_M\) となる。したがって、\(G^2_M\) は非負であり、値が大きいほど飽和モデルと理論モデルの間に大きな適合度の差が存在する。

Wang と Busemeyer の研究では、五つのパラメーターを持つ二つのモデルについて、飽和モデルとの差を計算した。その結果、マルコフモデルの適合度統計量は 1190、量子モデルでは 839 だった[17]。

\[
\begin{aligned}
G^2_{\mathrm{Markov}}&=1190,\\
G^2_{\mathrm{Quantum}}&=839.
\end{aligned}
\]

量子モデルの値のほうが小さいため、飽和モデルとの適合度の差も小さい。この比較では、量子型モデルが観測データへより良好に適合したと評価できる。

二つの統計量の差は 351 である。

\[
1190-839=351
\]

ただし、この 351 をそのまま自由度 1 のカイ二乗検定へ代入し、二つのモデルの優劣に関する \(p\) 値を求めることは適切ではない。二つのモデルは単純な入れ子関係にあるとは限らないため、通常の尤度比検定の条件を確認する必要がある。

パラメーター数を考慮した比較方法として、ベイズ情報量規準である BIC がある。モデルの自由パラメーター数を \(k\)、観測数を \(N\)、最大対数尤度を \(\ell_M\) とすると、次のように定義される。

\[
\mathrm{BIC}
=
k\log N-2\ell_M
\]

BIC では、対数尤度が高いモデルほど有利になる一方、パラメーター数が多いモデルには罰則項が加わる。通常は値が小さいモデルを相対的に支持する。

今回のように二つのモデルが同じ五つのパラメーターを持ち、同じ観測データに適用される場合、BIC のパラメーター数に関する項は一致する。そのため、BIC による比較でも、最大対数尤度の高いモデルが有利になる。

ただし、自由パラメーター数が等しいことは、モデルの予測能力を完全に公平に比較したことを保証しない。例えば、状態空間の次元、初期状態の設定、評価時間の取り扱い、実験条件ごとの共有パラメーターの範囲などにも差が存在し得る。

また、Wang と Busemeyer の研究では、量子モデルがマルコフモデルより良好に適合していた一方、どちらのモデルも飽和モデルとの比較では統計的に棄却された。これは、両モデルとも観測された回答分布を完全には説明できていないことを意味する。

したがって、二つのモデルを比較するときには、相対的な優位性と絶対的な適合性を区別する必要がある。比較対象のうち最も良いモデルが、観測データを十分に説明できるモデルであるとは限らない。

さらに、最尤推定に使用したデータだけで適合度を評価すると、モデルがそのデータに適合するよう調整されたことの影響を受ける。未使用の回答条件に対して同じパラメーターで予測できるかを確認することで、標本内の適合と標本外の予測を区別できる。

11.5 文脈依存性と数学的な文脈性

量子認知モデルでは、質問の順序や提示条件によって回答が変化することを、文脈依存性として扱う場合がある。しかし、数学的な文脈性という概念は、単に文脈によって回答分布が変化することとは異なる。

例えば、ある政策への賛否を尋ねる前に、その政策の費用について説明する場合と、期待される利益について説明する場合を考える。説明の内容が異なれば、政策への回答分布が変化する可能性がある。このような現象は、質問文や先行情報が回答へ直接影響したものとして記述できる。

ここで観測されるのは、文脈の違いによる回答確率の変化である。一方、数学的な文脈性では、異なる文脈で得られた確率変数を、一つの結合確率分布へどのように配置できるかを検討する。

Dzhafarov、Zhang、Kujala は、直接的な文脈効果が存在する場合にも、文脈性を定義して検証できる Contextuality-by-Default という枠組みを用いて、行動・社会データを分析した[18]。

この枠組みでは、同じ内容を測定する場合でも、文脈が異なれば別の確率変数として定義する。例えば、質問 A を B と組み合わせて尋ねた場合の回答と、質問 A を C と組み合わせて尋ねた場合の回答は、同じ質問への回答であっても、確率変数としては区別する。

この区別を数式で表す。測定する内容を \(q\)、その内容を測定した文脈を \(c\) とし、対応する回答変数を次のように表す。

\[
R_q^c
\]

ここで下付き添字 \(q\) は測定内容を示し、上付き添字 \(c\) は測定文脈を示す。例えば、質問 A が B と組み合わされた文脈を \(c_1\)、C と組み合わされた文脈を \(c_2\) とすれば、同じ質問 A に対する回答は次の二つの変数として表される。

\[
R_A^{c_1},
\qquad
R_A^{c_2}
\]

この二つは、同じ質問内容に対応していても、異なる文脈で観測された確率変数である。両者の周辺分布が一致するとは限らない。

\[
P(R_A^{c_1}=Y)
\neq
P(R_A^{c_2}=Y)
\]

このような周辺分布の違いは、文脈が回答へ直接影響したことを表す。Contextuality-by-Default では、これを非一貫結合性と呼ぶ。

一方、厳密な文脈性を判定する場合には、異なる文脈で測定した同じ内容の変数を、所定の条件を満たすように結合できるかを調べる。単に周辺分布が異なることから、数学的な文脈性が成立すると結論するわけではない。

例えば、ある質問への「はい」の割合が文脈 \(c_1\) で \(0.7\)、文脈 \(c_2\) で \(0.5\) だったとする。この差は、質問内容以外の条件が回答分布へ影響したことを示す。しかし、同じ質問に対応する二つの変数を結合する際に、どの程度の不一致が避けられないかを考慮すれば、この分布差だけで文脈性を判定することはできない。

文脈性の判定では、周辺分布の違いを直接的な影響として扱い、その影響だけでは説明できない結合分布上の制約違反が残るかを調べる必要がある。

Dzhafarov らは、世論調査、視覚錯視、複合的な選択、単語の組合せ、心理物理的な比較など、複数の行動・社会データを検討した。その研究で分析したデータ集合では、厳密な文脈性の証拠は得られなかったと報告している[18]。

ただし、この結果は、あらゆる人間の判断に数学的な文脈性が存在しないことを証明したものではない。分析したデータ集合と、対応する変数・文脈の定義についての結論である。

実際、Cervantes と Dzhafarov は、視覚刺激を繰り返し提示する心理物理実験において、Contextuality-by-Default の基準に基づく文脈性の証拠を報告している[19]。

このように、文脈依存性が広く存在することと、数学的な文脈性が特定のデータで成立することは区別される。後者を検証するには、測定内容、文脈、確率変数の対応づけ、結合分布に課す条件を定義する必要がある。

11.6 文脈依存性と文脈性を結合分布から区別する

数学的な文脈性を理解するため、異なる文脈で観測された確率変数の結合を考える。まず、同じ文脈で測定された二つの変数には、実験によって結合確率分布を定義できる。

例えば、質問 A と質問 B を同じ参加者へ連続して尋ねた場合、二つの回答の組が観測される。そのため、次のような結合確率を推定できる。

\[
P(R_A^{c_1}=a,\ R_B^{c_1}=b)
\]

ここで \(c_1\) は A と B を組み合わせて測定した文脈であり、\(a,b\) はそれぞれの回答である。

一方、質問 A と質問 C を別の文脈で測定した場合には、次の結合確率を得る。

\[
P(R_A^{c_2}=a,\ R_C^{c_2}=c)
\]

この二つの文脈で得られた確率変数の間には、実験によって直接観測された結合分布が存在するとは限らない。例えば、文脈 \(c_1\) と \(c_2\) が異なる参加者群へ割り当てられている場合、ある参加者の \(R_A^{c_1}\) と別の文脈における \(R_A^{c_2}\) を同時に観測することはできない。

そこで、複数の文脈に属する変数全体へ、仮想的な結合分布を構成できるかを考える。この結合分布は、各文脈で実際に観測した結合確率を周辺分布として再現する必要がある。

例えば、三つの変数を同じ確率空間上の変数 \(X_A,X_B,X_C\) として構成する場合、観測された A と B の結合分布、および A と C の結合分布が、それぞれ対応する周辺分布として得られることを要求する。

ただし、同じ内容 A を異なる文脈で測定した二つの変数が、常に同じ値を取るように結合できるとは限らない。二つの周辺分布が異なれば、どのような結合を選んでも、一定の割合で値が異なる必要がある。

この性質を二値変数で確認する。二つの変数 \(X,Y\) がそれぞれ \(+1\) または \(-1\) を取り、期待値を \(m_X,m_Y\) とする。

\[
m_X=\mathbb E[X],
\qquad
m_Y=\mathbb E[Y]
\]

二値変数の期待値は、正の値を取る確率によって表せる。

\[
\begin{aligned}
m_X&=2P(X=+1)-1,\\
m_Y&=2P(Y=+1)-1.
\end{aligned}
\]

二つの変数の結合を自由に選べる場合でも、値が異なる確率の最小値は、二つの周辺分布の差によって制約される。

\[
\min P(X\neq Y)
=
\frac12|m_X-m_Y|
\]

例えば、\(P(X=+1)=0.7\)、\(P(Y=+1)=0.5\) の場合、二つの期待値はそれぞれ \(0.4\) と \(0\) になる。

\[
m_X=0.4,
\qquad
m_Y=0
\]

この場合、どのような結合を構成しても、二つの値が異なる確率を \(0.2\) より小さくすることはできない。

\[
\min P(X\neq Y)
=
\frac12|0.4-0|
=
0.2
\]

これは、二つの周辺分布が異なるという事実だけから避けられない不一致である。したがって、この不一致が存在すること自体を、数学的な文脈性の証拠とすることはできない。

Contextuality-by-Default では、同じ内容を異なる文脈で測定した変数の組について、可能な限り一致する結合を考える。その際に、各文脈の実際の結合分布を同時に再現しながら、同じ内容の変数を最大限一致させられるかを検討する。

文脈性が存在しない場合には、所定の条件を満たす結合分布を構成できる。反対に、各文脈で観測した結合分布を保持しながら、同じ内容の変数を可能な限り一致させることができない場合には、文脈性が存在すると判定する。

この判定では、単一の質問について周辺分布が変化したかどうかだけでなく、複数の文脈で観測された相関を同時に実現できるかが重要になる。

例えば、質問 A が文脈によって高く評価されたり低く評価されたりするという直接的な影響だけでは、文脈性は確定しない。一方、各文脈における回答の相関を組み合わせたとき、どのような共通の結合分布でも必要な整合条件を満たせない場合には、単純な周辺分布の変化とは別の制約違反が存在する。

この区別によって、文脈による直接的な影響と、数学的な文脈性を独立に評価できる。

11.7 文脈性に関する肯定例と否定例

文脈性が人間の行動データに存在するかという問題については、分析対象によって異なる結果が報告されている。これらを比較する場合、研究ごとの測定内容、文脈、回答カテゴリー、結合分布の構成条件を確認する必要がある。

Dzhafarov、Zhang、Kujala の 2016 年の研究では、世論調査から心理物理的な課題まで、複数の行動・社会データを Contextuality-by-Default によって分析した[18]。研究対象には、質問順序による回答の変化、視覚的な錯覚、複数の属性を組み合わせた判断、単語の意味に関する課題などが含まれていた。

これらのデータでは、文脈によって回答分布が変化する現象が観測されていた。しかし、周辺分布への直接的な文脈効果を考慮したうえで、数学的な文脈性が残るかを検証すると、分析対象のデータ集合では文脈性の証拠が得られなかった。

この結果は、文脈依存性が存在しないという意味ではない。質問の組合せや提示条件が回答分布へ影響することは認めたうえで、その影響を考慮した結合分布の整合条件が満たされているという意味である。

一方、Cervantes と Dzhafarov は、2019 年の研究で、個人の心理物理的な判断における文脈性の証拠を報告した[19]。この実験では、視覚刺激を繰り返し提示し、刺激の配置を文脈として変更した。

実験では、三人の参加者がそれぞれ多数の試行を行った。各試行では二つの視覚刺激が提示され、参加者は刺激の位置について五つの回答候補から選択した。

回答候補には、中央、左、右、上、下に対応する五つの位置が含まれていた。従来の二値回答だけではなく、多値の回答分布を対象としている点が特徴である。

刺激の配置によって定義した 25 種類の文脈について、各参加者の回答分布を収集した。そのうえで、Contextuality-by-Default に基づき、同じ測定内容が異なる文脈でどのような回答分布を持つかを比較した。

この研究では、多値の回答を二値化した確率変数の組について、文脈性が存在する場合の必要条件を利用している。具体的には、名義的優越性と呼ばれる条件の違反を検査した。

名義的優越性は、同じ内容を異なる文脈で測定した多値変数について、ある回答カテゴリーの確率がほかの文脈より高い場合に、残りのカテゴリーの確率がどのように変化するかという関係を制約する。

この条件が破れる場合、対象となるすべての二値化を含む確率変数系には、Contextuality-by-Default の意味で文脈性が存在することが導かれる。

Cervantes と Dzhafarov の実験では、三人の参加者すべてについて、名義的優越性の違反が確認された。また、ブートストラップ法による統計的な評価によって、その結果の信頼性が検討された[19]。

この研究で観測された文脈性は、各参加者の繰り返し回答から構成した確率変数系についての結論である。異なる多数の参加者の回答を単純に集計した結果だけから得られたものではない。

一方、この結果は、視覚刺激の判断に物理的な量子エンタングルメントが存在することや、神経系で量子測定が行われていることを示すものではない。検出されたのは、定義された内容と文脈に対応する回答変数について、所定の古典的な結合条件を満たせないという統計的な性質である。

また、2016 年の否定的な結果と 2019 年の肯定的な結果を、同一の実験についての相反する結論として扱うことはできない。測定課題、回答カテゴリー、文脈の構成、参加者ごとの反復測定が異なるためである。

両研究を比較することで、人間の行動に文脈依存性があることと、その依存性が厳密な文脈性として検出されることは異なると分かる。数学的な文脈性を検証するためには、測定内容と文脈を具体的に定義し、観測された結合分布がどの制約を満たすかを判定する必要がある。

11.8 文脈性判定における直接的な影響の補正

文脈性の判定を具体的な不等式で理解するため、四つの測定内容と四つの文脈から構成される循環系を考える。測定内容を \(q_1,q_2,q_3,q_4\) とし、文脈を隣接する二つの内容の組として定義する。

四つの文脈は、次の組合せから構成される。

\[
(q_1,q_2),\quad
(q_2,q_3),\quad
(q_3,q_4),\quad
(q_4,q_1)
\]

各文脈では、対応する二つの測定内容について、同時に定義された結合確率分布を観測する。各回答を \(+1\) または \(-1\) に符号化する。

同じ測定内容でも文脈が異なれば別の確率変数となるため、四つの文脈全体では八つの変数が現れる。

例えば、内容 \(q_1\) は文脈 \((q_1,q_2)\) と文脈 \((q_4,q_1)\) の両方で測定される。この二つの文脈で得られた \(q_1\) の回答は、異なる確率変数として扱う。

記法を簡潔にするため、内容 \(q_i\) を次の内容 \(q_{i+1}\) と組み合わせて測定した変数を \(V_i\)、前の内容 \(q_{i-1}\) と組み合わせて測定した変数を \(W_i\) とする。添字は循環的に扱い、\(q_5=q_1\) とする。

このとき、同じ文脈で観測される変数の組は、次の四つになる。

\[
(V_1,W_2),\quad
(V_2,W_3),\quad
(V_3,W_4),\quad
(V_4,W_1)
\]

同じ測定内容を異なる文脈で観測した変数の組は、\((V_i,W_i)\) である。これらの変数は同じ内容に対応するが、実験で同時に観測されたものではないため、その結合分布は直接には与えられていない。

各文脈で観測された二値変数の積の期待値を、次のように定義する。

\[
\begin{aligned}
E_1&=\mathbb E[V_1W_2],\\
E_2&=\mathbb E[V_2W_3],\\
E_3&=\mathbb E[V_3W_4],\\
E_4&=\mathbb E[V_4W_1].
\end{aligned}
\]

ここで \(E_i\) は同じ文脈で測定された二つの結果の相関である。二値変数がそれぞれ \(\pm1\) を取るため、各相関の値は \(-1\) から \(+1\) の範囲にある。

四つの相関について、符号を付けた和を考える。ただし、負の符号を付ける項の個数を奇数に限定する。こうして得られる和の最大値を \(s_{\mathrm{odd}}\) と定義する。

\[
s_{\mathrm{odd}}(E_1,E_2,E_3,E_4)
=
\max_{\substack{
\varepsilon_i\in\{-1,+1\}\\
\varepsilon_1\varepsilon_2\varepsilon_3\varepsilon_4=-1
}}
\sum_{i=1}^{4}\varepsilon_iE_i
\]

ここで \(\varepsilon_i\) は各相関に付ける符号である。四つの符号の積が \(-1\) であることは、負の符号の数が奇数であることを意味する。

例えば、次の組合せは、負の符号が一つなので条件を満たす。

\[
E_1+E_2+E_3-E_4
\]

一方、負の符号が二つの場合は、この最大化の対象には含めない。循環系の非文脈性を判定する際には、符号付き相関和のこの制約が重要になる。

次に、同じ測定内容を異なる文脈で観測した変数の期待値の差を考える。内容 \(q_i\) に対応する二つの変数 \(V_i,W_i\) の期待値が異なる場合、その差は文脈による直接的な影響を表す。

四つの内容について、期待値の差の絶対値を合計した量を \(\Delta\) と定義する。

\[
\Delta
=
\sum_{i=1}^{4}
\left|
\mathbb E[V_i]-\mathbb E[W_i]
\right|
\]

この量は、同じ内容を異なる文脈で測定した場合に、回答の周辺分布がどの程度変化したかを表す。

\(\Delta=0\) であれば、各内容について文脈間の期待値が一致する。この場合、二値変数では周辺分布も一致するため、一貫結合性が成立する。

\[
\mathbb E[V_i]
=
\mathbb E[W_i]
\quad
(i=1,2,3,4)
\]

一方、\(\Delta\) が正であれば、少なくとも一つの測定内容について、文脈間で周辺分布が変化している。

Contextuality-by-Default では、四つの文脈から構成される二値循環系について、非文脈的な結合が存在するための必要十分条件を、次の不等式として表せる[18]。

\[
\boxed{
s_{\mathrm{odd}}(E_1,E_2,E_3,E_4)
\leq
2+\Delta
}
\]

この式の左辺は、四つの文脈で観測された相関を組み合わせた量である。右辺の 2 は、一貫結合性が成立する場合の古典的な上限に対応し、\(\Delta\) は文脈による直接的な周辺分布の変化を考慮する補正項である。

\(\Delta=0\) の場合、不等式は次の形になる。

\[
s_{\mathrm{odd}}(E_1,E_2,E_3,E_4)\leq2
\]

この上限は、CHSH 不等式と対応する形を持つ。四つの相関を同じ潜在的な確率変数の組で表す場合、負符号が奇数個の積の和には上限 2 が生じる。

この上限を簡単に確認する。四つの測定内容に共通する二値変数 \(X_1,X_2,X_3,X_4\) を割り当てられると仮定する。この場合、文脈内の相関に対応する積は、次のように表せる。

\[
X_1X_2,\quad
X_2X_3,\quad
X_3X_4,\quad
X_4X_1
\]

これら四つの積をさらに掛け合わせると、各変数が二回ずつ現れる。

\[
(X_1X_2)(X_2X_3)(X_3X_4)(X_4X_1)
=
X_1^2X_2^2X_3^2X_4^2
=
1
\]

各変数は \(\pm1\) なので、その二乗は 1 になる。したがって、四つの積の符号を自由に選べるわけではなく、積全体の符号が正になるという制約を持つ。

ここで、四つの項へ奇数個の負符号を付ける。その符号付きの四項すべてを同時に \(+1\) にすることはできない。少なくとも一項は \(-1\) になるため、四項の和は 2 以下となる。

この関係を確率的な平均へ拡張すると、次の上限が得られる。

\[
s_{\mathrm{odd}}\leq2
\]

これが、文脈による直接的な周辺分布の変化が存在しない場合の非文脈性の制約である。

一方、同じ内容を異なる文脈で測定した結果が一致しない場合には、その不一致によって相関和の上限が緩和される。二値変数の結合について、同じ内容の変数が異なる確率の最小値は、期待値差の半分である。

\[
\min P(V_i\neq W_i)
=
\frac12
\left|
\mathbb E[V_i]-\mathbb E[W_i]
\right|
\]

この最小の不一致を四つの内容について合計すると、直接的な文脈効果によって避けられない不一致の総量が得られる。

\[
\Delta_0
=
\frac12\Delta
\]

各変数の不一致は、符号付き相関和を最大 2 だけ変化させ得るため、直接的な影響を考慮した上限には \(2\Delta_0=\Delta\) が加わる。

その結果、非文脈性の判定式は \(s_{\mathrm{odd}}\leq2+\Delta\) となる。ただし、これが四つの文脈からなる二値循環系について必要十分条件となることは、個々の期待値差の計算だけでなく、すべての文脈の結合分布を同時に実現できるかを扱う定理に基づく。

この不等式を満たす場合には、Contextuality-by-Default の定義に従う非文脈的な結合が存在する。一方、不等式が破れる場合には、直接的な文脈効果を考慮しても、同じ内容の変数を最大限一致させる共通結合を構成できない。

数値例として、四つの文脈で観測された相関を次のように仮定する。

\[
E_1=0.8,\quad
E_2=0.8,\quad
E_3=0.8,\quad
E_4=-0.8
\]

さらに、同じ測定内容に対応する変数の周辺分布が文脈間で一致し、\(\Delta=0\) であると仮定する。この相関の組は、各文脈の二値変数の結合分布として個別には構成できる。

負符号を第四項へ付けると、符号付き相関和は次の値になる。

\[
\begin{aligned}
s_{\mathrm{odd}}
&\geq
0.8+0.8+0.8-(-0.8)\\
&=3.2.
\end{aligned}
\]

各相関の絶対値が 0.8 なので、この場合の最大値は 3.2 である。一方、直接的な文脈効果がゼロであるため、非文脈性の上限は 2 になる。

\[
2+\Delta=2
\]

したがって、次の不等式が成立する。

\[
3.2>2
\]

この仮想例では、四つの文脈内で観測された相関を、同じ内容の変数を一致させた共通の確率モデルによって同時に表すことができない。Contextuality-by-Default の意味で文脈性が存在する。

ただし、これは判定式の意味を示すための数学的な例であり、人間の行動実験から得られた数値ではない。

次に、各相関の絶対値を 0.4 へ変更し、周辺分布の差はゼロのままとする。

\[
E_1=0.4,\quad
E_2=0.4,\quad
E_3=0.4,\quad
E_4=-0.4
\]

この場合、符号付き相関和の最大値は 1.6 となる。

\[
s_{\mathrm{odd}}=1.6
\]

非文脈性の上限 2 を超えないため、この数値例は非文脈性の条件を満たす。

一方、\(\Delta\) が正である場合には、周辺分布の違いを補正する必要がある。例えば、ある内容への回答平均が文脈によって変化していても、その変化だけで相関の違いを説明できるなら、数学的な文脈性は検出されない。

この区別は、人間の判断に文脈性が存在すると主張する際に不可欠である。質問順序によって回答分布が変化すること、あるいは回答の相関が変化することだけでは、厳密な文脈性は確定しない。直接的な影響を補正したうえで、なお非文脈的な結合条件を破るかを判定する必要がある。

11.9 比較のための測定計画

量子認知モデルと古典的な認知モデルを比較する場合、一つの質問順序に対する適合度だけを評価すると、状態更新規則の違いを十分に識別できないことがある。例えば、A→B と B→A の回答分布をどちらのモデルでも再現できる場合、その結果だけからモデルの違いを決定することは難しい。

そのため、複数の質問列と時間条件を組み合わせ、共通のパラメーターでどの程度予測できるかを検証する必要がある。

まず、二つの質問 A と B の順序を変更した場合の回答分布を測定する。A→B と B→A の両条件について、四つの回答の組を記録し、質問順序効果の大きさを計算する。

同じデータから QQ 等式に対応する差も計算できる。質問順序効果そのものと QQ 等式からの逸脱を別々に評価することで、単純な逐次射影測定モデルの予測を検証できる。

次に、A→B→A や B→A→B という質問列を導入する。これにより、最初と最後の回答がどの程度一致するかを測定できる。単純な射影測定モデルと一般化された量子インストルメントモデルでは、回答再現性について異なる制約が生じる場合がある。

さらに、質問を繰り返す間隔を変更し、時間による回答の変化を測定する。例えば、質問 A を続けて二回尋ねた場合と、一定の時間を空けて再び尋ねた場合を比較する。

この操作によって、質問への回答による一時的な状態更新と、記憶や学習によって保持される変化を区別する手掛かりが得られる。ただし、時間間隔を変更する場合には、途中で新しい情報が与えられたか、参加者が前の回答を記憶しているかなども考慮する必要がある。

最後に、同じ測定内容を異なる文脈で観測し、文脈間の回答分布と相関を比較する。これにより、直接的な文脈効果と、Contextuality-by-Default の意味での文脈性を分けて評価できる。

これらの測定条件を整理すると、次のようになる。

実験条件 取得するデータ モデルへ課す制約 検証できる内容
A→B と B→A 各順序について四種類の結合回答確率を推定する。 質問の内容、初期条件、回答規則を共通にして比較する。 質問順序効果と QQ 等式の成立を別々に評価する。
A→B→A 最初と最後の A への回答一致率を記録する。 途中の B を含む状態更新規則を固定する。 質問順序効果と回答再現効果の両立を検証する。
B→A→B 最初と最後の B への回答一致率を記録する。 A→B→A と同じ測定演算子を使用する。 回答再現性が特定の質問だけに依存していないかを調べる。
質問間隔の変更 回答確率、反応時間、時間間隔を記録する。 時間発展の生成子と測定規則を事前に指定する。 確率分布の収束や振動などの時間依存性を比較する。
文脈の変更 同じ内容の周辺分布と文脈内の相関を記録する。 測定内容と文脈の対応を固定する。 直接的な文脈効果と数学的な文脈性を区別する。
未使用の質問列 パラメーター推定に使わない回答列を取得する。 推定済みパラメーターを変更せずに予測する。 標本内の適合ではなく標本外の予測能力を評価する。

このような実験計画では、各条件を独立した適合対象として扱うのではなく、複数条件に共通する状態と更新規則を固定することが重要になる。例えば、A→B の結果を説明するために設定した演算子を、A→B→A や別の時間間隔の条件へも適用する。

量子モデルの場合、同じ測定演算子と状態更新規則を共有することで、異なる質問列の回答確率に共通の制約が生じる可能性がある。一方、古典モデルでも、同じ隠れ状態数と遷移規則を共有すれば、同様に複数条件の予測が制約される。

したがって、量子モデルだけに厳しいパラメーター共有を要求したり、古典モデルだけに制限された状態空間を割り当てたりすることは適切ではない。比較対象が同じ実験条件に対してどのような自由度を持つかを明示する必要がある。

また、モデルの比較では、回答確率だけでなく、反応時間の分布を含めることもできる。二つのモデルが最終的な選択率を同じ程度に再現していても、判断が確定するまでの時間分布について異なる予測を与える場合があるためである。

例えば、判断時間の短い条件と長い条件で選択確率を測定し、同じ時間発展の生成子から予測できるかを調べる。実験後に条件ごとに別の生成子を設定するのではなく、時間という入力だけを変更した場合の確率を計算することが、動力学モデルの検証になる。

さらに、同じ参加者から繰り返し回答を取得する場合、回答同士の統計的な依存関係を考慮する必要がある。例えば、一人の参加者が多数の広告を評価した場合、その回答は共通の判断傾向や個人差を持つ可能性がある。すべての回答を独立した観測として扱うと、標準誤差や有意性の評価に影響することがある。

したがって、参加者単位の依存性、質問条件、回答履歴を適切に扱い、モデルの推定と検証に用いるデータを分離する必要がある。

11.10 未使用データを使う予測比較

量子認知モデルの優位性を評価する際、最も重要な条件の一つは、パラメーター推定に使用していないデータへ予測を与えられることである。観測データに適合するよう状態空間や演算子を設定した場合、そのデータへの適合度が高くても、別の条件について同じ精度で予測できるとは限らない。

例えば、A→B と B→A の二質問列から、各モデルの初期状態と更新規則を推定したとする。このデータを使って推定したモデルに対し、同じ質問 A と B を用いた A→B→A の回答再現確率を予測させる。

この場合、モデルが最初の二質問の回答分布に適合したという事実だけでなく、追加の質問列に対して新しい予測を与えられるかを検証できる。

モデルの予測を数値的に評価する方法として、未使用データに対する対数尤度を利用できる。学習用データから推定したパラメーターを \(\widehat\theta\)、評価用のデータを \(D_{\mathrm{test}}\) とする。

\[
\ell_{\mathrm{test}}(M)
=
\sum_{r\in D_{\mathrm{test}}}
\log P(y_r\mid x_r,\widehat\theta,M)
\]

ここで \(\widehat\theta\) は学習用データだけから推定した値であり、評価用データを見た後に再調整しない。\(x_r\) は実験条件、\(y_r\) はその条件で観測された回答を表す。

この評価では、実際に観測された回答へ高い予測確率を割り当てたモデルほど、対数尤度が高くなる。逆に、観測された回答へ極めて低い確率を割り当てたモデルは、大きな罰則を受ける。

負の対数尤度を平均した量も利用できる。

\[
\mathcal L_{\mathrm{test}}(M)
=
-\frac1{N_{\mathrm{test}}}
\sum_{r\in D_{\mathrm{test}}}
\log P(y_r\mid x_r,\widehat\theta,M)
\]

ここで \(N_{\mathrm{test}}\) は評価用データの観測数である。この量は値が小さいほど良好な予測を表す。複数のモデルが異なる実験条件に対してどの程度確率を割り当てたかを、同じ尺度で比較できる。

ただし、評価対象となる観測が独立でない場合には、対数尤度の分解方法にも注意が必要になる。例えば、一人の参加者が複数回回答した場合、回答履歴を条件とした確率を利用するか、参加者単位の結合確率を扱うかを、モデルの構造に合わせて定める必要がある。

また、モデルが未使用データに対して高い対数尤度を示した場合でも、その結果だけで量子確率が唯一の説明であるとは結論できない。同じデータについて、適切な状態空間と更新規則を持つ古典モデルが同等の予測を与える可能性があるためである。

例えば、古典的な隠れ状態モデルに、過去の回答を保存する記憶変数を追加することができる。この場合、A→B→A の回答再現性を、最初の A への回答を履歴として保持する仕組みによって表現できる。

同様に、質問 A と B の順序によって内部状態が変化するような遷移規則を定義すれば、古典モデルでも質問順序効果を生成できる。したがって、古典モデルの表現能力を限定しすぎた比較では、量子モデルの必要性を正確に評価できない。

一方、古典モデルにすべての回答履歴を独立した状態として追加すれば、有限の実験データを柔軟に再現できる可能性が高くなる。しかし、そのようなモデルでは状態数とパラメーター数が増加し、未使用の質問列への予測が不安定になる場合がある。

量子モデルについても同じ問題がある。状態空間の次元を自由に増やし、質問ごとに異なる測定演算子と状態更新規則を設定すれば、多様なデータへ適合しやすくなる。しかし、そのようなモデルでは、量子理論の数学的な構造から得られる独立した予測制約が弱くなる可能性がある。

したがって、モデル比較では、単純な二状態マルコフモデルと高次元の量子インストルメントモデルを比較する場合と、同程度の状態数やパラメーター数を持つモデル同士を比較する場合を区別する必要がある。

また、量子モデルの優位性を検証する際には、異なる現象に対する説明を一つのモデルへ統合できるかが重要になる。例えば、連言錯誤を説明するために設定した測定演算子と、質問順序効果を説明する測定演算子が、同じ認知状態空間の中で整合的に定義できるかを調べる。

さらに、質問順序効果を説明する測定後状態の更新規則を、回答再現効果の検証へも適用できるかを確認する。個別の現象ごとに独立した量子モデルを構成する場合と、共通の状態空間と更新規則で複数の現象を説明する場合では、理論の拘束条件が異なる。

このような比較では、量子モデルに固有の等式や不等式を導き、その成立を実験によって検証する方法がある。例えば、単純な二値射影測定モデルでは QQ 等式が導かれるため、質問順序効果が存在するだけでなく、回答一致確率に特定の対称性が現れることを予測できる。

一方、一般化された量子インストルメントでは、QQ 等式が自動的に成立するとは限らない。その場合には、どの追加条件によって QQ 等式が成立するか、回答再現効果とどのように両立するかを明示する必要がある。

数学的な文脈性についても、単に文脈によって回答が変化するという観測から結論するのではなく、直接的な影響を補正した結合分布の制約を検証する必要がある。

このように、量子認知モデルの説明能力には複数の段階がある。観測済みのデータへ適合すること、限定された古典モデルより良好に適合すること、未使用の条件へ高い精度で予測すること、さらに広い古典モデルのクラスでは再現できない制約を実証することは、それぞれ異なる主張である。

Wang と Busemeyer のモデル比較研究では、同じ五つのパラメーターを持つマルコフ型モデルに対し、量子型モデルが相対的に良好な適合を示した。しかし、両モデルとも飽和モデルとの比較では棄却されているため、その結果だけで量子確率の必要性を確定することはできない[17]。

また、Dzhafarov らの研究では、多くの行動・社会データについて、直接的な文脈効果を考慮した後には数学的な文脈性の証拠が得られなかった。一方、Cervantes と Dzhafarov の心理物理実験では、所定の基準に基づく文脈性の証拠が報告された[18][19]。

これらの結果は、人間の判断を一つの固定した確率表だけで説明することが難しい場合がある一方、量子確率モデルがすべての認知現象について唯一の数学的な説明になるわけではないことを示している。

量子認知モデルの優位性を判断するためには、比較対象となる古典モデルのクラスを明示し、状態空間、更新規則、測定規則、パラメーター数、学習用データ、評価用データを固定する必要がある。そのうえで、複数の質問列、時間条件、文脈条件へ共通の予測を与え、観測結果と比較することが求められる。

量子確率の数学的な有効性は、こうした予測比較によって評価できる。しかし、その有効性が確認されたとしても、神経系に物理的な量子状態が存在することや、思考に量子力学の演算が物理的に必要であることまで導かれるわけではない。

したがって、量子認知モデルについて確定できるのは、特定の状態空間と測定規則を用いることで、古典的なモデルとは異なる確率制約や時間発展の予測を構成できるということである。その予測がどの程度実験データと整合し、どの古典モデルに対して優位性を持つかは、比較対象を明示した検証によって判断される。


12. 量子認知の数学的モデルと物理的な量子測定を区別する

12.1 二種類の状態更新

量子認知モデルでは、人間の判断や回答の確率を、量子力学と共通する数学的な形式によって記述する。例えば、被験者の認知状態を密度演算子で表し、質問への回答確率を測定演算子から計算する。この方法を使用すると、質問の順序によって回答分布が変化する現象や、複数の判断候補の間に生じる干渉型の確率関係を表現できる。

しかし、認知状態を密度演算子として表すことと、その密度演算子が脳内の特定の物理的な量子状態に対応することは、異なる主張である。前者は判断確率を計算するための数学的なモデルであり、後者は神経系の物理的な構成と時間発展に関する仮説である。

この違いを明確にするため、量子認知モデルの状態を \(\rho_{\mathrm{cog}}\)、質問 \(q\) の回答 \(a\) に対応する効果演算子を \(E_{q,a}\) とする。この場合、回答確率は次のように表せる。

\[
p(a\mid q)
=
\operatorname{Tr}
\left(
E_{q,a}\rho_{\mathrm{cog}}
\right)
\]

ここで \(\rho_{\mathrm{cog}}\) は認知状態の数学的な表現であり、\(E_{q,a}\) は質問に対する回答結果の確率を計算する演算子である。これらの対象が、実際の神経細胞や分子のどの物理量に対応するかを指定しなくても、モデルから回答確率を計算できる。

例えば、ある質問に対して「はい」と答える確率が \(0.6\)、「いいえ」と答える確率が \(0.4\) であるとする。この回答分布は、通常の古典確率ベクトルでも表現できる。

\[
p=
\begin{pmatrix}
0.6\\
0.4
\end{pmatrix}
\]

同じ分布を、二次元の密度演算子として表現することもできる。

\[
\rho_{\mathrm{cog}}
=
\begin{pmatrix}
0.6&0\\
0&0.4
\end{pmatrix}
\]

二つの回答に対応する射影演算子を次のように定義する。

\[
P_Y=
\begin{pmatrix}
1&0\\
0&0
\end{pmatrix},
\qquad
P_N=
\begin{pmatrix}
0&0\\
0&1
\end{pmatrix}
\]

ボルン則の形式で確率を計算すると、古典確率ベクトルと同じ値が得られる。

\[
\begin{aligned}
p(Y)
&=\operatorname{Tr}(P_Y\rho_{\mathrm{cog}})
=0.6,\\
p(N)
&=\operatorname{Tr}(P_N\rho_{\mathrm{cog}})
=0.4.
\end{aligned}
\]

この例では、密度演算子を用いたことによって、新たな物理的な量子現象が確認されたわけではない。通常の確率分布を、量子理論でも使用できる行列形式へ埋め込んだだけである。単一の回答分布が量子形式で表せることは、量子確率の固有性や物理的な必要性を示す条件にはならない。

量子認知モデルが古典的な確率モデルと異なる予測を与える場合には、状態空間の内積構造、質問演算子の非可換性、測定後状態の更新規則などが関係する。例えば、異なる質問を連続して実施した場合の確率を、共通の状態と演算子から計算することで、単一の回答分布には存在しない制約が得られることがある。

ただし、その場合にも、認知モデルの状態と物理的な量子状態を同一視する根拠は別に必要である。量子確率を用いたモデルが行動データへ適合したとしても、その適合は回答確率についての数学的な関係を支持するものであり、神経系の特定の量子自由度を直接同定するものではない。

物理的な量子状態を主張する場合には、対象となる物理系を定義する必要がある。例えば、どの分子、電子スピン、原子核スピン、あるいは別の物理的自由度が量子状態を保持し、どの相互作用によって時間発展するのかを特定する。そのうえで、量子状態の準備、変換、測定がどのような物理的操作に対応するかを示す必要がある。

物理的な量子状態を \(\rho_{\mathrm{phys}}\)、物理的な測定結果に対応する効果演算子を \(M_a\) とすると、測定結果の確率は次のように表せる。

\[
p_{\mathrm{phys}}(a)
=
\operatorname{Tr}
\left(
M_a\rho_{\mathrm{phys}}
\right)
\]

この式は、量子認知モデルで用いる確率式と同じ数学的な形を持つ。しかし、物理モデルでは \(\rho_{\mathrm{phys}}\) と \(M_a\) が実際の物理的な準備操作や測定装置に対応する必要がある。

さらに、物理的な量子過程が認知判断へ影響していると主張するなら、その物理過程と観測される回答の間に、検証可能な関係を定義する必要がある。例えば、特定の量子状態のコヒーレンスが変化すると、対応する判断確率がどの方向へ、どの程度変化すると予測されるかを示すことが考えられる。

このような予測がなければ、量子認知モデルが行動データへ適合したという事実と、神経系の量子過程がその行動を生成したという仮説を区別できない。

既稿「量子観測はどこまで説明できるのか」では、内部状態の更新と記録生成という一般的な構造を定義し、それに対してボルン則、量子振幅、測定演算子などを追加的な数学的・物理的条件として区別した[20]。

内部状態の更新と記録生成は、古典的な情報処理にも存在する。例えば、故障診断では追加の検査結果によって原因候補の確率を更新し、最終的に選択した修理方針を記録する。この過程には、状態更新と一つの結果の記録が存在するが、それだけで物理的な量子測定が成立するわけではない。

一方、物理的な量子測定では、対象系と測定装置の量子的な相互作用、測定結果に対応する確率、環境との相関、測定記録の安定性などを扱う必要がある。これらを区別することで、認知過程の数学的な記述と、その物理的な実装に関する仮説を独立に検証できる。

12.2 測定装置と環境による状態の変化

物理的な量子測定を理解するため、二値の量子系と測定装置の相互作用を考える。対象系を S、測定装置を D とし、対象系には直交する二つの基底状態 \(|0\rangle_S\) と \(|1\rangle_S\) が存在するとする。

測定前の対象系が、次の純粋状態にある場合を考える。

\[
|\psi\rangle_S
=
\alpha|0\rangle_S+\beta|1\rangle_S
\]

ここで \(\alpha,\beta\) は複素確率振幅であり、状態は次の規格化条件を満たす。

\[
|\alpha|^2+|\beta|^2=1
\]

測定装置は、測定前に結果をまだ記録していない準備状態 \(|D_{\mathrm{ready}}\rangle\) にあるとする。測定によって結果 0 が記録された状態を \(|D_0\rangle\)、結果 1 が記録された状態を \(|D_1\rangle\) とする。

装置が二つの結果を完全に区別して記録できる理想的な場合、記録状態は直交すると考える。

\[
\langle D_0|D_1\rangle=0
\]

ここで、測定前の準備状態 \(|D_{\mathrm{ready}}\rangle\) と、結果 0 を記録した状態 \(|D_0\rangle\) は区別している。両者が同じ状態である必要はない。測定装置が結果を記録する過程を明示するため、異なる記号を用いる。

理想的な測定相互作用では、対象系が \(|0\rangle_S\) にある場合、装置は結果 0 に対応する状態へ変化する。同様に、対象系が \(|1\rangle_S\) にある場合、装置は結果 1 に対応する状態へ変化する。

\[
\begin{aligned}
U_{SD}
\bigl(
|0\rangle_S|D_{\mathrm{ready}}\rangle
\bigr)
&=
|0\rangle_S|D_0\rangle,\\
U_{SD}
\bigl(
|1\rangle_S|D_{\mathrm{ready}}\rangle
\bigr)
&=
|1\rangle_S|D_1\rangle.
\end{aligned}
\]

ここで \(U_{SD}\) は、対象系 S と測定装置 D の複合系に作用するユニタリー演算子である。この式では、対象系の基底状態を保持したまま、その値と測定装置の記録状態を相関させている。

初期状態が二つの基底状態の重ね合わせである場合、ユニタリー演算子の線形性によって、測定相互作用は各成分へ同時に作用する。

\[
\begin{aligned}
&U_{SD}
\left[
(\alpha|0\rangle_S+\beta|1\rangle_S)
|D_{\mathrm{ready}}\rangle
\right]\\
&\quad=
\alpha|0\rangle_S|D_0\rangle
+
\beta|1\rangle_S|D_1\rangle.
\end{aligned}
\]

この式では、測定前の対象系の重ね合わせが、対象系と測定装置の相関した状態へ変換されている。対象系が結果 0 に対応する成分では装置も結果 0 を記録し、結果 1 に対応する成分では装置も結果 1 を記録している。

ここで注意すべき点は、右辺が依然として二つの成分の重ね合わせであることである。測定装置との相関が形成されたという事実だけでは、全体系がどちらか一方の成分へ変化したことは導かれない。

例えば、\(\alpha=\beta=1/\sqrt2\) とすれば、相互作用後の状態は次のようになる。

\[
|\Psi\rangle_{SD}
=
\frac{
|0\rangle_S|D_0\rangle
+
|1\rangle_S|D_1\rangle
}{\sqrt2}
\]

この状態では、対象系と測定装置がエンタングルしている。対象系だけ、あるいは測定装置だけを取り出すと混合状態になる場合があるが、複合系 SD の状態は純粋状態である。

測定装置だけの状態を得るには、対象系 S について部分トレースを取る。

\[
\rho_D
=
\operatorname{Tr}_S
\left(
|\Psi\rangle_{SD}\langle\Psi|
\right)
\]

一般の振幅 \(\alpha,\beta\) について計算すると、次のようになる。

\[
\rho_D
=
|\alpha|^2|D_0\rangle\langle D_0|
+
|\beta|^2|D_1\rangle\langle D_1|
\]

装置の縮約状態には、結果 0 と結果 1 に対応する対角的な項だけが残る。ここでは、対象系の二つの基底状態が直交しているため、対象系を部分トレースした段階で装置だけの非対角項が消えている。

したがって、測定装置単独の状態に非対角項が存在しないことは、環境との相互作用が始まったことを必ずしも意味しない。対象系と測定装置のエンタングルメントだけでも、部分系の縮約状態が対角的になる場合がある。

ただし、対象系と測定装置を合わせた状態には、二つの成分を結びつける量子的なコヒーレンスが残っている。環境によるデコヒーレンスを検討する場合には、この複合系 SD に残るコヒーレンスが、環境との相互作用によってどのように変化するかを調べる必要がある。

この区別は、量子測定を「対象の状態が一つに決まり、装置へ記録される」という一段階の操作として扱わないために重要になる。対象系と測定装置の相関形成、環境との相互作用、測定結果の条件付けは、それぞれ異なる数学的な操作である。

12.3 測定装置との相関形成を追跡する

測定装置が量子状態を記録する過程を、対象系と装置の状態変化として追跡する。測定前の対象系を \(\alpha|0\rangle+\beta|1\rangle\)、装置の準備状態を \(|D_{\mathrm{ready}}\rangle\) とする。

対象系と装置の初期状態は、次の積状態で表される。

\[
|\Psi_{\mathrm{initial}}\rangle
=
(\alpha|0\rangle+\beta|1\rangle)
\otimes|D_{\mathrm{ready}}\rangle
\]

ここで \(\otimes\) は二つの系のテンソル積を表す。初期状態では、対象系の状態と装置の準備状態は積として分離している。

測定相互作用によって、対象系の基底状態と装置の記録状態が対応づけられる。

\[
|\Psi_{\mathrm{pre}}\rangle
=
\alpha|0,D_0\rangle
+
\beta|1,D_1\rangle
\]

ここでは記法を簡潔にするため、\(|0,D_0\rangle=|0\rangle_S\otimes|D_0\rangle\) と書いている。この状態を、測定装置との相関が形成された測定前段階の状態として扱う。

全体系の密度演算子を計算すると、次のようになる。

\[
\begin{aligned}
\rho_{SD}
={}&|\alpha|^2|0,D_0\rangle\langle0,D_0|\\
&+|\beta|^2|1,D_1\rangle\langle1,D_1|\\
&+\alpha\beta^*
|0,D_0\rangle\langle1,D_1|\\
&+\alpha^*\beta
|1,D_1\rangle\langle0,D_0|.
\end{aligned}
\]

最初の二項は、それぞれ結果 0 と結果 1 に対応する状態成分を表している。後半の二項は、二つの成分の間のコヒーレンスを表す非対角項である。

非対角項が存在することは、対象系と装置の複合系に対して、二つの成分を干渉させる測定を構成できる可能性があることを意味する。したがって、この状態を単なる古典的な混合状態と同一視することはできない。

一方、装置の記録状態を読み取る測定では、結果 0 と結果 1 が異なる結果として区別される。結果 0 に対応する装置の射影演算子を、次のように定義する。

\[
\Pi_0
=
I_S\otimes|D_0\rangle\langle D_0|
\]

ここで \(I_S\) は対象系 S に作用する恒等演算子である。同様に、結果 1 に対応する射影演算子は次のようになる。

\[
\Pi_1
=
I_S\otimes|D_1\rangle\langle D_1|
\]

装置の二つの記録状態が直交している場合、ボルン則によって結果確率を計算できる。

\[
\begin{aligned}
p(0)
&=\operatorname{Tr}(\Pi_0\rho_{SD})
=|\alpha|^2,\\
p(1)
&=\operatorname{Tr}(\Pi_1\rho_{SD})
=|\beta|^2.
\end{aligned}
\]

この確率は、対象系の初期状態に含まれる振幅の絶対値二乗と一致する。測定相互作用によって、対象系の基底状態と装置の記録状態が相関づけられているためである。

結果 0 が観測されたことを条件に、対象系と装置の状態を更新する場合には、次のリューダース更新則を使用できる。

\[
\rho_{SD\mid0}
=
\frac{
\Pi_0\rho_{SD}\Pi_0
}{
\operatorname{Tr}(\Pi_0\rho_{SD})
}
\]

\(|\alpha|^2\) が正である場合、この条件付き状態は次のようになる。

\[
\rho_{SD\mid0}
=
|0,D_0\rangle\langle0,D_0|
\]

同様に、結果 1 が観測されたことを条件とする状態は次のようになる。

\[
\rho_{SD\mid1}
=
|1,D_1\rangle\langle1,D_1|
\]

この条件付き更新では、結果 0 または結果 1 が得られたことを前提にして、その結果に対応する状態を記述している。

一方、結果を区別せず、測定装置の記録だけを考慮する場合には、二つの結果に対応する状態を確率的に加算した非選択的な状態更新を扱う。

\[
\rho’_{SD}
=
\Pi_0\rho_{SD}\Pi_0
+
\Pi_1\rho_{SD}\Pi_1
\]

この状態は、条件付き状態 \(\rho_{SD\mid0}\) や \(\rho_{SD\mid1}\) とは異なる。結果がどちらであったかという情報を保持しないため、二つの結果に対応する成分が混合として表される。

ここで区別すべき操作は、対象系と装置のユニタリー相互作用、結果の確率を計算するボルン則、結果を条件とした状態更新、結果を区別しない非選択的な更新の四つである。

ユニタリー相互作用だけでは、全体系が一つの結果へ収縮したことは導かれない。結果を条件とした状態更新では、結果が得られたことを前提としている。非選択的な状態更新では、結果を区別しない状態を記述する。

これらは関連する操作だが、同じ数学的な変換ではない。

また、ユニタリー相互作用によって形成された対象系と装置の相関は、原理的には逆変換によって解消できる場合がある。相互作用を表す演算子を \(U_{SD}\) とすると、その逆演算子は \(U_{SD}^{\dagger}\) である。

\[
U_{SD}^{\dagger}U_{SD}=I
\]

例えば、対象系と装置を完全に制御できる場合には、相関した状態へ逆演算子を適用することで、初期の積状態を復元できる。

\[
U_{SD}^{\dagger}
|\Psi_{\mathrm{pre}}\rangle
=
|\Psi_{\mathrm{initial}}\rangle
\]

ただし、現実の測定装置では、記録に対応する情報が環境へ広がり、装置や環境のすべての自由度を制御することが困難になる。そのため、全体系のユニタリーな可逆性と、実験者が利用できる操作による実効的な可逆性は区別される。

この違いは、判断を後から訂正できるという認識上の性質と、物理系の状態をユニタリーな逆変換によって復元できるという数学的な条件を区別する際にも重要になる。

12.4 デコヒーレンスの説明範囲

測定装置は通常、対象系とだけ相互作用しているわけではない。周囲の光、空気分子、熱的な自由度、装置内部の多数の自由度などとも相互作用している。こうした周囲の自由度をまとめて環境 E として表すと、測定装置の記録状態は環境とも相関を形成する。

環境との相互作用によって、対象系や測定装置の局所的な干渉が抑制される過程をデコヒーレンスという。デコヒーレンスは、量子状態の時間発展が全体系ではユニタリーであっても、部分系だけを観測すると干渉が失われたように見える仕組みを説明する。

Zurek は、測定装置と環境の相互作用によって、測定装置のどの状態が安定な記録として残りやすいかを検討した[21]。この研究では、装置と環境の相互作用が、装置の状態空間の中から特定の基底を選択する仕組みを扱っている。

このような安定した記録状態に対応する基底を、ポインター基底という。ポインターとは、測定装置の指示値や記録状態を表す概念である。例えば、測定装置の表示が結果 0 または結果 1 へ対応し、その表示が環境との相互作用を受けても識別可能な状態として保持される場合、それらの状態がポインター基底の候補となる。

装置 D と環境 E の相互作用を、ハミルトニアン \(H_{DE}\) によって表す。理想的な非破壊型の測定相互作用では、記録状態に対応する射影演算子 \(\Pi_j\) が、この相互作用ハミルトニアンと可換である場合を考えられる。

\[
[H_{DE},\Pi_j]=0
\]

ここで \(\Pi_j\) は装置の記録状態 \(j\) に対応する射影演算子であり、環境側には恒等演算子を作用させるものとする。この可換性は、環境との相互作用が記録状態の区別を維持する理想的な条件の一つである。

この条件が成立する場合、装置の記録状態が環境との相互作用によって無秩序に混合されるのではなく、結果に対応する状態が区別可能なまま維持される。

ただし、現実の測定装置について、すべての環境相互作用がこの交換関係を厳密に満たすとは限らない。ポインター状態の安定性は、実際の相互作用、装置の内部動力学、環境の構造、観測する時間尺度によって決まる。

環境との相互作用によって安定な基底が選択されることは、任意の重ね合わせ状態が同じように安定であるわけではないことを意味する。例えば、二つの記録状態が環境へ異なる情報を残す場合、二つの成分を結びつける位相関係を局所的に観測することが難しくなる。

この現象を環境誘起超選択と呼ぶことがある。環境によって特定の状態が優先され、異なる記録状態の重ね合わせに対応する干渉が、局所的な観測では抑制されるという意味である。

ただし、デコヒーレンスによって得られる結論には範囲がある。環境を観測しない部分系の縮約密度演算子がほぼ対角的になることは、全体系の純粋状態が一つの成分へ実際に収縮したこととは異なる。

例えば、全体系が次の純粋状態にある場合を考える。

\[
|\Psi\rangle
=
\alpha|0,D_0,E_0\rangle
+
\beta|1,D_1,E_1\rangle
\]

環境状態 \(|E_0\rangle\) と \(|E_1\rangle\) が互いに直交していても、全体系の状態は二つの成分の重ね合わせとして表されている。

一方、対象系と装置だけを取り出すために環境を部分トレースすると、二つの成分を結びつける非対角項が消える。この部分系の状態は、結果 0 と結果 1 の古典的な確率混合と同じ測定統計を与える。

このように、デコヒーレンスは、部分系で干渉が観測されにくくなる理由を説明する。また、測定装置が特定の記録状態を安定に保持する条件を理解するための枠組みを与える。

しかし、ある実験において一つの結果だけが経験されることを、全体系のユニタリー時間発展と部分トレースだけから導くことはできない。どのような意味で測定結果が一つに定まるかについては、採用する量子理論の解釈や追加の物理的仮定が関係する。

既稿「デコヒーレンスは何を説明し、何を説明しないのか」では、干渉の抑制、測定記録の成立、単一結果の経験を区別した[22]。ここでも、環境との相互作用が何を数学的に変化させるかと、その結果をどのように解釈するかを分けて扱う。

12.5 環境との相互作用から干渉項が抑制される

デコヒーレンスによる干渉抑制を、対象系 S、測定装置 D、環境 E の三つを含む状態で計算する。

測定装置と環境が相互作用する前の状態を、次のように設定する。

\[
|\Psi_{\mathrm{before}}\rangle
=
\left(
\alpha|0,D_0\rangle
+
\beta|1,D_1\rangle
\right)
|E_{\mathrm{ready}}\rangle
\]

ここで \(|E_{\mathrm{ready}}\rangle\) は環境の初期状態であり、対象系と装置の複合系からは分離しているものとする。

装置の記録状態が環境と相互作用し、結果 0 と結果 1 に応じて環境が異なる状態へ変化すると考える。

\[
\begin{aligned}
|0,D_0,E_{\mathrm{ready}}\rangle
&\longmapsto
|0,D_0,E_0\rangle,\\
|1,D_1,E_{\mathrm{ready}}\rangle
&\longmapsto
|1,D_1,E_1\rangle.
\end{aligned}
\]

この相互作用も全体系ではユニタリーな時間発展として記述できる場合を考える。線形性により、重ね合わせ入力については次の状態が形成される。

\[
|\Psi\rangle
=
\alpha|0,D_0,E_0\rangle
+
\beta|1,D_1,E_1\rangle
\]

ここで、環境状態 \(|E_0\rangle\) と \(|E_1\rangle\) の内積を、次のように定義する。

\[
\gamma
=
\langle E_1|E_0\rangle
\]

この \(\gamma\) は、二つの環境状態がどの程度重なっているかを表す複素数である。環境状態が正規化されている場合、コーシー・シュワルツの不等式から次の範囲にある。

\[
0\leq|\gamma|\leq1
\]

二つの環境状態が同一であれば、内積の絶対値は 1 になる。一方、完全に直交していれば、内積はゼロになる。

\[
\begin{aligned}
|E_0\rangle=|E_1\rangle
&\Longrightarrow
\gamma=1,\\
\langle E_1|E_0\rangle=0
&\Longrightarrow
\gamma=0.
\end{aligned}
\]

環境状態が異なる場合でも、必ずしも直交するとは限らない。したがって、環境との相互作用によって干渉がどの程度抑制されるかは、二つの環境状態の重なりによって連続的に変化する。

対象系と装置の複合系 SD だけを観測する場合、環境 E について部分トレースを取る。全体系の状態が純粋であっても、環境を追跡しない縮約状態には、環境状態の内積が現れる。

\[
\rho_{SD}
=
\operatorname{Tr}_E
\left(
|\Psi\rangle\langle\Psi|
\right)
\]

この縮約密度演算子を展開すると、二つの記録状態に対応する対角項と、それらを結びつける非対角項が得られる。

\[
\begin{aligned}
\rho_{SD}
={}&
|\alpha|^2|0,D_0\rangle\langle0,D_0|\\
&+
|\beta|^2|1,D_1\rangle\langle1,D_1|\\
&+
\alpha\beta^*\gamma
|0,D_0\rangle\langle1,D_1|\\
&+
\alpha^*\beta\gamma^*
|1,D_1\rangle\langle0,D_0|.
\end{aligned}
\]

ここで \(\gamma=\langle E_1|E_0\rangle\) であり、\(\gamma^*\) はその複素共役である。環境との相互作用が存在しない場合には、二つの環境状態が同じであると考えられ、\(\gamma=1\) になる。

一方、環境が二つの記録状態を区別できるほど、\(|\gamma|\) は小さくなり、非対角項の大きさも減少する。

この関係を、具体的な二準位の例で確認する。対象系と装置の複合状態において、二つの成分が等しい振幅を持つとする。

\[
\alpha=\beta=\frac1{\sqrt2}
\]

環境との相互作用後の縮約密度演算子は、二つの成分が張る部分空間で次の行列として表せる。

\[
\rho_{SD}
=
\frac12
\begin{pmatrix}
1&\gamma\\
\gamma^*&1
\end{pmatrix}
\]

ここで行列の基底は、\(|0,D_0\rangle\) と \(|1,D_1\rangle\) である。

環境との相互作用がなく、\(\gamma=1\) の場合には、縮約状態は次のようになる。

\[
\rho_{SD}
=
\frac12
\begin{pmatrix}
1&1\\
1&1
\end{pmatrix}
\]

この行列は、二つの成分の等重みの重ね合わせに対応する純粋状態であり、非対角成分が残っている。

一方、環境状態が完全に直交し、\(\gamma=0\) の場合には、次の行列になる。

\[
\rho_{SD}
=
\frac12
\begin{pmatrix}
1&0\\
0&1
\end{pmatrix}
\]

この縮約状態では非対角成分が消え、二つの記録状態の古典的な確率混合と同じ局所的な測定統計を与える。

干渉の違いを観測確率で確認するため、対象系と装置の複合状態について、次の重ね合わせ状態を定義する。

\[
|\chi_+\rangle
=
\frac{
|0,D_0\rangle+|1,D_1\rangle
}{\sqrt2}
\]

この状態へ射影する測定を考える。結果が得られる確率は、次のようになる。

\[
P(\chi_+)
=
\langle\chi_+|\rho_{SD}|\chi_+\rangle
\]

縮約密度演算子を代入すると、確率は次のように計算できる。

\[
P(\chi_+)
=
\frac12
\left(
1+\operatorname{Re}\gamma
\right)
\]

ここで \(\operatorname{Re}\gamma\) は、環境状態の内積の実部である。環境との相互作用がなく、\(\gamma=1\) であれば、この測定結果の確率は 1 になる。

\[
P(\chi_+\mid\gamma=1)=1
\]

一方、環境状態が直交し、\(\gamma=0\) であれば、確率は \(1/2\) になる。

\[
P(\chi_+\mid\gamma=0)=\frac12
\]

この違いは、環境との相互作用によって、対象系と装置の複合状態に対する干渉が抑制されることを示している。

ただし、この測定は対象系 S と装置 D の複合状態に対するものである。装置 D だけを測定する場合には、対象系 S との相関によって既に縮約状態が対角的になっているため、同じ形の干渉を直接観測できるとは限らない。

さらに、環境が多数の独立した自由度を持つ場合を考える。結果 0 に対応する環境状態を \(|E_0^{(1)}\rangle\otimes\cdots\otimes|E_0^{(N)}\rangle\)、結果 1 に対応する環境状態を \(|E_1^{(1)}\rangle\otimes\cdots\otimes|E_1^{(N)}\rangle\) とする。

この場合、環境全体の状態の内積は、各自由度の内積の積になる。

\[
\gamma
=
\prod_{k=1}^{N}
\langle E_1^{(k)}|E_0^{(k)}\rangle
\]

例えば、各自由度について内積の絶対値が同じ値 \(c\) であり、\(0\leq c<1\) と仮定する。この場合、環境全体の重なりの絶対値は次のようになる。

\[
|\gamma|=c^N
\]

この式では、環境との相互作用に参加する自由度の数 \(N\) が増えるほど、環境状態の重なりが小さくなる。

仮に \(c=0.8\) とすると、10 個の自由度が独立に相関した場合の重なりは約 0.107、30 個では約 0.00124 になる。

\[
\begin{aligned}
0.8^{10}&\approx0.107,\\
0.8^{30}&\approx0.00124.
\end{aligned}
\]

この数値例は、環境の多数の自由度へ結果に関する情報が分散すると、二つの環境状態の重なりが急速に小さくなり得ることを示している。

ただし、実際のデコヒーレンス速度は、環境の自由度数だけで決まるわけではない。各自由度との相互作用の強さ、相関の形成速度、環境の初期状態、相互作用の時間依存性などによって変化する。この例は独立した環境自由度と同一の重なりを仮定した単純な模型である。

一般に、時間依存の環境状態について \(\gamma(t)=\langle E_1(t)|E_0(t)\rangle\) と定義すれば、非対角項の時間変化を追跡できる。

\[
\rho_{SD}^{(01)}(t)
=
\alpha\beta^*\gamma(t)
\]

この式は、二つの記録状態を結びつける非対角成分が、環境状態の重なりに比例して変化することを表している。

こうした計算によって、デコヒーレンスは、全体系のユニタリーな時間発展を維持しながら、環境を観測しない部分系で干渉が抑制される過程として理解できる。

12.6 環境を追跡しない場合の縮約密度演算子

環境との相互作用によって干渉項が抑制されることを、密度演算子の部分トレースから整理する。全体系 SDE の状態を次のように表す。

\[
|\Psi\rangle
=
\alpha|0,D_0,E_0\rangle
+
\beta|1,D_1,E_1\rangle
\]

全体系の密度演算子は、状態ベクトルとその随伴の積によって定義される。

\[
\rho_{SDE}
=
|\Psi\rangle\langle\Psi|
\]

これを展開すると、次の四つの項が得られる。

\[
\begin{aligned}
\rho_{SDE}
={}&
|\alpha|^2
|0,D_0,E_0\rangle
\langle0,D_0,E_0|\\
&+
|\beta|^2
|1,D_1,E_1\rangle
\langle1,D_1,E_1|\\
&+
\alpha\beta^*
|0,D_0,E_0\rangle
\langle1,D_1,E_1|\\
&+
\alpha^*\beta
|1,D_1,E_1\rangle
\langle0,D_0,E_0|.
\end{aligned}
\]

最初の二項は、それぞれ結果 0 と結果 1 に対応する対角項である。第三項と第四項は、二つの成分を結びつける非対角項である。

対象系と装置の状態を得るため、環境 E について部分トレースを取る。

\[
\rho_{SD}
=
\operatorname{Tr}_E(\rho_{SDE})
\]

このとき、環境の基底状態に関する演算子について、次の関係が成立する。

\[
\operatorname{Tr}_E
\left(
|E_0\rangle\langle E_1|
\right)
=
\langle E_1|E_0\rangle
\]

したがって、全体系の非対角項を部分トレースすると、環境状態の内積が係数として現れる。

\[
\begin{aligned}
\rho_{SD}
={}&
|\alpha|^2|0,D_0\rangle\langle0,D_0|\\
&+
|\beta|^2|1,D_1\rangle\langle1,D_1|\\
&+
\alpha\beta^*
\langle E_1|E_0\rangle
|0,D_0\rangle\langle1,D_1|\\
&+
\alpha^*\beta
\langle E_0|E_1\rangle
|1,D_1\rangle\langle0,D_0|.
\end{aligned}
\]

ここで第三項と第四項は互いにエルミート共役の関係にあるため、縮約密度演算子全体は自己随伴性を保つ。

環境状態が完全に直交する場合、次の条件が成立する。

\[
\langle E_1|E_0\rangle=0
\]

この条件を代入すると、縮約密度演算子の非対角項が消える。

\[
\begin{aligned}
\rho_{SD}
={}&
|\alpha|^2|0,D_0\rangle\langle0,D_0|\\
&+
|\beta|^2|1,D_1\rangle\langle1,D_1|.
\end{aligned}
\]

この状態は、対象系と装置の二つの記録状態を、確率 \(|\alpha|^2\) と \(|\beta|^2\) で混合した密度演算子と同じ形になる。

したがって、対象系と装置に対して実行する任意の測定について、環境を追跡しない縮約状態は、同じ密度演算子で表された古典的な確率混合と区別できない。

ただし、このことは、全体系が古典的な確率混合へ変化したことを意味しない。全体系 SDE の状態は、依然として次の純粋状態として表されている。

\[
|\Psi\rangle
=
\alpha|0,D_0,E_0\rangle
+
\beta|1,D_1,E_1\rangle
\]

この違いを確認するため、全体系について純粋状態の密度演算子と、二つの成分の確率混合を比較する。

純粋状態の密度演算子は次のようになる。

\[
\rho_{\mathrm{pure}}
=
|\Psi\rangle\langle\Psi|
\]

一方、二つの成分からなる古典的な確率混合に対応する密度演算子を、次のように定義する。

\[
\begin{aligned}
\rho_{\mathrm{mix}}
={}&
|\alpha|^2
|0,D_0,E_0\rangle
\langle0,D_0,E_0|\\
&+
|\beta|^2
|1,D_1,E_1\rangle
\langle1,D_1,E_1|.
\end{aligned}
\]

この二つの密度演算子は、非対角項の有無が異なる。したがって、全体系に対する適切な測定を利用できれば、両者を区別できる。

例えば、全体系の純粋状態 \(|\Psi\rangle\) へ射影する測定を考える。その射影演算子を次のように定義する。

\[
P_\Psi
=
|\Psi\rangle\langle\Psi|
\]

全体系が純粋状態 \(\rho_{\mathrm{pure}}\) にある場合、この結果が得られる確率は 1 になる。

\[
\operatorname{Tr}
\left(
P_\Psi\rho_{\mathrm{pure}}
\right)
=
1
\]

一方、二つの成分の確率混合 \(\rho_{\mathrm{mix}}\) に対して同じ測定を行うと、結果確率は次のようになる。

\[
\operatorname{Tr}
\left(
P_\Psi\rho_{\mathrm{mix}}
\right)
=
|\alpha|^4+|\beta|^4
\]

例えば、\(|\alpha|^2=|\beta|^2=1/2\) であれば、混合状態に対する結果確率は \(1/2\) になる。

\[
|\alpha|^4+|\beta|^4
=
\frac14+\frac14
=
\frac12
\]

したがって、全体系へ適切な測定を行えるなら、純粋状態と古典的な確率混合は異なる予測を与える。

ただし、このような全体系への測定を現実に実行するには、対象系、装置、環境のすべてに対して必要な量子制御を行う必要がある。環境の多数の自由度へ情報が広がっている場合、そのような測定を実施することは極めて困難になる。

このため、実際の観測では、縮約密度演算子が古典的な確率混合と同じ統計を与えることが多い。それでも、全体系の量子状態と、最初から古典的な確率混合として準備された状態は、数学的には区別される。

この違いは、量子測定における不適正混合と適正混合の区別に対応する。不適正混合は、より大きな系の純粋状態から部分トレースによって得られた混合状態である。一方、適正混合は、異なる準備状態を古典的な確率で選択したという記述に対応する。

部分系に対する測定統計が一致していても、二つの混合状態が成立した物理的な過程は異なる場合がある。

したがって、環境を部分トレースした結果として縮約密度演算子が対角的になったことから、全体系で一つの結果だけが物理的に選択されたと結論することはできない。

この点が、デコヒーレンスによる干渉抑制と、測定結果が一つに定まることの解釈を区別する理由である。

12.7 干渉の抑制、記録の安定性、単一結果を別々に評価する

物理的な量子測定では、対象系と測定装置の相関形成、環境による干渉抑制、記録の安定性、単一結果の経験を、異なる条件として扱う必要がある。これらは関連する過程だが、それぞれが要求する数学的・物理的な条件は一致しない。

まず、対象系と測定装置の相関形成では、対象系の状態に対応して装置の記録状態が変化する。理想化した測定相互作用によって、次の状態が形成される。

\[
|\Psi\rangle_{SD}
=
\alpha|0,D_0\rangle
+
\beta|1,D_1\rangle
\]

この状態では、対象系と装置が相関している。しかし、全体系には二つの成分の重ね合わせが残っているため、相関形成だけで一つの結果への収縮を導くことはできない。

次に、環境による干渉抑制では、装置の記録状態が環境と相関する。その結果、環境を追跡しない縮約密度演算子では、異なる記録状態を結びつける非対角項が抑制される。

\[
\rho_{SD}^{(01)}
\propto
\langle E_1|E_0\rangle
\]

ここで、非対角成分の大きさは環境状態の重なりに依存する。環境状態が直交に近づくほど、局所的に観測可能な干渉は小さくなる。

一方、記録の安定性は、測定後に特定の記録状態を後から読み取れることを意味する。例えば、装置が結果 0 を記録した後、一定の時間が経過しても同じ結果 0 を読み取れる場合、記録が安定していると評価できる。

この性質を確率として表す場合、最初の記録が \(j\) だったという条件のもとで、時間 \(\tau\) が経過した後にも同じ結果を読み取れる確率を考える。

\[
R_j(\tau)
=
P(D_\tau=j\mid D_0=j)
\]

ここで \(D_0\) は測定直後の記録結果、\(D_\tau\) は時間 \(\tau\) が経過した後の記録結果を表す。記録が十分に安定している場合には、関心のある時間範囲で次の関係が成立する。

\[
R_j(\tau)\approx1
\]

ただし、この式だけでは記録の安定性が量子力学に固有であるとはいえない。古典的な記録装置でも、保存した情報を一定の時間保持できる。物理的な量子測定の場合には、どの記録状態が環境との相互作用のもとで安定になるかを、ポインター状態の問題として扱う。

さらに、安定した記録が存在することと、全体系の量子状態が一つの成分だけになったことも異なる。記録状態が環境との相互作用によって安定していても、全体系の純粋状態をユニタリーに記述する場合には、複数の成分が残り得る。

単一結果の経験は、各試行において実験者が一つの結果を報告するという事実である。しかし、デコヒーレンスの数式から直接得られるのは、部分系の干渉が抑制されることや、特定の記録状態が安定しやすくなることである。

単一結果をどのような物理的・解釈的な仕組みで理解するかについては、標準的な状態収縮を採用する方法、多世界的な相対状態として扱う方法、状態の実際の収縮を導入する理論など、異なる枠組みが存在する。それぞれの枠組みでは、全体系の状態と観測結果の関係について異なる仮定を置く。既稿「多世界解釈とユニタリー発展の構造」では、測定を含むユニタリー発展とデコヒーレンスの役割を整理した[23]。既稿「観測者と主観はなぜこの量子系列だけを見るのか」では、単一結果の問題、観測者が経験する系列、主体の成立条件を区別した[24]。

ここで、デコヒーレンスをどの解釈と組み合わせるかという問題と、デコヒーレンスの計算自体が示す内容を区別する必要がある。環境状態の内積が小さくなるという数学的な結果は、解釈によらず計算できる。一方、その結果が単一結果の経験について何を意味するかは、採用する理論的な枠組みに依存する。

これらの違いを整理すると、次のようになる。

検証対象 数学的・物理的な条件 確認できる内容 そこからは導けない内容
相関形成 対象系の状態と装置の記録状態が、ユニタリー相互作用によって対応づけられる。 対象系の基底状態と装置の記録状態の間に相関が形成されたことを確認できる。 全体系が一つの結果へ収縮したことは導けない。
干渉抑制 環境状態の重なりが小さくなり、縮約密度演算子の非対角項が抑制される。 対象系と装置だけに対する干渉が観測されにくくなることを説明できる。 全体系から他の成分が消失したことは導けない。
記録の安定性 結果に対応する記録状態が、環境との相互作用を受けても識別可能な状態として保持される。 測定結果を一定の時間後にも読み取れる条件を評価できる。 記録の安定性だけから単一結果の物理的な選択機構は決まらない。
単一結果 実験者が各試行について一つの測定結果を報告する。 結果の記録と条件付き状態を、実験上の事実として扱える。 結果が一つになる物理的な機構や解釈は、部分トレースだけでは確定しない。
量子認知 回答確率を状態ベクトル、密度演算子、測定演算子などによって計算する。 質問順序や文脈に応じた回答分布を、量子確率の数学的な形式で予測できる。 脳内で同じ物理的な量子測定が実行されていることは導けない。

この表の最初の四項目は、物理的な量子測定についての区別である。最後の量子認知は、判断確率をどの数学的なモデルで表現するかという問題に対応する。

量子認知モデルで被験者が一つの回答を返すことは、物理的な量子測定で一つの結果が記録されることと、観測される結果が一つであるという点では似ている。しかし、その類似性から、両者が同じ相互作用によって実現されているとは結論できない。

例えば、被験者が複数の判断候補から一つを選ぶ場合、選択前には候補に関する不確実性が存在し、選択後には回答が記録される。この過程を、認知状態の更新と回答記録として数学的に表現できる。

一方、その不確実性が実際の複素確率振幅の重ね合わせに対応するのか、古典的な確率分布に対応するのかは、回答が一つに決まったという事実だけでは判断できない。

また、判断後に回答が記憶されることと、物理的な測定装置が環境との相互作用によってポインター状態を保持することも、異なる過程である。前者は認知過程や記憶の実験によって検証する対象であり、後者は具体的な物理系の相互作用と状態の安定性によって検証する対象である。

量子認知モデルが実験データに適合した場合には、まずその数学的な説明能力を評価できる。例えば、質問順序効果、連言錯誤、選言効果、回答再現効果について、共通の状態空間と測定規則からどのような確率を予測できるかを調べる。

一方、神経系の量子過程が実際に判断を生成しているという仮説を検証するには、行動データとは別に、物理的な測定対象を定義する必要がある。

例えば、ある分子やスピン系が判断に関与すると仮定するなら、その自由度がどのような量子状態を保持し、どの相互作用によって他の自由度へ情報を伝えるのかを示す必要がある。

さらに、その量子状態が判断に必要な時間尺度で保持されるかを検討する必要がある。量子状態のコヒーレンスが判断過程よりも短い時間で失われる場合、想定した物理的な量子機構が判断へ作用するためには、どのような状態保持や情報伝達が成立するかを説明する必要がある。

ただし、ある自由度のコヒーレンス時間が短いことだけで、神経系のすべての量子効果を否定できるわけではない。物理的な量子過程を評価するには、実際に仮定した自由度と相互作用について、対応する時間尺度と観測可能な量を特定する必要がある。

また、物理的な量子効果が神経系に存在することと、その効果が認知判断の説明に不可欠であることも区別される。量子力学は物質の微視的な構造を記述する理論であり、神経系を構成する物質も量子力学の法則に従う。しかし、その事実だけでは、判断の確率分布を説明するために量子認知モデルの状態空間や測定演算子が必要になるとは限らない。

物理的な量子機構の必要性を主張するには、特定の量子過程が認知判断へどのような影響を与えるかを示し、同じ観測結果を古典的なモデルによって説明できるかを比較する必要がある。

例えば、候補となる物理的な量子状態のコヒーレンスを選択的に変化させ、その操作によって判断確率が予測された方向へ変化するかを調べる方法が考えられる。この場合にも、介入が神経系の別の機能へ直接影響していないかを検討しなければならない。観測された行動変化が、量子状態の変化を経由して生じたことを識別する必要があるためである。

同様に、量子的な相関や干渉が検出された場合でも、それが実際の判断形成にどのような因果的な役割を持つかを検証する必要がある。量子現象が存在することと、その量子現象を使用しなければ認知判断を説明できないことは、異なる命題である。

既稿「量子観測はどこまで説明できるのか」では、状態更新と記録生成という一般的な形式に対して、量子力学に固有の確率規則や状態空間の構造を追加条件として区別した[20]。また、既稿「デコヒーレンスは何を説明し、何を説明しないのか」では、環境による干渉抑制と単一結果の経験を同一視しないことを述べた[22]。

この二つの区別を認知へ適用すると、判断の更新、回答の記録、量子確率による数学的な記述、物理的な量子測定の機構を、それぞれ独立した条件として扱える。

量子認知モデルは、人間の判断確率を計算するうえで有用な場合がある。質問順序効果や回答再現効果などの複数の現象について、共通する数学的な制約を導ける場合には、その予測を実験で検証できる。

しかし、数学的な量子モデルが行動データへ適合したことから、脳内に対応する物理的な量子状態が存在することや、量子測定によって回答が生成されていることまでは導かれない。

物理的な量子測定についても、対象系と装置の相関形成、環境による干渉抑制、記録の安定性、単一結果の経験を一つの現象へまとめることはできない。それぞれの性質は異なる数学的条件と物理的な検証対象を持つ。

したがって、思考と量子力学の接続を評価するには、量子確率の数学的な説明能力と、神経系における物理的な量子機構の存在を分けて検証する必要がある。この区別を保つことで、量子認知モデルによって説明できる範囲と、物理的な量子過程を主張するために追加で必要となる根拠を明確にできる。


13. 構造振動モデルで状態更新と構造更新を区別する

13.1 認知状態と関係構造の二層

質問の順序によって回答が変化する場合、最初の質問が現在の認知状態を変更した可能性がある。しかし、同じような変化が繰り返し観測される場合には、認知状態を生成する関係構造そのものが変化している可能性も考えられる。この二つを区別すると、質問直後に生じる一時的な判断変化と、経験や学習によって持続する判断傾向の変化を、異なる時間尺度で分析できる。

例えば、機械から通常とは異なる音を聞いたとき、最初は音の大きさや突然性によって注意が高まり、危険だと判断する場合がある。その後、異常ではないと確認されれば、注意が低下し、判断も元へ戻る可能性がある。この場合、現在の注意状態が変化したと考えられる。

一方、実際に故障を経験し、特定の音が重大な故障の前兆であると学習した場合には、同じ音を聞いたときの判断規則そのものが変化する可能性がある。注意状態が以前と同じ水準へ戻っても、その音から危険を予測する結合が強くなっていれば、以前とは異なる判断が生じ得る。

この違いを記述するため、現在の認知状態と、認知状態を生成する関係構造を別々の変数として扱う。時刻 \(t\) における認知状態を \(z_t\)、関係構造を \(S_t\) とする。

既稿「構造振動モデルの定義を測定と検証まで含めて整理する」では、構造を、有向関係とその重みを含むグラフとして定義した[25]。これに先立つ既稿「構造振動モデルを数理モデルとして定義する」では、構造をグラフとして記述し、ベクトル埋め込みと距離によって構造変化を測る数理形式を定義した[26]。

\[
S_t=(V_t,E_t,W_t)
\]

ここで \(V_t\) は時刻 \(t\) に存在する構成要素の集合、\(E_t\) は構成要素間の有向関係の集合、\(W_t\) は各関係へ割り当てる重みを表す。

この構造を認知過程へ適用する場合、構成要素には、感覚入力、記憶、判断候補、注意の配分先、回答を生成する処理などを対応させることが考えられる。関係には、ある入力によって別の状態が活性化することや、ある判断候補の評価が別の判断候補へ影響することなどを対応させる。

例えば、異常音の知覚、故障の記憶、危険判断という三つの構成要素を考える。異常音の知覚から故障の記憶への関係と、故障の記憶から危険判断への関係を、異なるエッジとして表現できる。各エッジに重みを割り当てれば、関係が存在するかどうかに加えて、その関係の強さを数値として扱える。

ただし、こうしたグラフは、認知過程を説明するために設定するモデル上の構造である。構成要素やエッジを定義しただけで、それらが脳内の特定の神経細胞や物理的な結合に一対一で対応するとは限らない。

既稿で定義した構造振動モデルでは、構造 \(S_t\) に加えて、環境条件 \(C_t\)、観測結果 \(O_t\)、介入 \(U_t\) を区別する。構造と環境から観測結果を得る関係は、次のように表される。

\[
O_t=G(S_t,C_t)
\]

ここで \(G\) は観測写像である。構造が同じでも環境条件が異なれば、観測結果は変化し得る。そのため、出力が変化したという事実だけで、構造そのものが更新されたとは判断できない。

構造の更新は、次の写像によって表される。

\[
S_{t+1}
=
M(S_t,C_t,O_t,U_t)
\]

ここで \(M\) は、現在の構造、環境、観測、介入を受けて、次の構造を定める更新写像である。例えば、故障経験に基づいて、異常音と危険判断を結ぶ重みを変更することを、構造更新として記述できる。

既稿では環境の更新も区別し、次の関係を定義した。

\[
C_{t+1}=H(C_t,O_t)
\]

ここで \(H\) は環境更新写像である。観測結果が後続の環境条件へ影響する場合、この式によってその変化を表す。

今回の認知過程の分析では、これらの既存定義に対し、現在の認知状態 \(z_t\) を明示的に区別する。例えば、外部入力 \(I_t\) による認知状態の更新を、次のように記述できる。

\[
z_{t+1}
=
F(z_t,I_t;S_t,C_t)
\]

ここで \(F\) は認知状態の更新規則である。セミコロンの右側にある \(S_t,C_t\) は、同じ入力に対する状態更新が、関係構造や環境条件によって変わり得ることを表している。

例えば、同じ異常音を入力として受けても、故障の経験がない場合と、過去に故障を経験した場合では、注意や危険判断の更新が異なる可能性がある。これは、更新写像の作用を決める構造 \(S_t\) が異なるためと考えられる。

認知状態と関係構造を区別した観測を記述する場合には、観測写像もそれに対応して拡張できる。例えば、次の関係を考える。

\[
O_t
=
G_{\mathrm{cog}}(z_t,S_t,C_t,I_t)
\]

ここで \(G_{\mathrm{cog}}\) は、認知状態、関係構造、環境、入力から回答や反応時間などの観測結果を生成する写像である。これは認知状態を明示するための拡張であり、既稿の \(O_t=G(S_t,C_t)\) という基本定義を置き換えるものではない。

例えば、構造と環境を一定に保ったまま、注意状態だけを変化させたとする。この場合、回答が変化しても、構造更新が生じたとは限らない。

逆に、現在の注意状態を同じ水準へ戻した後でも、過去の学習によって関係の重みが変更されていれば、同じ入力に対する回答が以前と異なる可能性がある。

この区別を測定するためには、現在の状態 \(z_t\) と関係構造 \(S_t\) を、それぞれ何によって推定するかを定義する必要がある。例えば、短時間の注意の変化を回答時間や直後の反応から推定し、学習によって持続する判断傾向を、一定時間後の再測定や新しい入力への応答から推定する方法が考えられる。

ただし、短時間で変化する量を必ず認知状態、長時間残る量を必ず関係構造と分類できるわけではない。ゆっくり変化する内部状態も存在し得るため、時間尺度だけで二つを識別することはできない。

構造更新を主張するには、現在の内部状態や環境条件の変化だけでは説明できない、持続的な入出力関係の変更を検証する必要がある。

13.2 現在の同一出力と将来の応答

同じ時点で同じ回答が観測されたとしても、内部状態と関係構造が一致しているとは限らない。この問題を理解するため、最小限の古典的なモデルを考える。

現在の内部状態をスカラー \(x\)、内部状態から出力への結合重みを \(w\) とする。観測される出力を、次の積によって定義する。

\[
O=wx
\]

ここで \(x\) は現在の内部活動、\(w\) はその内部活動が観測結果へ与える影響の強さを表す。\(w\) は関係構造の一つの重みに対応する局所的な変数として扱う。

なお、この節の \(x\) は内部活動を表すスカラーであり、構造を数値化する埋め込みベクトルとは別の量である。

例えば、次の二つの系を考える。

\[
\begin{aligned}
(w^{(1)},x^{(1)})&=(1,1),\\
(w^{(2)},x^{(2)})&=(2,0.5).
\end{aligned}
\]

第一の系では、結合重みが 1 であり、内部状態も 1 である。第二の系では、結合重みが 2 と強い一方、内部状態は 0.5 と小さい。

現在の出力を計算すると、どちらも同じ値になる。

\[
\begin{aligned}
O^{(1)}
&=1\cdot1
=1,\\
O^{(2)}
&=2\cdot0.5
=1.
\end{aligned}
\]

この結果から、現在の出力が 1 だったという観測だけでは、結合重みが 1 なのか 2 なのかを識別できない。内部状態の大きさと結合重みの大きさが、積として同じ出力を生じさせているためである。

このような場合、現在の出力だけで二つの生成機構を区別できない。しかし、同じ入力を追加した後の応答を比較すると、差が現れる場合がある。

例えば、二つの系に対して、内部状態を同じ量だけ増加させる入力 \(u=0.2\) を与えるとする。この入力は、結合重み \(w\) を変更せず、内部状態だけを \(x+u\) へ更新するものとする。

\[
x_{\mathrm{after}}=x+u
\]

このとき、更新後の出力は次のようになる。

\[
O_{\mathrm{after}}=w(x+u)
\]

第一の系について計算すると、次の値が得られる。

\[
\begin{aligned}
O_{\mathrm{after}}^{(1)}
&=1(1+0.2)\\
&=1.2.
\end{aligned}
\]

第二の系についても同じ入力を与える。

\[
\begin{aligned}
O_{\mathrm{after}}^{(2)}
&=2(0.5+0.2)\\
&=1.4.
\end{aligned}
\]

入力前にはどちらも出力 1 を示していたが、入力後には第一の系が 1.2、第二の系が 1.4 となった。

この違いが生じた理由は、追加した内部状態の変化量が同じでも、その変化が出力へ伝わる強さを決める結合重みが異なるためである。

入力前後の出力差を \(\Delta O\) とすると、次のように表せる。

\[
\begin{aligned}
\Delta O
&=O_{\mathrm{after}}-O\\
&=w(x+u)-wx\\
&=wu.
\end{aligned}
\]

この式から、出力差は結合重み \(w\) と入力変化量 \(u\) の積によって決まる。

例えば、同じ \(u=0.2\) を与えた場合、第一の系では \(\Delta O=0.2\)、第二の系では \(\Delta O=0.4\) となる。

\[
\begin{aligned}
\Delta O^{(1)}&=1\cdot0.2=0.2,\\
\Delta O^{(2)}&=2\cdot0.2=0.4.
\end{aligned}
\]

ここで、入力前後の出力とその変化量を比較する。

比較項目 第一の系 第二の系
結合重み \(w=1\) \(w=2\)
初期内部状態 \(x=1\) \(x=0.5\)
入力前の出力 \(O=1\) \(O=1\)
追加入力 \(u=0.2\) \(u=0.2\)
入力後の出力 \(O_{\mathrm{after}}=1.2\) \(O_{\mathrm{after}}=1.4\)
出力の変化量 \(\Delta O=0.2\) \(\Delta O=0.4\)

この数値例では、現在の出力が同じ二つの系を、同じ入力への応答によって区別できた。出力そのものではなく、入力変化に対する応答の大きさが、結合重みの違いを反映している。

これは量子干渉や量子測定を前提としない。通常の実数と関数だけで定義された古典的な入出力モデルで成立する性質である。

認知過程でも、同じ質問に対して同じ回答が得られたことから、内部の判断構造が同一であるとは判断できない。例えば、ある対策を「安全」と評価する二人がいたとしても、一方は危険性をほとんど意識していないために安全と回答し、もう一方は危険性を強く意識しながら、それを上回る安全対策の効果を評価している可能性がある。

現在の回答が同じでも、追加情報によって判断がどの程度変化するかは異なる場合がある。その違いを調べることで、内部状態や判断構造について、単一の回答からは得られない情報を取得できる。

ただし、この例では入力 \(u\) が内部状態へ同じ量だけ加算され、結合重みには作用しないと仮定した。実際の認知実験では、同じ質問や刺激を与えても、参加者ごとに内部状態の変化量が異なる可能性がある。

そのため、観測された出力差を結合重みの違いへ帰属するには、追加入力が内部状態へどのように作用するかを検証する必要がある。

13.3 現在の出力だけでは生成機構を識別できない

前節の出力 \(O=wx\) を時刻付きで \(y_t=w_tx_t\) と表す。出力 \(y_t=1\) を満たす組は前節の二例に限られず、\(w_t\neq0\) に対して \(x_t=1/w_t\) と置いた任意の組である。観測写像が多対一であるため、現在の出力だけから関係構造の重みと内部状態を別々に復元することはできない。

ただし、追加の観測や介入によって、この識別不能性を解消できる場合がある。例えば、前節と同様に、結合重みを変更せず、内部状態へ既知の入力 \(u\) を加えることができるとする。

介入前の出力を \(y_0\)、介入後の出力を \(y_1\) とすると、次の二つの式が得られる。

\[
\begin{aligned}
y_0&=wx,\\
y_1&=w(x+u).
\end{aligned}
\]

第二式から第一式を引くと、次の関係が得られる。

\[
y_1-y_0=wu
\]

入力 \(u\) がゼロではなく、入力によって結合重みが変化しない場合、結合重みを次のように求められる。

\[
w=\frac{y_1-y_0}{u}
\]

さらに、\(w\neq0\) であれば、初期内部状態も求められる。

\[
x=\frac{y_0}{w}
\]

したがって、介入前後の二つの出力と、既知の入力変化量が得られれば、この単純なモデルでは結合重みと内部状態を分離して推定できる。

前節の第一の系では、\(y_0=1\)、\(y_1=1.2\)、\(u=0.2\) であった。この値を代入すると、次のようになる。

\[
\begin{aligned}
w
&=\frac{1.2-1}{0.2}
=1,\\
x
&=\frac11
=1.
\end{aligned}
\]

第二の系では、\(y_0=1\)、\(y_1=1.4\)、\(u=0.2\) である。

\[
\begin{aligned}
w
&=\frac{1.4-1}{0.2}
=2,\\
x
&=\frac12
=0.5.
\end{aligned}
\]

このように、一つの出力からは識別できなかった二つの組が、既知の介入を含む二つの観測から識別できた。

ただし、この結論は、入力が既知の量だけ内部状態へ加算され、結合重みを変更しないという仮定に依存している。入力が結合重みにも影響する場合には、同じ式を使って \(w\) を推定することはできない。

また、\(w=0\) の場合、出力は内部状態 \(x\) の値によらずゼロになる。この場合には、入力前後の出力だけから \(x\) を推定できない。

\[
w=0
\Longrightarrow
y_0=y_1=0
\]

これは、介入を導入すればすべての内部変数を必ず識別できるわけではないことを示している。観測写像の構造、介入可能な変数、入力の作用、観測誤差によって、識別できる範囲は変わる。

例えば、実際の回答が連続値ではなく「安全」「危険」の二値である場合、出力 \(wx\) がそのまま観測されるとは限らない。出力に閾値を適用するモデルでは、異なる \(wx\) が同じ二値回答へ写される可能性がある。

その場合、入力によって内部の出力が 1.2 から 1.4 へ変化していても、両方が同じ閾値の側にあれば、観測される回答は変化しないことがある。

さらに、回答に確率的な揺らぎが存在する場合には、同じ入力を複数回与え、回答頻度や反応時間の分布からモデルのパラメーターを推定する必要がある。

このため、認知モデルでは、内部状態を定義すること、内部状態から回答への観測写像を定義すること、介入によってどの変数が変更されるかを定義することが、それぞれ必要になる。

同じ出力を与える複数の生成機構が存在するという問題は、量子理論に固有のものではない。古典的な状態空間モデルでも、観測写像が多対一であれば同じ問題が生じる。

量子認知モデルの必要性を評価する前に、古典的な内部状態と関係構造の組によって、観測された回答分布と介入後の応答をどの程度説明できるかを確認する必要がある。

13.4 観測上の関連と因果介入

内部状態と関係構造を区別しても、観測された統計的な関連から、構造変更の因果効果をそのまま推定できるとは限らない。例えば、危険判断に対応する結合重みが大きい人ほど、危険と回答する割合が高いとする。この関連は、結合重みが判断を変化させたことを示唆する場合があるが、別の原因によって両者が同時に変化している可能性も残る。

例えば、過去の故障経験が、特定の音と危険判断を結ぶ重みを強くすると同時に、現在の注意状態や警戒水準も高めている場合を考える。この場合、結合重みと危険判断は関連するが、その関連のすべてが結合重みから危険判断への直接的な作用によって生じているとは限らない。

Pearl の因果推論では、観測によって得られる条件付き分布と、変数を外部から設定した場合の介入分布を区別する[27]。

\[
P(O\mid S=s)
\qquad\text{と}\qquad
P(O\mid\operatorname{do}(S=s))
\]

左辺は、構造 \(S\) が値 \(s\) を取っている対象を観測した場合の出力分布である。右辺は、構造を外部から \(s\) へ設定する介入を実施した場合の出力分布である。

二つの分布は、一般には一致しない。構造がどのような履歴や環境によって形成されたかが、現在の内部状態や観測結果にも影響している可能性があるためである。

この違いを具体的に確認するため、過去の経験を表す二値変数 \(H\) を導入する。\(H=0\) は特定の経験がない状態、\(H=1\) は経験がある状態とする。

ここでは、二つの状態がそれぞれ確率 \(1/2\) で存在すると仮定する。

\[
P(H=0)=P(H=1)=\frac12
\]

結合重み \(w\) と現在の内部状態 \(x\) が、過去の経験 \(H\) によって次のように決まるとする。

\[
w=1+H,
\qquad
x=H
\]

出力は、前節と同じく次の積によって定義する。

\[
y=wx
\]

過去の経験がない場合には、\(H=0\) である。このとき、結合重みは 1、内部状態は 0 なので、出力はゼロになる。

\[
H=0
\Longrightarrow
(w,x,y)=(1,0,0)
\]

一方、過去の経験がある場合には、\(H=1\) である。このとき、結合重みは 2、内部状態は 1 となり、出力は 2 になる。

\[
H=1
\Longrightarrow
(w,x,y)=(2,1,2)
\]

観測データから、結合重みが 2 であるという条件のもとで出力を評価すると、必ず \(H=1\) である。したがって、条件付き期待値は 2 となる。

\[
\mathbb E[y\mid w=2]=2
\]

ここで、結合重みを外部から 2 へ設定する介入を考える。介入は \(w=1+H\) という生成規則を置き換え、結合重みだけを 2 へ設定するものとする。

\[
\operatorname{do}(w=2)
\]

この介入では、過去の経験 \(H\) の分布と、内部状態 \(x=H\) の規則は変更しない。したがって、経験の有無にかかわらず \(w=2\) となる一方、内部状態 \(x\) は 0 または 1 を、それぞれ確率 \(1/2\) で取る。

介入後の出力は \(y=2x=2H\) なので、その期待値は次のようになる。

\[
\begin{aligned}
\mathbb E[y\mid\operatorname{do}(w=2)]
&=2\mathbb E[H]\\
&=2\cdot\frac12\\
&=1.
\end{aligned}
\]

この結果では、結合重みが 2 である対象を観測した場合の期待値は 2 だったが、結合重みを外部から 2 へ設定した場合の期待値は 1 となった。

\[
\mathbb E[y\mid w=2]
\neq
\mathbb E[y\mid\operatorname{do}(w=2)]
\]

違いが生じた理由は、観測上の \(w=2\) という条件が、過去の経験 \(H=1\) であることを同時に意味していたためである。一方、介入では結合重みだけを設定し、過去の経験と内部状態の分布を維持している。

この例では、過去の経験が結合重みと内部状態の共通原因になっている。したがって、観測された関連の大きさから、結合重みの因果効果を直接推定することはできない。

結合重みを 1 へ設定する介入についても計算できる。

\[
\begin{aligned}
\mathbb E[y\mid\operatorname{do}(w=1)]
&=\mathbb E[H]\\
&=\frac12.
\end{aligned}
\]

したがって、結合重みを 1 から 2 へ変更する介入の平均的な効果は、次のようになる。

\[
\begin{aligned}
&\mathbb E[y\mid\operatorname{do}(w=2)]\\
&\quad-
\mathbb E[y\mid\operatorname{do}(w=1)]\\
&=1-\frac12\\
&=\frac12.
\end{aligned}
\]

一方、観測条件による期待値の差は 2 である。

\[
\begin{aligned}
\mathbb E[y\mid w=2]
–
\mathbb E[y\mid w=1]
&=2-0\\
&=2.
\end{aligned}
\]

この数値例では、観測上の差 2 と介入による平均的な差 \(1/2\) が大きく異なる。観測された構造と出力の関連を、そのまま構造変更の効果と解釈すると、因果効果を過大に評価することになる。

ただし、この計算は、過去の経験 \(H\) が結合重みと内部状態を決めるという因果構造を仮定した例である。実際の認知実験で同じ関係が成立していることを示すものではない。

構造振動モデルへ因果介入を接続する場合も、同じ区別が必要になる。構造 \(S_t\) が異なる対象を比較するだけでは、その差が構造の変更によって生じたのか、環境や履歴の違いによって生じたのかを確定できない。

また、構造全体を任意の値 \(s\) へ設定する介入が実際に可能であるとは限らない。例えば、認知過程の特定の結合重みだけを変更し、ほかの状態や結合を完全に維持する操作は、実験上困難な場合がある。

そのため、実験では、実際に操作可能な入力や介入 \(U_t\) を定義し、その操作がどの変数へ影響するかを検証する必要がある。介入が意図した結合だけでなく、注意、記憶、環境条件を同時に変更する場合には、それらの影響を区別しなければならない。

構造変更の因果効果を評価するには、構造を変更した群と変更していない群の比較、介入前後の測定、環境条件の統制などが必要になる。ただし、無作為割当を行ったとしても、介入が複数の内部変数へ作用する場合には、特定の結合重みだけの効果を識別できるとは限らない。

このように、観測された関連、介入によって生じる変化、構造更新の持続的な効果を分けて評価することで、状態更新と構造更新の因果的な役割を検討できる。

13.5 固定構造モデルと更新モデルの比較

内部状態と関係構造を区別した場合、構造を固定するモデルと、構造更新を許すモデルを比較できる。両者は、現在の回答に対して同じ予測を与える場合でも、学習や介入を繰り返した後の回答について異なる予測を与える可能性がある。

固定構造モデルでは、構造 \(S_t\) を時間によらず一定とする。

\[
S_{t+1}=S_t
\]

ただし、構造が固定されていても、内部状態 \(z_t\) は変化してよい。例えば、外部から与えられる質問や刺激によって注意状態が更新され、その結果として回答が変化することを許す。

したがって、固定構造モデルは、回答分布が時間によって変化しないモデルと同じではない。構造が同じでも、内部状態や環境条件が変化すれば、観測結果は変わり得る。

一方、構造更新モデルでは、過去の入力、観測、介入によって構造そのものが変化する。この場合、同じ内部状態と環境条件を再現したとしても、関係構造が更新されていれば、以前とは異なる回答が得られる可能性がある。

この違いを確認するため、前節の積のモデルを利用する。現在の内部状態を \(x_t\)、結合重みを \(w_t\) とし、観測出力を次のように定義する。

\[
O_t=w_tx_t
\]

固定構造モデルでは、結合重みを一定とする。

\[
w_{t+1}=w_t
\]

例えば、初期の結合重みを \(w_0=1\) とすれば、その後も結合重みは 1 のままである。

\[
w_t=1
\]

一方、構造更新モデルでは、訓練入力やフィードバックに応じて結合重みを更新する。例えば、外部から与えた目標値を \(u_t\)、更新率を \(\eta\) として、次の更新規則を考える。

\[
w_{t+1}
=
w_t+\eta(u_t-w_t)
\]

ここで \(0<\eta<1\) とする。この式では、現在の結合重み \(w_t\) と目標値 \(u_t\) の差に比例して、結合重みを更新する。

目標値が現在の重みより大きい場合には、重みが増加する。逆に、目標値が現在の重みより小さい場合には、重みが減少する。差がゼロの場合には、更新は生じない。

この規則は、構造更新の数学的な例であり、特定の神経学習則を実証したものではない。訓練入力によって関係の重みが変化する場合を、最小限の一次更新として表現している。

固定構造モデルと構造更新モデルを比較するため、初期重みを同じ値 \(w_0=1\) とし、訓練時の目標値を \(u_t=2\)、更新率を \(\eta=1/2\) とする。

\[
w_0=1,\qquad
u_t=2,\qquad
\eta=\frac12
\]

この場合、構造更新モデルの更新式は次のようになる。

\[
\begin{aligned}
w_{t+1}
&=w_t+\frac12(2-w_t)\\
&=\frac12w_t+1.
\end{aligned}
\]

第一回の更新では、結合重みは 1 から 1.5 へ変化する。

\[
\begin{aligned}
w_1
&=\frac12\cdot1+1\\
&=1.5.
\end{aligned}
\]

第二回の更新では、次の値になる。

\[
\begin{aligned}
w_2
&=\frac12\cdot1.5+1\\
&=1.75.
\end{aligned}
\]

第三回の更新では、次の値になる。

\[
\begin{aligned}
w_3
&=\frac12\cdot1.75+1\\
&=1.875.
\end{aligned}
\]

したがって、固定構造モデルでは結合重みが 1 のままであるのに対し、構造更新モデルでは訓練を繰り返すことで重みが 2 へ近づく。

この違いを観測するため、各訓練回数の後で、内部状態を共通の値 \(x=1\) に設定して出力を測定するとする。この測定は、訓練入力によって結合重みが変化した後、その重みに対して共通の試験入力を与える操作である。

固定構造モデルでは、すべての測定時点で出力は 1 になる。

\[
O_t^{(0)}=1\cdot1=1
\]

構造更新モデルでは、試験時の出力は結合重みと同じ値になる。

\[
O_t^{(1)}=w_t
\]

この二つのモデルの予測を比較すると、次のようになる。

訓練回数 固定構造モデルの出力 構造更新モデルの出力
0 回 \(1\) \(1\)
1 回 \(1\) \(1.5\)
2 回 \(1\) \(1.75\)
3 回 \(1\) \(1.875\)

この数値例では、訓練前の出力は両モデルで同じである。しかし、同じ訓練を繰り返すと、構造更新モデルだけが出力の変化を予測する。

両モデルの違いを検証するには、単に訓練後の出力を測定するだけでなく、内部状態を同じ条件へ戻して比較する必要がある。内部状態が異なるままであれば、固定構造モデルでも出力の変化を表現できるためである。

例えば、固定構造モデルでも、現在の注意状態 \(x_t\) が訓練によって増加するなら、結合重みを変更せずに出力を増加させられる。したがって、訓練後に出力が大きくなったという事実だけでは、構造更新が生じたことを確定できない。

構造更新を検証するためには、認知状態の違い、環境条件の違い、訓練履歴の違いを考慮し、それでも同じ試験入力に対する応答特性が持続的に変化しているかを調べる必要がある。

13.6 固定構造モデルと構造更新モデルの予測差

固定構造モデルと構造更新モデルの違いを、構造振動モデルの定義へ接続する。既稿では、構造 \(S_t\)、環境 \(C_t\)、観測 \(O_t\)、介入 \(U_t\) を用いて、構造更新を次のように記述した[25]。

\[
S_{t+1}
=
M(S_t,C_t,O_t,U_t)
\]

今回の認知過程の分析では、現在の内部状態 \(z_t\) を別に保持するため、構造更新写像が内部状態にも依存する場合を考える。この場合、更新写像を次のように拡張できる。

\[
S_{t+1}
=
M(S_t,z_t,C_t,O_t,U_t)
\]

これは、既稿で定義した構造更新モデルに内部状態を明示的に追加したものである。例えば、同じ観測結果が得られても、現在の注意状態や記憶の活性化によって、その経験が学習へ与える影響が異なる場合を表現できる。

この拡張を使用して、固定構造モデル \(\mathcal M_0\) と構造更新モデル \(\mathcal M_1\) を次のように定義する。

\[
\begin{aligned}
\mathcal M_0:\quad
&S_{t+1}=S_t,\\
\mathcal M_1:\quad
&S_{t+1}
=M(S_t,z_t,C_t,O_t,U_t).
\end{aligned}
\]

\(\mathcal M_0\) では、関係構造を固定したまま、内部状態や環境条件の変化によって観測結果を説明する。一方、\(\mathcal M_1\) では、内部状態や観測結果、介入によって、関係構造そのものが更新されることを許す。

ただし、構造更新写像 \(M\) を任意の関数として自由に設定すれば、有限の観測履歴へ適合するモデルを柔軟に構成できる。そのような適合だけでは、構造更新を導入する必要性を十分に示せない。

意味のある比較を行うには、更新写像の形式とパラメーターを固定し、学習に使用していない入力列へ予測を与える必要がある。

前節で定義した単一の結合重みの更新規則 \(w_{t+1}=w_t+\eta(u_t-w_t)\) を用い、\(u_t=2\)、\(\eta=1/2\) を一定に保つ。このとき、更新式は次のようになる。

\[
w_{t+1}
=
\frac12w_t+1
\]

初期状態を \(w_0=1\) とすると、この漸化式の解は次のようになる。

\[
w_t
=
2-2^{-t}
\]

この式が更新則を満たすことを確認する。時刻 \(t+1\) の値は次のようになる。

\[
\begin{aligned}
w_{t+1}
&=2-2^{-(t+1)}\\
&=\frac12(2-2^{-t})+1\\
&=\frac12w_t+1.
\end{aligned}
\]

また、\(t=0\) では \(w_0=2-1=1\) となり、初期条件も満たしている。

この結果から、結合重みは訓練回数とともに 2 へ近づく。

\[
\lim_{t\to\infty}w_t=2
\]

ここで、構造振動モデルでは、構造がどの程度更新されたかを、隣接時点の構造間距離によって測定する。

既稿では、構造を数値ベクトルへ写す埋め込み写像 \(\phi\) を定義し、その距離によって構造振幅を求めた[25]。

\[
A_t
=
d(S_t,S_{t-1})
=
\left\|
\phi(S_t)-\phi(S_{t-1})
\right\|_2
\]

ここで \(A_t\) は構造振幅、\(d\) は構造間距離、\(\phi\) は構造を数値ベクトルへ写す埋め込み写像である。この式では、各時点の構造を同じ規則で数値化し、その差を測定する。

単一の結合重みをそのまま構造の数値表現とする場合には、構造振幅を重みの差の絶対値として表せる。

\[
A_{t+1}
=
|w_{t+1}-w_t|
\]

前の漸化式を代入すると、次のようになる。

\[
\begin{aligned}
A_{t+1}
&=
\left|
(2-2^{-(t+1)})-(2-2^{-t})
\right|\\
&=
2^{-(t+1)}.
\end{aligned}
\]

したがって、構造振幅は訓練回数とともに減少する。

\[
\lim_{t\to\infty}A_t=0
\]

この数値例では、構造更新が繰り返される一方、一回ごとの更新量は小さくなっていく。重みは目標値 2 へ収束し、隣接時点の構造差もゼロへ近づく。

ここで、構造振幅が小さくなったことと、観測出力が一定であることを混同してはならない。例えば、各訓練回数の後に内部状態を \(x=1\) に設定して測定する場合、観測出力は次のようになる。

\[
O_t
=
w_t
=
2-2^{-t}
\]

この出力は、構造振幅が小さくなりながらも、1 から 2 へ近づいていく。

構造振幅の減少は、構造の更新量が小さくなっていることを意味する。一方、観測出力の変化は、構造と内部状態の組合せによって生じる。二つは異なる測定対象である。

また、構造振幅がゼロへ収束することだけから、構造そのものが有限の値へ収束するとは一般には結論できない。隣接時点の差が小さくなっても、その差が蓄積することで構造が長期的に変化し続ける場合があるためである。

この数値例では、更新則を明示的に解くことで \(w_t\to2\) を確認した。そのため、構造振幅の減少だけに依存せず、構造自体の収束を確定できる。

一方、一般の構造振動モデルでは、埋め込み写像が元のグラフのすべての違いを保持しているとは限らない。例えば、ノード数や関係数だけを埋め込みへ使用すると、関係の接続先が変わっても埋め込みベクトルが同じになる場合がある。

その場合、埋め込み空間上の構造振幅がゼロでも、元のグラフに更新が存在しないとは限らない。したがって、構造更新の検証では、どの構造差を測定するかを明示する必要がある。

固定構造モデルと構造更新モデルを比較する場合にも、この測定上の制約が重要になる。例えば、構造振幅を一つの数値として記録するだけでは、どの関係が追加されたか、削除されたか、重みが変更されたかを識別できない場合がある。

同じ構造振幅を持つ二つの更新でも、異なる関係が変更されていれば、後続の入力に対する応答は異なる可能性がある。そのため、構造振幅の大きさと、構造更新の内容や方向を分けて記録する必要がある。

実験で構造更新モデルの必要性を検証する場合には、学習用の入力列を用いて更新規則を推定し、別の入力列に対する応答を予測させることが考えられる。

例えば、特定の音に対する危険判断を繰り返し訓練した後、訓練に使用していない類似音への判断を測定する。構造更新モデルでは、訓練によって変更された関係が類似音への判断にも影響すると予測する場合がある。

一方、固定構造モデルでも、内部状態が履歴を保持することを許せば、学習後の判断変化を表現できる可能性がある。したがって、構造更新モデルの優位性を判断するには、固定構造モデルがどのような記憶や履歴依存性を持つことを許すかも明示する必要がある。

例えば、固定構造モデルの内部状態に過去の入力をすべて保存する場合には、構造を変更しなくても、訓練履歴に応じた異なる出力を生成できる。そのようなモデルと構造更新モデルを比較する場合には、状態数、記憶の容量、更新規則の自由度などを考慮する必要がある。

構造更新モデルが有効であると評価できるのは、構造更新を導入することで、同程度の複雑さを持つ固定構造モデルよりも、未使用の入力列に対する予測精度や説明の一貫性が改善する場合である。

構造振動モデルは、この比較に対して、構造の定義、観測、環境、介入、更新、構造振幅という測定対象を提供する。これらを同じ規則で記録することで、状態更新だけで説明できる範囲と、構造更新を導入した場合の予測差を検証できる。

13.7 量子認知との役割分担

構造振動モデルによる状態更新と構造更新の区別は、量子認知モデルの必要性を検討する際にも利用できる。両者は、同じ認知現象を説明するために異なる数学的な表現を使用する場合があるが、扱う状態変数や検証対象が必ずしも一致するわけではない。

例えば、質問 A を先に尋ねた場合と、質問 B を先に尋ねた場合で、同じ質問への回答確率が異なるとする。このような質問順序効果は、量子認知モデルでは、質問に対応する測定演算子と測定後状態の更新によって表現できる。

初期認知状態を密度演算子 \(\rho\) とし、質問 A の回答 \(a\) に対応する量子インストルメントを \(\mathcal I_{A,a}\)、質問 B の回答 \(b\) に対応する量子インストルメントを \(\mathcal I_{B,b}\) とする。この場合、A→B の結合回答確率は次のように表せる。

\[
p_{AB}(a,b)
=
\operatorname{Tr}
\left[
\mathcal I_{B,b}
\bigl(\mathcal I_{A,a}(\rho)\bigr)
\right]
\]

この式では、質問 A への回答によって状態が更新され、その更新後の状態から質問 B への回答確率が計算される。

一方、古典的な状態更新モデルでは、現在の内部状態 \(z_t\) と質問入力 \(I_t\) を用い、状態更新を次のように表せる。

\[
z_{t+1}
=
F(z_t,I_t;S_t,C_t)
\]

ここで、質問 A を先に受けた場合と B を先に受けた場合では、内部状態の更新順序が異なる。二つの更新写像が非可換であれば、質問順序によって後続の状態や回答分布が変化し得る。

したがって、質問順序効果の存在だけでは、量子認知モデルと古典的な状態更新モデルを区別できない。両者は、同じ順序依存性を異なる状態空間と更新規則で表現できるためである。

構造振動モデルを導入すると、古典的な状態更新の内部に、さらに二種類の変化を区別できる。第一は、現在の内部状態 \(z_t\) の更新である。第二は、内部状態の更新や回答生成を決める関係構造 \(S_t\) の更新である。

例えば、質問 A によって一時的に危険性へ注意が向き、続く質問 B への回答が変化した場合には、現在の内部状態の更新として説明できる。一方、質問 A を繰り返し受ける経験によって、危険性と判断結果を結ぶ関係の重みが持続的に変化した場合には、構造更新として表現できる。

この違いを実験で識別するには、単一の質問順序だけでなく、反復、時間間隔、訓練、再測定を組み合わせる必要がある。

例えば、質問 A→B の順序で回答分布が変化した後、一定の時間を空けて同じ質問を再度行う場合を考える。回答分布が元へ戻るなら、一時的な内部状態の変化によって説明できる可能性がある。

一方、時間を空けても回答分布の変化が維持されるなら、持続的な内部状態の変化や、関係構造の更新が生じた可能性がある。

ただし、変化が長期間持続することだけで、構造更新が生じたとは結論できない。古典的な状態モデルでも、記憶を内部状態として保持し、長期間持続する状態変化を表現できるためである。

したがって、構造更新を主張するには、現在の内部状態を可能な範囲で統制し、同じ入力に対する応答特性そのものが変更されたかを検証する必要がある。

この比較を整理すると、次のようになる。

モデル 更新対象 説明できる変化 追加の検証条件
古典的な状態更新モデル 内部状態 \(z_t\) を更新する。 質問や刺激による現在の判断状態の変化を表現できる。 同じ状態更新規則で複数の質問順序と履歴を予測できるかを調べる。
古典的な構造更新モデル 内部状態に加えて関係構造 \(S_t\) を更新する。 経験や学習によって持続する入出力関係の変更を表現できる。 内部状態と環境を統制し、構造更新を導入した場合の予測差を検証する。
量子射影測定モデル 射影演算子によって密度演算子を更新する。 質問順序効果と、QQ 等式のような条件付きの確率制約を表現できる。 同じ初期状態と射影演算子のもとで、複数の質問順序を予測できるかを検証する。
量子インストルメントモデル 結果確率と測定後状態を完全正値写像によって更新する。 質問順序効果、回答再現効果、一般化された状態更新を表現できる。 状態更新写像を固定し、異なる質問列と反復条件を同時に予測できるかを検証する。

この比較から、構造振動モデルと量子認知モデルは、必ずしも同じ水準の仮説を扱っているわけではないことが分かる。

構造振動モデルは、関係構造が環境、観測、介入によってどのように更新されるかを記述する枠組みである。一方、量子認知モデルは、回答確率を量子状態や測定演算子によって計算する枠組みである。

構造更新を古典的な関係グラフで表しながら、回答確率を量子確率の形式で計算するという組合せも、数学的には考えられる。この場合、関係構造の更新と、各時点の判断確率の計算を、異なる役割として定義することになる。

ただし、そのような組合せを採用する場合には、関係構造 \(S_t\) が量子状態や測定演算子のどの部分を決定するかを明示する必要がある。単に古典的な構造と量子確率の数式を並べるだけでは、両者を結びつける具体的なモデルにはならない。

また、構造更新モデルによって質問順序効果を説明できた場合でも、QQ 等式のような量子射影測定モデルに固有の確率制約を自動的に再現できるとは限らない。反対に、量子認知モデルが QQ 等式へ適合した場合でも、長期的な学習による構造変更まで説明したことにはならない。

そのため、モデルの説明対象を明確にする必要がある。質問直後の回答変化を対象とするのか、同じ質問を繰り返した場合の回答再現を対象とするのか、経験によって長期間持続する判断傾向の変化を対象とするのかによって、必要な状態変数と更新規則が異なる。

量子確率の必要性を判断する場合には、固定された一つの古典確率表だけを比較対象にするのでは不十分である。古典的な隠れ状態モデル、履歴依存モデル、構造更新モデルを適切に区別し、それぞれの状態空間と更新規則を明示する必要がある。

例えば、量子認知モデルが質問順序効果を説明できても、同じ回答分布を古典的な構造更新モデルが再現できる場合には、観測された順序効果だけから量子確率の唯一性を主張できない。

一方、古典的な構造更新モデルが回答の変化を説明できても、量子モデルがより少ない共通パラメーターによって複数の質問列を予測できる場合には、その予測上の違いを検証する価値がある。

比較では、状態空間の次元、関係構造の複雑さ、履歴を保持する能力、自由パラメーター数、学習に使用したデータ、予測に使用するデータを明示する必要がある。また、構造更新モデルではどの時点で関係が変更されたか、量子認知モデルではどの質問にどの測定演算子を適用したかを記録する。

さらに、同じ入力列に対して異なるモデルがどのような回答確率を予測するかを比較することで、モデルの観測上の識別可能性を評価できる。

このような検証で、ある限定された古典モデルが棄却されたとしても、すべての古典モデルが棄却されたことにはならない。構造や記憶を拡張した古典モデルが、同じ観測結果を説明できる可能性が残るためである。

また、量子認知モデルが相対的に良好な予測性能を示した場合でも、その数学的な有効性から、認知過程が物理的な量子測定によって実装されていることまで導かれるわけではない。

構造振動モデルを接続する意義は、観測された回答の変化を、現在の状態更新と、回答生成に関わる関係構造の更新へ分けて検討できることにある。これによって、同じ現在の回答を示す系でも、過去の履歴、入力への応答、学習後の予測が異なる可能性を数理的に扱える。

思考と量子力学の関係を評価する場合にも、この区別は有効である。判断が変化したという事実だけで、その変化を量子測定へ帰属する必要はない。まず、古典的な内部状態と関係構造の更新によってどこまで説明できるかを確認し、その範囲を超える具体的な確率制約や予測差が存在するかを検証する必要がある。

構造振動モデルは、量子認知モデルを否定するための理論ではない。また、量子認知モデルの数学的な形式を、そのまま構造振動モデルへ置き換えるものでもない。両者がどの状態変数と更新規則を使用し、どの観測量を予測するかを区別するための基準を与える。

状態更新と構造更新を分離することで、同じ出力を生成する異なる機構、介入によって現れる応答差、学習による持続的な変化を、それぞれ検証可能な対象として扱える。量子確率の必要性は、こうした古典的な説明範囲を明示したうえで、共通の観測条件に対する予測を比較することによって判断される。


14. 時間・生命・意識・クオリア・自己の成立条件を分ける

14.1 履歴と時間の方向

状態が更新される系では、過去の出来事を後続の処理へ利用できる場合がある。例えば、質問に回答した履歴を記録し、次の質問への回答を変更するモデルを考える。この場合、現在の回答は、現在の入力だけでなく、過去にどのような質問を受け、どのような回答をしたかにも依存する。

このような履歴依存性は、古典的な確率過程でも量子認知モデルでも表現できる。しかし、履歴を持つことと、物理的な時間の方向が成立することは異なる条件である。履歴の更新は、モデルが過去の情報をどのように保存して利用するかという問題であり、物理的な時間の不可逆性は、実際の状態遷移、環境との相互作用、散逸、熱力学的なエントロピー生成などに関係する。既稿「時間はなぜ一方向に進むのか」では、量子観測による記録の形成と物理的な時間の不可逆性との関係を検討した[28]。

まず、時刻 \(t\) における内部状態を \(z_t\)、入力を \(I_t\) とし、状態更新を次のように定義する。

\[
z_{t+1}=F(z_t,I_t)
\]

この式では、現在の状態と入力から次の状態が決まる。更新写像 \(F\) が可逆であるかどうかは、別に検討する必要がある。例えば、異なる二つの状態が同じ次状態へ写される場合、更新前の状態を次状態だけから一意に復元することはできない。

具体例として、次の更新規則を考える。

\[
z_{t+1}=z_t^2
\]

状態の取り得る値に正負の実数を許すと、初期状態が \(z_t=1\) の場合も、\(z_t=-1\) の場合も、次状態は 1 となる。

\[
F(1)=F(-1)=1
\]

この写像は単射ではないため、次状態から直前の状態を一意に復元できない。しかし、ここで生じる非可逆性は、写像の数学的な性質である。物理的な熱の発生やエントロピー生成を直接意味するものではない。

反対に、数学的に可逆な更新写像でも、実際の装置においてその逆操作を実行できるとは限らない。例えば、ある計算処理が理論上は逆演算によって元の状態へ戻せるとしても、処理の途中で周囲へ熱が散逸したり、情報が環境へ拡散したりした場合には、装置と環境のすべての自由度を元の状態へ戻す必要が生じる。

過去の出来事を表す履歴を、時刻 \(t\) までの入力と状態の列として定義する。

\[
H_t=(z_0,I_0,z_1,I_1,\ldots,z_t)
\]

この履歴から現在の状態を計算する場合、モデルが履歴全体を保持する必要があるとは限らない。必要な情報を内部状態 \(z_t\) に集約できるなら、次状態は現在の状態と入力だけから計算できる。

一方、現在の内部状態へ必要な履歴情報を集約できない場合には、過去の入力列や回答列を明示的に保持する必要がある。

ただし、履歴を長く保存できることは、物理的な時間の矢を説明する十分条件ではない。履歴の記録と、物理的な記録媒体に情報が形成される過程を区別する必要があるためである。

例えば、数学的な履歴列に新しい要素を追加する操作を考える。この操作は、形式的には列の長さを増やすだけである。

\[
H_{t+1}=(H_t,I_t,z_{t+1})
\]

この式は履歴の更新規則を表すが、記録媒体へ情報を書き込むために必要なエネルギー、環境への熱散逸、記録の安定性などを指定していない。そのため、この式だけから熱力学的な不可逆性を導くことはできない。

物理的な記録では、記録媒体の状態を変更し、その状態を後から読み取れるように保持する必要がある。媒体が周囲の環境と相互作用している場合には、記録の形成や維持に伴うエネルギー移動を考慮する必要がある。

ただし、論理的な情報処理と熱力学的な散逸は、一対一に対応するわけではない。例えば、理想的に準静的な可逆操作として実行できる情報処理も考えられる。一方、情報を消去して多数の論理状態を一つの状態へ統合する操作には、初期状態と熱浴に関する条件のもとで、熱力学的な下限が現れる。

したがって、履歴を保持すること、記録媒体へ情報を書き込むこと、情報を消去すること、物理的な時間の方向を説明することは、それぞれ異なる問題である。

Crooks は、非平衡過程におけるエントロピー生成と、時間反転した過程の確率との関係を検討した[29]。この種の関係は、微視的な可逆性を持つ力学から、統計的な意味で前進過程と逆過程の確率が異なる条件を調べるために利用される。

ここでの時間の方向は、物理的な過程とその時間反転過程の確率的な非対称性である。一方、人間が過去を記憶し、現在を経験し、未来を予測することは、記憶形成や認知的な時間経験に関する問題である。

両者には物理的な記録形成を通じた関係が存在し得るが、熱力学的な不可逆性の式だけから、主観的な現在の経験がどのように成立するかを導くことはできない。

14.2 時間の方向と記録形成の物理的条件

時間の方向を物理的に検討するときには、微視的な運動方程式の可逆性と、多数の自由度を持つ系で観測される実効的な不可逆性を区別する必要がある。

例えば、理想化された孤立量子系では、状態ベクトルはユニタリー演算子によって時間発展する。ハミルトニアンが時間に依存しない場合、時間発展は次のように表せる。

\[
|\psi(t)\rangle=e^{-iHt}|\psi(0)\rangle
\]

この発展は逆演算子を持ち、次の関係が成立する。

\[
e^{iHt}e^{-iHt}=I
\]

したがって、数学的には時間発展を逆向きにたどる演算が存在する。ただし、逆演算子が存在することと、実際の装置で環境を含むすべての自由度を正確に逆転できることは異なる。

実際の開放系では、対象が環境と物質やエネルギーを交換し、環境へ情報が広がる。その結果、対象の一部だけを観測すると、元の状態を復元するために必要な情報が失われたように見える場合がある。

このような実効的な不可逆性を定量的に扱う方法の一つが、非平衡過程における仕事の分布とエントロピー生成の関係である。

Crooks の関係では、ある制御パラメーターを前進方向へ変更する過程と、その時間反転に対応する過程を比較する[29]。前進過程の仕事の確率密度を \(P_F(W)\)、反転過程の仕事の確率密度を \(P_R(W)\) とする。

前進過程と反転過程は、それぞれ対応する平衡初期状態から開始するものとする。また、微視的可逆性と、所定の熱浴との相互作用に関する条件を仮定する。

このとき、代表的な Crooks の仕事揺動関係は、次のようになる。

\[
\frac{P_F(W)}{P_R(-W)}
=
\exp\{\beta(W-\Delta F)\}
\]

ここで \(W\) は系へ加えた仕事、\(\Delta F\) は前進過程の始状態と終状態に対応する平衡自由エネルギーの差である。また、\(\beta\) は逆温度を表す。

\[
\beta=\frac{1}{k_{\mathrm B}T}
\]

\(k_{\mathrm B}\) はボルツマン定数、\(T\) は熱浴の絶対温度である。仕事の符号は、系へ加えた仕事を正とする規約を採用している。

この式は、前進過程で仕事 \(W\) が得られる確率と、反転過程で仕事 \(-W\) が得られる確率の比を与える。

例えば、前進過程で自由エネルギー差より大きな仕事が加えられた場合には、\(W-\Delta F\) が正になる。その場合、指数関数は 1 より大きくなり、対応する前進過程と反転過程の仕事の確率密度に非対称性が生じる。

反対に、\(W-\Delta F\) が負になる場合には、指数関数は 1 より小さくなる。したがって、有限の系や短時間の非平衡過程では、平均的な熱力学的傾向とは逆向きの仕事の揺らぎが、有限の確率で生じる場合がある。

この関係から、平均的な第二法則に対応する不等式も導ける。まず、Crooks の関係を次の形へ変形する。

\[
P_F(W)e^{-\beta(W-\Delta F)}
=
P_R(-W)
\]

両辺を仕事 \(W\) について積分する。反転過程の確率密度が規格化されているため、右辺の積分は 1 になる。

\[
\int dW\,P_F(W)e^{-\beta(W-\Delta F)}
=
1
\]

左辺は前進過程における期待値なので、次の関係が得られる。

\[
\left\langle
e^{-\beta(W-\Delta F)}
\right\rangle_F
=
1
\]

これは Jarzynski 等式に対応する。さらに、指数関数の凸性から Jensen の不等式を適用する。

\[
e^{-\beta(\langle W\rangle_F-\Delta F)}
\leq
\left\langle
e^{-\beta(W-\Delta F)}
\right\rangle_F
=
1
\]

\(\beta>0\) であるため、次の不等式が得られる。

\[
\langle W\rangle_F\geq\Delta F
\]

この不等式は、所定の初期平衡条件と非平衡操作のもとで、平均仕事が平衡自由エネルギー差を下回らないことを示している。

ただし、各試行で必ず \(W\geq\Delta F\) になるわけではない。揺動関係では、平均的な散逸と、個々の試行で生じる確率的な揺らぎを区別している。

また、Crooks の関係は、前進過程と反転過程の確率分布に関する定量的な制約であり、あらゆる時間反転操作について同じ式が成立するという主張ではない。初期状態、反転プロトコル、仕事の定義、微視的可逆性などの条件が必要である。

情報の記録や消去についても、物理的な装置として実装した場合には、こうした熱力学的な条件を検討する必要がある。一方、履歴変数を数学的に追加する操作だけから、この仕事分布や自由エネルギー差が定まるわけではない。

さらに、物理的な時間の方向を説明できたとしても、人間が現在をどのように経験するかという問題は残る。過去の出来事を記憶し、未来の出来事を予測する認知機能と、非平衡過程の仕事の確率分布は、異なる測定対象だからである。

したがって、物理的な時間の非対称性、記録形成の不可逆性、主観的な時間経験を同じ現象として扱わず、それぞれの成立条件を区別する必要がある。

14.3 生命の自己維持と構造の継続

生命体を状態更新する系として記述する場合、内部状態が変化することや、履歴を保持することだけでは、生命の成立条件を十分に表現できない。生命体は外部から物質とエネルギーを取り入れ、内部の構成要素を交換しながら、組織としての関係を維持する。

例えば、細胞では膜を構成する分子、酵素、代謝物質などが絶えず合成・分解・輸送される。それでも、細胞内部と外部の区別、代謝に必要な反応、物質輸送の機能が維持される場合がある。

このような系では、個々の分子が同じままであることと、組織として同じ機能や関係が維持されることを区別できる。

Maturana と Varela は、構成要素を産出する過程と、その過程によって構成される組織が循環的に成立する関係を、オートポイエーシスとして整理した[30]。

オートポイエーシスでは、構成要素が単に集合しているだけでなく、それらの構成要素の相互作用が新たな構成要素を産出し、その産出によって組織を実現する過程が維持される。

例えば、細胞膜を維持する分子が代謝過程によって供給され、その膜が内部の反応環境を維持し、内部の反応環境がさらに膜の構成要素の産出を可能にする場合を考える。

この関係では、膜の存在が代謝過程を支え、代謝過程が膜を維持するという循環が成立する。外部から膜の材料を供給されるだけの系と、内部の構成要素の産出過程によって境界を維持する系では、組織の成立条件が異なる。

この違いを構造振動モデルへ接続する場合、構造 \(S_t\) をノード、関係、重みの組として表現できる。

\[
S_t=(V_t,E_t,W_t)
\]

生命体については、ノードを分子種、反応過程、膜の構成要素などへ対応させ、エッジを物質変換、輸送、触媒作用などの関係へ対応させることが考えられる。

この場合、個々の構成要素が入れ替わっても、必要な反応経路や境界維持の関係が継続していれば、組織の持続を表現できる。

ただし、あるグラフ構造が一定の形を保っていることだけでは、その系がオートポイエーシスを満たすとは限らない。グラフの接続関係が維持されていても、構成要素の産出や境界の再形成が系自身によって行われているとは限らないためである。

例えば、外部の装置によって部品を定期的に交換される機械では、機能的な関係構造が長期間維持される場合がある。しかし、その維持が外部の管理者によって実行されているなら、構成要素を自ら産出する組織として成立しているとは限らない。

また、結晶の成長では、外部の条件によって規則的な構造が形成される。結晶は秩序ある構造を持ち、成長によって構成要素が追加される場合もあるが、そのことだけで代謝、境界の自己産出、修復の循環が成立するとはいえない。

このように、秩序ある構造の形成、構造の持続、構成要素の自己産出は、異なる条件として扱う必要がある。

生命組織の維持を数学的に表す場合、まず組織の状態 \(X_t\) を定義し、その状態が生存可能な領域に保たれるかを検討できる。

\[
X_t\in\mathcal K_L
\]

ここで \(\mathcal K_L\) は、生命組織として必要な機能や条件が維持される状態の集合を表す。例えば、内部の物質濃度、エネルギーの利用可能性、膜の状態、代謝機能などについて、許容できる範囲を定義することが考えられる。

ただし、こうした状態集合が定義できることと、組織が自己産出的であることは異なる。生命組織のモデルでは、必要な構成要素の供給や境界維持が、どのような内部過程によって実現されるかを追加して記述する必要がある。

14.4 生命の自己産出と単なる構造維持の区別

生命組織が維持される条件を、状態の不変性として考える。組織の状態を \(X_t\)、維持に使用できる制御入力を \(u_t\)、外乱を \(w_t\) とし、次状態を次の写像で定義する。

\[
X_{t+1}=F(X_t,u_t,w_t)
\]

ここで \(F\) は状態更新写像である。例えば、物質の流入、代謝による消費、熱や環境条件による負担などを、状態更新の要因として含めることができる。

生存可能な状態の集合を \(\mathcal K_L\)、利用可能な制御入力の集合を \(\mathcal U\)、想定する外乱の集合を \(\mathcal W\) とする。

現在の状態が生存可能領域に存在するとき、適切な制御入力を選ぶことで、任意の許容外乱のもとでも次状態を生存可能領域へ保てるかを考える。

\[
X_t\in\mathcal K_L,\qquad
\exists u_t\in\mathcal U\
\forall w_t\in\mathcal W:
F(X_t,u_t,w_t)\in\mathcal K_L
\]

この式は、現在の状態 \(X_t\) について、一段階先の状態を生存可能領域へ維持する制御入力が存在するという条件を表す。

さらに、領域全体について維持可能性を要求する場合には、次のように表せる。

\[
\forall X\in\mathcal K_L,\
\exists u\in\mathcal U,\
\forall w\in\mathcal W:
F(X,u,w)\in\mathcal K_L
\]

この式では、生存可能領域の任意の状態から、許された外乱に対して次状態を同じ領域へ保つ制御入力が存在することを要求している。これは離散時間系におけるロバストな制御不変性の条件に対応する。

ただし、制御入力を選ぶ時点で外乱の値を知っているとは仮定していない。そのため、量化の順序は、制御入力の選択が先であり、その入力が許容するすべての外乱に対して条件を満たすという形になっている。

例えば、生命組織が利用できるエネルギーの蓄積量を \(m_t\) とする。外部から取り入れるエネルギーを \(u_t\)、維持活動によって消費するエネルギーを \(c\)、外乱によって追加的に失われるエネルギーを \(w_t\) とする。

この場合、最小限の離散時間モデルは次のようになる。

\[
m_{t+1}=m_t+u_t-c-w_t
\]

ここで、利用可能なエネルギー蓄積量を 0 から 10 までとし、維持活動の消費量を \(c=2\) とする。また、取り込み可能なエネルギーを \(0\leq u_t\leq3\)、外乱による損失を \(0\leq w_t\leq1\) とする。

\[
\begin{aligned}
\mathcal K_L&=[0,10],\\
\mathcal U&=[0,3],\\
\mathcal W&=[0,1].
\end{aligned}
\]

この条件で、生存可能領域を維持する制御入力の規則を考える。例えば、蓄積量が小さい場合にはエネルギーの取り込みを増やし、蓄積量が大きい場合には取り込みを抑制する。

具体例として、次の制御規則を定義する。

\[
u(m)=
\begin{cases}
3,&0\leq m\leq2,\\
2,&2<m<8,\\
0,&8\leq m\leq10.
\end{cases}
\]

蓄積量が 0 から 2 までの場合、取り込み量は 3 となる。したがって、次状態は次のようになる。

\[
m_{t+1}=m_t+1-w_t
\]

外乱が 0 から 1 までの範囲にあるため、この場合には次状態は \(m_t\) から \(m_t+1\) の範囲にあり、0 から 10 の生存可能領域を外れない。

蓄積量が 2 より大きく 8 より小さい場合には、取り込み量を 2 とする。したがって、次状態は次のようになる。

\[
m_{t+1}=m_t-w_t
\]

この場合、次状態は \(m_t-1\) から \(m_t\) の範囲にあり、生存可能領域を維持する。

蓄積量が 8 以上の場合には、取り込み量を 0 とする。次状態は次のようになる。

\[
m_{t+1}=m_t-2-w_t
\]

この場合、次状態は \(m_t-3\) から \(m_t-2\) の範囲にある。初期値が 8 から 10 までであれば、次状態は 5 から 8 までの範囲に入り、生存可能領域を外れない。

したがって、この単純なモデルでは、定義した制御規則によって、許容外乱のもとでエネルギー蓄積量を生存可能領域へ維持できる。

ただし、この結果だけで生命の自己産出が説明されたことにはならない。このモデルでは、エネルギーの取り込みと消費を制御しているが、取り込みを実現する装置や組織が、系自身の構成要素として産出・修復されているかを記述していないためである。

例えば、外部の管理装置によってエネルギーが適切に供給される機械でも、同じ制御不変性を満たす可能性がある。そのため、生存可能領域を維持できることは、オートポイエーシスの十分条件ではない。

生命の自己産出を記述するには、代謝に必要な構成要素、境界を維持する構成要素、それらを産出する過程の関係を追加して定義する必要がある。

例えば、境界を維持する構成要素の量を \(b_t\)、内部の産出過程の活動を \(r_t\) とすると、境界の構成要素が次のように更新されるモデルを考えられる。

\[
b_{t+1}
=
b_t+p(r_t)-d(b_t,C_t)
\]

ここで \(p(r_t)\) は内部過程による構成要素の産出、\(d(b_t,C_t)\) は分解や環境条件による損失を表す。

この式では、境界の維持が、内部の産出過程に依存している。一方、内部の産出過程が境界によって維持される環境を必要とするなら、次のような関係を追加できる。

\[
r_{t+1}
=
R(r_t,b_t,C_t)
\]

この二つの更新式によって、内部過程が境界を維持し、境界が内部過程の成立条件を維持するという循環を表現できる。

ただし、この形式もオートポイエーシスの成立を自動的に証明するものではない。構成要素の産出過程と境界の実現が、モデル上で実際にどのような物質的な関係を持つかを検証する必要がある。

生命組織の維持条件を考える際には、制御不変性、構成要素の自己産出、境界の形成、環境との物質・エネルギー交換を区別して扱う必要がある。

14.5 情報統合と意識的経験

意識を情報処理の観点から記述する場合、情報を処理する能力、複数の情報を統合する能力、処理結果を報告できること、第一人称的な経験が成立することを区別する必要がある。

例えば、ある装置が複数のセンサーから情報を受け取り、周囲の状態を推定し、適切な行動を選択する場合を考える。この装置には、情報の取得、統合、状態更新、行動選択という機能が存在する。

しかし、これらの機能が存在することだけで、その装置に第一人称的な経験が成立しているとは結論できない。情報処理の機能と、経験の成立についての理論的な条件を区別する必要があるためである。

Tononi は、意識を情報の統合という観点から説明する理論を提案した[31]。情報統合理論では、系がどの程度の情報を統合できるか、またその統合が部分系の独立した処理へ還元できるかという問題を扱う。既稿「意識の定義を数理モデルで記述する」では、情報の統合、自己参照、状態更新を結びつけた意識の操作的なモデルを定義した[32]。

この理論では、統合された情報を表す量として \(\Phi\) が導入される。ただし、\(\Phi\) は一般的な通信量や単純な相互情報量と同じ定義ではない。理論の版や形式化に応じて、因果的な状態空間、系の分割、統合された情報の評価方法が指定される。

例えば、二つの変数 \(X,Y\) の統計的な依存関係を測る量として、相互情報量を考える。

\[
I(X;Y)
=
\sum_{x,y}
P(x,y)
\log
\frac{P(x,y)}{P(x)P(y)}
\]

ここで相互情報量は、二つの変数が統計的にどの程度依存しているかを表す。独立な場合には相互情報量はゼロになる。

しかし、相互情報量が大きいことは、情報統合理論で定義される統合情報量 \(\Phi\) が大きいことを直ちに意味しない。相互情報量は変数間の統計的な依存関係を測る量であり、統合情報量では系全体の因果的な構造と、その部分への分解可能性が問題になるためである。

例えば、ある二つの記録変数が、同じ外部信号を複製して保持している場合を考える。このとき、二つの変数は完全に相関する可能性がある。しかし、その相関が共通の入力によって生じているだけなら、二つの構成要素が相互に因果的な作用を持つとは限らない。

したがって、情報が共有されていることと、系全体として不可分な因果的構造を持つことを区別する必要がある。

Tononi の理論は、意識の量と質を情報の統合構造に対応づける仮説を含む。ただし、その対応を経験的に評価するには、神経活動、行動報告、意識状態の変化などとの関係を調べる必要がある。

例えば、覚醒時と深い睡眠時では、同じ外部刺激が与えられても、報告能力や神経活動の相互作用が異なる場合がある。このような違いは、意識の成立条件を検討する手掛かりになる。

しかし、報告能力が低下したことだけで、第一人称的な経験が完全に消失したと断定することはできない。報告を生成する機能の低下と、経験そのものの成立は、異なる測定対象だからである。

また、情報統合量に対応する指標が計算できたとしても、その値だけから特定の経験内容や質的な側面が実証されたことにはならない。理論が定義する量と、実験で取得できる観測量の対応を検証する必要がある。

14.6 情報統合と意識的アクセスの差

意識的な経験を検討するときには、情報が処理されていることと、その情報を主体が報告や判断に利用できることを区別する必要がある。

例えば、視覚刺激が提示された場合、神経系がその刺激に反応し、後続の行動へ影響する可能性がある。しかし、その刺激を本人が明示的に報告できるとは限らない。

このような場合、情報の処理と、意識的なアクセスを同じ条件として扱うことはできない。

情報処理の結果が後続の判断や行動へ利用可能であることを、機能的なアクセスとして定義できる。例えば、刺激に関する情報が、別の質問への回答や行動選択に利用される場合、その情報は何らかの処理経路を通じて利用可能になっている。

一方、意識的アクセスを検証する場合には、本人が刺激を認識したと報告できるか、刺激について比較判断を行えるかなど、より具体的な操作を定義する必要がある。

例えば、ある刺激について、識別課題では正答率が偶然水準を上回っていても、本人が刺激を見たと報告できない場合を考える。この結果だけから、識別を支える処理と主観的な経験がどのように対応しているかを確定することはできない。

ここで、刺激を識別する能力、刺激に関する情報を利用する能力、本人が経験を報告する能力を、別々の測定量として扱うことができる。

例えば、刺激条件を \(s\)、識別回答を \(Y_{\mathrm{disc}}\)、経験報告を \(Y_{\mathrm{report}}\) とすると、それぞれの条件付き分布を測定できる。

\[
\begin{aligned}
P(Y_{\mathrm{disc}}\mid s),\\
P(Y_{\mathrm{report}}\mid s).
\end{aligned}
\]

この二つの分布が一致するとは限らない。識別処理が維持されていても報告が変化する場合や、報告の基準が変更されても識別能力が維持される場合があるためである。

また、経験報告は、実際の経験だけでなく、注意、記憶、言語化、報告基準などの過程にも依存する。したがって、経験報告の変化を経験そのものの変化へ直接対応づけるには、追加の仮定が必要になる。

Tononi の情報統合理論では、意識の成立を、単なる報告能力ではなく、系の統合された因果的な構造と関係づける[31]。この立場では、報告できるかどうかだけで意識の有無を決めるのではなく、系がどのような情報統合の構造を持つかを問題にする。

ただし、情報統合量の計算と、第一人称的な経験の実証を同じ操作として扱うことはできない。情報統合量は理論上の定義に基づく数理量であり、経験についての主張には、その数理量と実際の経験との対応に関する理論的・経験的な根拠が必要になる。

このため、意識を検討する際には、情報の処理、情報の統合、意識的なアクセス、経験の質的な側面を、異なる成立条件として扱う必要がある。

14.7 クオリアの生成機構と持続

クオリアを数理モデルによって扱う場合、経験の内容と、その経験がどの程度成立しているかを区別する方法がある。既稿「クオリアの成立と持続を構造の更新から捉える」では、経験内容 \(Y_t\) と経験成立度 \(Q_t\) を分け、経験表現を次のように定義した[33]。

\[
\Omega_t=Q_tY_t
\]

ここで \(\Omega_t\) は経験を表すモデル上の変数である。\(Y_t\) は経験内容、\(Q_t\) は経験成立度を表す。この形式では、経験内容と経験成立度を異なる変数として扱い、その組合せによって経験表現を構成する。

例えば、経験内容 \(Y_t\) を一定とした場合でも、成立度 \(Q_t\) が変化すれば、経験表現 \(\Omega_t\) は変化する。

一方、成立度 \(Q_t\) が一定であっても、経験内容 \(Y_t\) が変化すれば、経験表現は変化する。

このように、経験表現の変化を、内容の変化と成立度の変化へ分けて記述できる。

ただし、この数式は経験を説明するためのモデル上の定義であり、主観的な経験を直接測定できることを意味するものではない。

例えば、\(Y_t\) をベクトルとして表す場合、その各成分がどのような経験内容に対応するかを定義する必要がある。また、\(Q_t\) を数値として扱う場合には、その値をどのような観測量や実験条件と対応づけるかを検討する必要がある。

さらに、経験表現 \(\Omega_t\) が同じ値を取ることと、実際の主観的経験が同一であることは区別される。

例えば、次の二つの組を考える。

\[
\begin{aligned}
Q^{(1)}&=0.5,
&
Y^{(1)}&=
\begin{pmatrix}
2\\
0
\end{pmatrix},\\
Q^{(2)}&=1,
&
Y^{(2)}&=
\begin{pmatrix}
1\\
0
\end{pmatrix}.
\end{aligned}
\]

この場合、経験表現はどちらも同じ値になる。

\[
\begin{aligned}
\Omega^{(1)}
&=
0.5
\begin{pmatrix}
2\\
0
\end{pmatrix}
=
\begin{pmatrix}
1\\
0
\end{pmatrix},\\
\Omega^{(2)}
&=
1
\begin{pmatrix}
1\\
0
\end{pmatrix}
=
\begin{pmatrix}
1\\
0
\end{pmatrix}.
\end{aligned}
\]

この数値例では、経験内容と成立度の組が異なっていても、積として得られる経験表現は一致する。

したがって、\(\Omega_t\) だけを観測できると仮定しても、そこから \(Q_t\) と \(Y_t\) を一意に復元できるとは限らない。

ただし、ここで示したのは、モデルの数式が持つ識別不能性である。二つの経験表現が一致したことから、実際の主観的経験が同一であると結論するものではない。

さらに、関係構造が更新されても経験表現が維持される場合が考えられる。例えば、経験内容を生成する複数の処理経路が存在し、一部の関係が変化しても、別の経路によって同じ出力が生成される場合である。

一方、関係構造が大きく変化していなくても、内部状態や環境条件の変化によって、経験内容や成立度が変化する場合がある。

この区別は、構造の持続と経験の持続を同一視しないために重要になる。構造の変化量を測定できたとしても、その変化量が経験の質的な変化と一対一に対応するとは限らない。

Nagel は、ある生物であるとはどのような経験なのかという問いを通じ、第一人称的な経験の問題を論じた[34]。この議論では、第三人称から観測可能な物理的事実と、その主体にとっての経験の性質との関係が問題になる。

したがって、経験内容と成立度を数理モデルへ導入することは、経験の変化を記述するための一つの方法となる。しかし、その数理変数が第一人称的な経験のすべてを同定できるかどうかは、別の検証対象として残る。

14.8 クオリアの表現と経験成立度の時間更新

経験表現を時間的に扱う場合、経験内容 \(Y_t\) と経験成立度 \(Q_t\) の双方を、時刻によって変化する量として定義できる。

\[
\Omega_t=Q_tY_t
\]

ここで、経験成立度の更新を、現在の値と駆動項の加重平均として表す。既稿で使用した形式に従い、次の更新規則を考える[33]。

\[
Q_{t+1}
=
(1-\alpha)Q_t+\alpha q_t^*
\]

ここで \(\alpha\) は更新係数、\(q_t^*\) は経験成立度を変化させる駆動項である。更新係数を \(0\leq\alpha\leq1\) とすると、次状態は現在の値と駆動項の間に位置する。

例えば、\(Q_t\) と \(q_t^*\) をいずれも 0 から 1 までの範囲にある量として定義する場合、この更新規則によって \(Q_{t+1}\) も同じ範囲に保たれる。

この性質は、次の不等式から確認できる。

\[
0\leq Q_t\leq1,\quad
0\leq q_t^*\leq1
\Longrightarrow
0\leq Q_{t+1}\leq1
\]

更新係数 \(\alpha\) が 0 の場合、経験成立度は変化しない。

\[
\alpha=0
\Longrightarrow
Q_{t+1}=Q_t
\]

一方、\(\alpha=1\) の場合には、次状態が駆動項と一致する。

\[
\alpha=1
\Longrightarrow
Q_{t+1}=q_t^*
\]

\(0<\alpha<1\) の場合には、現在の値と駆動項の間を段階的に更新する。

具体例として、初期値 \(Q_0=0.4\)、更新係数 \(\alpha=0.5\)、駆動項 \(q_t^*=0.8\) を考える。

\[
Q_0=0.4,\qquad
\alpha=0.5,\qquad
q_t^*=0.8
\]

最初の更新では、次の値が得られる。

\[
\begin{aligned}
Q_1
&=(1-0.5)\cdot0.4+0.5\cdot0.8\\
&=0.2+0.4\\
&=0.6.
\end{aligned}
\]

次の更新では、\(Q_1=0.6\) を使用する。

\[
\begin{aligned}
Q_2
&=0.5\cdot0.6+0.5\cdot0.8\\
&=0.3+0.4\\
&=0.7.
\end{aligned}
\]

さらに更新すると、次の値になる。

\[
\begin{aligned}
Q_3
&=0.5\cdot0.7+0.5\cdot0.8\\
&=0.35+0.4\\
&=0.75.
\end{aligned}
\]

このように、駆動項が一定の場合には、経験成立度がその値へ徐々に近づく。

一般に、\(q_t^*=q^*\) が一定である場合、更新式は次のように変形できる。

\[
Q_{t+1}-q^*
=
(1-\alpha)(Q_t-q^*)
\]

この漸化式を繰り返し適用すると、次の解が得られる。

\[
Q_t
=
q^*+(1-\alpha)^t(Q_0-q^*)
\]

\(0<\alpha\leq1\) の場合、\((1-\alpha)^t\) は時間とともにゼロへ近づくため、次の関係が成立する。

\[
\lim_{t\to\infty}Q_t=q^*
\]

これは、一定の駆動項に対して、経験成立度のモデル変数がその駆動項へ収束することを意味する。

ただし、この数式が示すのは、定義した更新規則に従う変数の時間発展である。この収束が、実際の主観的な経験の強度や質的な安定性を直接証明するわけではない。

次に、経験内容 \(Y_t\) を一定とした場合を考える。例えば、経験内容を固定したベクトル \(Y\) として表す。

\[
Y_t=Y
\]

この場合、経験表現は次のようになる。

\[
\Omega_t=Q_tY
\]

したがって、経験内容が同じでも、経験成立度が変化すると経験表現は変化する。

一方、\(Q_t\) が一定であっても、経験内容 \(Y_t\) が変化すれば経験表現は変化する。例えば、異なる刺激によって経験内容が変更される場合を考えられる。

これらの違いを整理すると、次のようになる。

変化の条件 経験内容 経験成立度 経験表現への影響
内容の変化 \(Y_t\) が変化する。 \(Q_t\) は一定である。 内容の変化に応じて \(\Omega_t\) が変化する。
成立度の変化 \(Y_t\) は一定である。 \(Q_t\) が変化する。 成立度の変化に応じて \(\Omega_t\) が変化する。
補償的な変化 \(Y_t\) が変化する。 \(Q_t\) も変化する。 二つの変化が補償され、\(\Omega_t\) が同じ値を保つ場合がある。
表現の維持 \(Y_t\) は一定である。 \(Q_t\) も一定である。 \(\Omega_t\) は一定となる。

この表は、数式上の経験表現がどの変数によって変化するかを整理したものである。実際の主観的な経験の内容や強度が、これらの変数によって直接測定できることを意味するものではない。

また、経験表現の変化と構造振動モデルにおける構造振幅も、同じ量ではない。構造振幅は関係構造の変化量であり、経験表現は経験内容と成立度の組合せによって定義される。

したがって、構造振幅が小さい場合でも、経験成立度や経験内容が変化すれば、経験表現は大きく変化する可能性がある。

逆に、関係構造の更新量が大きい場合でも、複数の経路の補償によって経験表現が維持される可能性がある。

この違いを検証するには、構造の更新、内部状態の変化、経験報告、行動指標などを別々に測定し、それらの対応を調べる必要がある。

Nagel が論じた第一人称的な経験の問題は、こうした数理モデルから得られる第三人称的な記述と、主体にとっての経験の質との間に残る説明上の問題を示している[34]。

したがって、経験成立度の時間更新を定義することは、経験の成立と持続を数理的に検討するための一つの方法である。しかし、それだけで主観的な経験の質が一意に同定されたことにはならない。

14.9 生命組織の維持と経験の持続を二つの動力学として書く

生命組織の維持と経験の持続を同じモデルで扱う場合、両者を一つの状態変数へ統合すると、異なる成立条件を区別しにくくなる。

例えば、生命組織が維持されていても、睡眠、麻酔、意識障害などによって、意識的な報告や経験に関係する機能が変化する場合がある。

このような違いを表現するため、生命組織の状態を \(L_t\)、経験成立度を \(Q_t\) とし、両者に異なる更新規則を与える。

生命組織の状態更新を、次のように定義する。

\[
L_{t+1}
=
F_L(L_t,C_t,u_t,w_t)
\]

ここで \(C_t\) は環境条件、\(u_t\) は維持に関わる制御入力、\(w_t\) は外乱である。この更新式では、生命組織が環境との相互作用を通じてどのように変化するかを表現する。

一方、経験成立度については、次の更新式を使用する。

\[
Q_{t+1}
=
(1-\alpha)Q_t+\alpha q_t^*
\]

ここで、駆動項 \(q_t^*\) がどの変数に依存するかによって、経験成立に関する異なる仮説を定義できる。

例えば、生命組織の維持状態を表す指標を \(\lambda(L_t)\) とし、経験成立度の駆動項が、その指標だけによって決まるモデルを考える。

\[
q_t^*
=
g(\lambda(L_t))
\]

この場合、経験成立度の変化は、生命組織の維持状態から計算される。生命組織の維持が経験成立度を決めるという強い対応関係を仮定したモデルである。

一方、生命組織の維持状態を複数の条件の一つとして扱うモデルも考えられる。例えば、内部認知状態 \(z_t\) と環境条件 \(C_t\) を追加して、次のように定義する。

\[
q_t^*
=
g(\lambda(L_t),z_t,C_t)
\]

この場合、生命組織の維持状態が同じであっても、内部状態や環境条件によって経験成立度が変化する可能性がある。

二つのモデルは、経験成立度をどの変数から生成するかという点で異なる。前者では、生命組織の維持状態が同じなら、同じ駆動項が得られる。一方、後者では、生命組織の維持状態が同じでも、内部状態や環境条件の違いによって駆動項が変化し得る。

この違いを、単純な数値例で確認する。生命組織の維持状態が一定であり、その指標が次の値を取るとする。

\[
\lambda(L_t)=0.8
\]

第一のモデルでは、駆動項がこの値と等しいとする。

\[
q_t^*=0.8
\]

初期経験成立度を \(Q_0=0.4\)、更新係数を \(\alpha=0.5\) とすれば、次状態は次のようになる。

\[
Q_1
=
0.5\cdot0.4+0.5\cdot0.8
=
0.6
\]

一方、第二のモデルでは、生命組織の維持状態が同じでも、内部状態や環境条件によって駆動項が 0.4 になる場合を考える。

\[
q_t^*=0.4
\]

この場合、次状態は次のようになる。

\[
Q_1
=
0.5\cdot0.4+0.5\cdot0.4
=
0.4
\]

この数値例では、生命組織の維持状態を同じ値に設定しても、駆動項の定義によって経験成立度の更新が異なる。

ただし、これらの値はモデルの違いを示すための仮想例であり、経験成立度を実際に測定した結果ではない。

また、生命組織の維持状態を表す指標 \(\lambda(L_t)\) を定義できたとしても、その指標が経験成立度とどのように関係するかを実証するには、追加の測定と介入が必要になる。

例えば、生命組織の維持条件を変更した場合に、経験報告や意識的なアクセスに関わる機能がどのように変化するかを調べる方法が考えられる。

ただし、生命組織の維持条件へ介入する場合、その介入が認知機能、注意、記憶、報告能力などへ同時に影響する可能性がある。したがって、経験成立度の変化を生命組織の維持状態の変化へ直接帰属することはできない。

このようなモデルでは、生命組織の維持を表す変数と、経験成立に関係する変数を分け、どの介入によってどの変数が変更されるかを明示する必要がある。

また、生命組織が維持されていることは、特定の意識内容や経験の質が維持されていることを意味しない。生命組織の維持、意識的なアクセス、経験内容、経験成立度は、異なる動力学を持つ可能性がある。

したがって、生命の自己維持を説明するモデルから、意識やクオリアの成立条件を直接導くことはできない。両者を接続するには、生命組織の状態と経験に関係する観測量の間に、検証可能な関係を定義する必要がある。

14.10 記憶と自己の連続性

自己の連続性を考える場合、同じ主体が時間を通じて存続していることと、その主体が過去の記憶を利用できることを区別する必要がある。

例えば、過去の出来事を記憶している人は、その記憶を利用して現在の判断を行うことができる。しかし、過去の出来事を記憶していることだけで、現在の主体と過去の主体がどのような意味で同一であるかを完全に定義できるわけではない。

身体を構成する物質は時間とともに交換され、記憶内容も追加・修正される。それでも、個体としての組織や行動の連続性が維持される場合がある。

このような主体の連続性には、少なくとも身体的な組織、記憶の参照関係、自己モデル、行動の持続的な傾向、第一人称的な経験の連続性という異なる条件が関係する。既稿『自己を「構造」として定義し直す』では、固定した実体という見方とは区別して、関係構造の更新と自己同一性の問題を検討した[35]。

まず、記憶を保持する状態を \(M_t\) とし、入力や経験によって記憶が更新されるとする。

\[
M_{t+1}
=
F_M(M_t,I_t,O_t)
\]

ここで \(I_t\) は入力、\(O_t\) は観測結果、\(F_M\) は記憶の更新規則である。この式では、過去の入力や観測が記憶へ反映され、次の状態へ引き継がれる。

しかし、この更新式だけでは、記憶を保持する主体の同一性は定義されない。記憶内容が同じ二つの系が存在しても、それらを同じ主体として扱う必要はないためである。

例えば、同じ初期記憶 \(M_0\) を持つ二つの系 A と B を考える。両者が同じ記憶内容を保持していても、異なる物理的な場所に存在し、異なる環境と相互作用していれば、異なる履歴を形成し得る。

この場合、初期記憶が同じであることから、両者が一つの主体であるとは結論できない。

一方、同じ物理的な個体が時間とともに記憶を失った場合でも、そのことだけで個体の連続性が失われるとは限らない。

したがって、記憶内容の一致と、個体の連続性を同じ条件として扱うことはできない。

自己モデルについても同様である。自己モデルを、主体が自分自身の状態、行動、能力、過去の履歴について保持する内部表現として定義する場合、その自己モデルは経験や環境によって更新される。

例えば、自己モデルを \(R_t\) とし、記憶や現在の内部状態に基づいて更新するとする。

\[
R_{t+1}
=
F_R(R_t,M_t,z_t,O_t)
\]

この式では、自己モデルが過去の記憶、現在の内部状態、観測結果によって変更される。

ただし、自己モデルが存在することと、第一人称的な経験が成立することを同一視することはできない。自己に関する情報を処理する機能と、その主体にとって経験がどのように成立するかという問題は異なるためである。

例えば、自己モデルに「過去に A と回答した」という記録が保存されている場合、次に同じ質問を受けたとき、その記録を参照して以前と同じ回答を生成することができる。

この場合、回答再現性は記憶の参照によって説明できる。しかし、その再現性だけで、自己の連続性や第一人称的な経験の連続性が証明されたことにはならない。

また、量子認知モデルでも、過去の質問結果を状態更新へ反映することができる。しかし、量子状態や測定演算子を用いて回答履歴を表現できることから、主体の同一性についての必要十分条件が自動的に得られるわけではない。

主体の連続性をモデル化する場合には、記憶内容の保持、身体的な組織の維持、自己モデルの更新、行動の連続性を、それぞれ異なる観測可能な条件として扱う必要がある。

14.11 自己モデルと主体の同一性

自己モデルを持つ系と、時間を通じて同じ主体として存続する系を区別するため、同一性の判定条件を明示する必要がある。

例えば、二つの状態 \(X_t\) と \(X_{t+1}\) が存在するとき、それらが同じ主体の連続した状態であるかどうかを判定する関係を考える。

この関係を \(X_t\sim X_{t+1}\) と表す場合、その意味を定義する必要がある。例えば、同じ物理的な個体が時間を通じて維持されていること、組織の構成要素が連続して更新されていること、記憶や自己モデルに一定の連続性があることなど、複数の基準が考えられる。

しかし、これらの基準は同じものではない。身体的な連続性が維持されても、記憶や自己モデルが大きく変化する場合がある。反対に、記憶や自己モデルが似ていても、異なる物理的な系である場合がある。

この違いを、記憶の類似度による判定から考える。二つの記憶状態 \(M_a,M_b\) の類似度を \(s(M_a,M_b)\) とする。

\[
0\leq s(M_a,M_b)\leq1
\]

例えば、類似度が 0.9 以上であれば同じ主体とみなすという規則を仮定する。

\[
s(M_a,M_b)\geq0.9
\]

しかし、このような閾値だけで同一性を定義する場合、推移性が成立するとは限らない。

例えば、記憶状態 A と B の類似度が 0.95、B と C の類似度が 0.95 であっても、A と C の類似度が 0.85 になる場合がある。

\[
\begin{aligned}
s(M_A,M_B)&=0.95,\\
s(M_B,M_C)&=0.95,\\
s(M_A,M_C)&=0.85.
\end{aligned}
\]

この場合、閾値 0.9 による規則では、A と B は同じ主体と判定され、B と C も同じ主体と判定される。しかし、A と C は同じ主体とは判定されない。

したがって、単純な類似度の閾値によって同一性を定義すると、同一性の関係として期待される推移性が失われる場合がある。

この問題は、主体の同一性を、現在の状態同士の類似度だけで定義することの限界を示している。

時間を通じた主体の連続性を考える場合には、隣接時点の状態がどのような更新過程で結びついているかを含めて検討する必要がある。

例えば、物理的な個体の構成要素が交換されても、組織としての機能や境界が継続している場合には、その更新過程を個体の連続性の判断材料として扱うことができる。

一方、同じ記憶情報を別の系へ複製した場合には、記憶内容が一致していても、物理的な組織の連続性は別に検討する必要がある。

また、自己モデルが過去の主体について正確な情報を保持していても、その情報を保持することと、第一人称的な経験が時間を通じて連続していることは異なる。

このような違いを整理すると、自己に関する少なくとも四つの条件を区別できる。

条件 対象となる性質 検証できる内容 それだけでは確定しない内容
身体的な連続性 個体を構成する組織が時間を通じて維持される。 組織の形成、修復、構成要素の交換を追跡できる。 記憶内容や主観的経験が同じであるとは限らない。
記憶の連続性 過去の出来事に関する情報が後続の状態へ引き継がれる。 過去の情報を現在の判断へ利用できるかを測定できる。 記憶が一致することだけで個体の同一性は確定しない。
自己モデルの連続性 自分自身についての内部表現が更新されながら維持される。 自己に関する報告や行動の一貫性を評価できる。 自己モデルの存在だけで第一人称的経験は確定しない。
経験の連続性 主体にとっての経験が時間を通じてどのように成立するかを扱う。 経験報告や関連する機能の時間変化を調べられる。 第三人称的な記録だけで経験の質的連続性を一意に同定できるとは限らない。

この表では、身体、記憶、自己モデル、経験を異なる対象として扱っている。実際の主体では、これらの性質が相互に関係している可能性があるが、そのことから同じ成立条件へ還元できるわけではない。

例えば、身体的な組織が維持されながら、記憶内容が変化する場合を考える。この場合、記憶の連続性が完全ではなくても、個体の組織的な連続性は維持されている可能性がある。

反対に、同じ記憶を持つ二つの系が存在する場合、その記憶の一致だけで一つの主体と判定することはできない。

また、自己モデルが時間を通じて更新されることと、その更新が第一人称的な経験の連続性を保証することも異なる。自己モデルは、内部状態や過去の出来事を記述する機能的な変数として定義できるが、経験の質的な側面との対応は別に検討する必要がある。

このように、主体の同一性は、単一の記憶変数や状態更新式だけでは確定しない。どの連続性を同一性の条件として採用するかを明示する必要がある。

時間、生命、意識、クオリア、自己を比較すると、いずれにも状態更新や履歴形成という一般的な形式を適用できる。しかし、それぞれの成立条件は異なる。

対象 一般的に共有する性質 追加される成立条件 観測・検証の対象
時間 状態更新の順序や履歴を定義できる。 物理的な時間の非対称性を扱うには、力学、環境との相互作用、散逸などの条件が必要となる。 前進・反転過程の確率、仕事分布、エントロピー生成を調べる。
生命 状態と関係構造が更新される。 境界、代謝、構成要素の自己産出、修復の循環などが必要となる。 組織の維持、構成要素の交換、産出過程と境界の関係を調べる。
意識 情報処理や状態の統合を記述できる。 意識的アクセスや経験の成立を、情報処理との関係として定義する必要がある。 報告、行動、神経活動、情報統合に関係する指標を調べる。
クオリア 経験内容や成立度を時間変数として表現できる。 数理変数と第一人称的な経験の質との対応を明らかにする必要がある。 経験報告、関連する機能、構造更新との対応と識別可能性を検証する。
自己 履歴、記憶、自己参照を利用できる。 身体、記憶、自己モデル、経験の連続性について同一性の基準を定義する必要がある。 個体の連続性、記憶更新、自己モデルの変化、経験報告を比較する。

この比較から、状態更新という一般的な数理形式を共有していることと、同じ物理的・認知的な成立機構を持つことは異なると分かる。

例えば、生命組織が自己維持することと、意識的な経験が成立することは、同じ状態更新式だけでは説明できない。生命組織の維持を記述できたとしても、経験の成立条件を導くには追加の理論的な関係が必要になる。

同様に、経験内容や成立度の時間更新を定義できたとしても、その数式だけから主体の同一性が導かれるわけではない。主体の連続性については、身体、記憶、自己モデル、第一人称的経験の関係を別途検討する必要がある。

量子認知モデルについても、判断確率を量子状態や測定演算子によって表現できることと、生命、意識、クオリア、自己の成立条件を説明できることは異なる。

量子確率が特定の認知判断の予測に有効であったとしても、そのことだけで生命の自己産出、意識的な経験、主体の同一性についての十分条件が得られるわけではない。

これらの領域を接続する場合には、共通する数理構造を明示したうえで、各領域に固有の状態変数、観測量、因果機構を区別する必要がある。

したがって、時間、生命、意識、クオリア、自己の成立を、一つの一般的な状態更新原理へ還元することはできない。状態更新や履歴形成は共通する記述形式となるが、それぞれの成立には異なる追加条件が必要となる。これらの条件を独立に定義し、対応する観測と介入によって検証することが、各領域を数理的に接続するための基礎となる。


15. 思考と量子力学の接続に必要な条件を確定する

15.1 古典的な反例によって否定される必然性

思考が複数の可能性を保持し、証拠に応じて判断を更新し、最終的に一つの回答を生成するという過程は、量子力学だけに固有のものではない。古典確率でも、複数候補を確率分布として保持し、新しい証拠に応じて分布を更新し、その分布から判断を選択できる。

第 2 章のベイズ更新の例では、二つの仮説 \(h_1,h_2\) に事前確率 \(p_0(h_1)=0.6\)、\(p_0(h_2)=0.4\) を割り当て、証拠 \(e\) の尤度を \(P(e\mid h_1)=0.8\)、\(P(e\mid h_2)=0.2\) とした。この条件で更新すると、事後確率は次のようになる。

\[
p_1(h_1)=\frac67\approx0.8571,\qquad p_1(h_2)=\frac17\approx0.1429
\]

最大事後確率の仮説を選ぶ規則では \(h_1\) が選択される。結果と証拠を履歴へ追加すれば、候補の保持から判断の記録までを古典的な確率モデルで構成できる。

ここで使用したのは、通常の確率測度、条件付き確率、ベイズ更新、決定規則である。複素確率振幅、ユニタリー演算子、量子測定の射影演算子は必要としていない。

また、複数候補を保持した状態から一つの回答を出力することは、内部状態に保持された情報が物理的にすべて消去されることを意味しない。モデルは、候補の確率分布を保持したまま、選択結果だけを別の変数へ記録できる。

判断の記録に不可逆な物理過程が必須であるという推論についても、論理的な記録操作と物理的な実装を区別する必要がある。古典的なビット操作だけでも、情報を失わない可逆な写像によって、ある値を別のビットへ記録できる。

例えば、情報を持つビットを \(s\)、記録先のビットを \(m\) とする。二つのビットへ、次の操作を適用する。

\[
(s,m)\longmapsto(s,m\oplus s)
\]

ここで \(\oplus\) は排他的論理和である。この操作では、元のビット \(s\) を保持したまま、記録先のビット \(m\) を更新する。

記録先が初期値 0 であれば、次のようになる。

\[
(s,0)\longmapsto(s,s)
\]

したがって、最初のビットの情報を保持しながら、二番目のビットへ同じ値を記録できる。この写像は、もう一度同じ操作を適用すると元の二つのビットへ戻る。

\[
(s,m\oplus s)
\longmapsto
(s,(m\oplus s)\oplus s)
=
(s,m)
\]

このため、写像は可逆である。古典的な論理演算であっても、情報を保持する可逆な記録操作を構成できる。

ただし、この数学的な可逆性から、現実の記録装置が散逸なしに動作することまで保証されるわけではない。物理的な装置では、制御、準備、熱環境、誤り訂正などの条件が関係する。可逆な論理操作が存在するという主張と、その操作を実際にどの程度のエネルギー散逸で実行できるかという問題は別である。

さらに、質問の順序によって回答が変化することも、古典的な状態遷移によって表現できる。例えば、内部状態を二値変数 \(z\in\{0,1\}\) とし、質問 A と質問 B に対して、次の回答規則と更新規則を定義する。

\[
\begin{aligned}
r_A(z)&=z,&T_A(z)&=0,\\
r_B(z)&=z,&T_B(z)&=1.
\end{aligned}
\]

ここで \(r_A,r_B\) は質問への回答を生成する規則、\(T_A,T_B\) は回答後の状態更新規則である。どちらの質問も現在の状態 \(z\) を回答として返すが、質問 A の後には状態を 0 へ、質問 B の後には状態を 1 へ更新する。

初期状態を \(z=0\) とし、A→B の順で質問すると、A への回答は 0 となり、A の後も状態は 0 である。続く B への回答も 0 となる。

\[
A\to B:
\qquad
(r_A,r_B)=(0,0)
\]

一方、B→A の順では、最初の B への回答は 0 だが、その後の内部状態は 1 になる。続く A への回答は 1 となる。

\[
B\to A:
\qquad
(r_B,r_A)=(0,1)
\]

したがって、質問 A への回答は、A を先に尋ねた場合には 0、B を先に尋ねた場合には 1 となる。このモデルは確率的な揺らぎさえ含まない決定論的な古典モデルである。それでも、質問順序効果が成立する。

この例は、実際の人間の質問順序効果を十分に説明する認知モデルとして提示したものではない。順序依存性の存在だけでは、量子確率が数学的に必須であるとは導けないことを示す反例である。

以上の三つの構成によって、複数候補の保持と更新、一つの判断の記録、質問順序による回答の変化は、いずれも古典的な規則の中で実現可能であることが確認できる。

したがって、「可能性を保持し、判断を確定し、その履歴を残す」という一般構造から、量子力学の数学的な必要性を導くことはできない。

15.2 古典的反例が否定する命題の範囲

古典的な反例によって否定されるのは、思考に見られる一般的な性質が、量子力学の数学的構造を必然的に要求するという命題である。これは、量子認知モデルが無効であるという主張とも、量子力学が認知の物理的基盤に関与しないという主張とも異なる。

この違いを論理的に整理する。思考過程が、複数候補の保持、状態更新、判断の選択、履歴形成という性質を満たすことを \(P\) とする。また、その過程を記述するために量子力学固有の確率構造が必要であることを \(Q\) とする。

一般的な必然性の主張は、次の含意として表せる。

\[
P\Longrightarrow Q
\]

しかし、前節では \(P\) を満たしながら、通常の古典確率や決定論的な状態更新だけで構成できるモデルを示した。したがって、\(P\) という条件だけから \(Q\) を導くことはできない。

この否定は、量子モデルによって \(P\) を記述できないという意味ではない。量子モデルも複数の判断候補、測定、状態更新を記述できる。問題は、量子モデルによって記述できるという事実と、量子モデル以外では記述できないという事実が異なることである。

ある現象を量子確率で表現できるという主張は、量子確率モデルの存在を示す。一方、その現象に量子確率が必要であるという主張には、比較対象となる古典モデルのクラスを定義し、そのクラスでは現象を説明できないことを示す追加の条件が必要になる。

例えば、単純な二値のベイズ更新モデルでは再現できない回答分布が観測されたとしても、その結果だけで古典的な確率モデル全体を棄却することはできない。古典モデルに、隠れ状態、記憶、質問に応じた状態更新、履歴依存性を追加すれば、別の回答分布を生成できる場合があるためである。

反対に、古典モデルの自由度を無制限に増やせば、有限の回答履歴を記録し、観測された回答列を再現するモデルを構成しやすくなる。しかし、そのようなモデルが未使用の質問列へ有効な予測を与えるとは限らない。

したがって、量子認知モデルと古典認知モデルを比較する場合、単にあるデータを再現できるかどうかだけでなく、どの共通条件から、どの未使用データへ予測を与えられるかを検証する必要がある。

この区別は、物理学における量子理論の必要性を評価する場合にも成立する。例えば、ベル不等式は、すべての古典的な確率計算を排除するものではない。局所的な隠れ変数モデルに対し、測定設定の独立性などの条件を加えた場合に成立する相関の制約を与える。

CHSH 型の実験では、二つの測定場所でそれぞれ二種類の設定を選び、二値の測定結果から四つの相関を計算する。局所的な隠れ変数モデルが所定の条件を満たす場合、次の上限が成立する。

\[
S=E_{00}+E_{01}+E_{10}-E_{11},
\qquad
|S|\leq2
\]

量子理論では、エンタングルした状態と適切な測定設定によって、この上限を超える相関を予測する。

\[
|S|=2\sqrt2
\]

この違いは、特定の局所的な隠れ変数モデルと量子理論の間に、実験で検証可能な予測差があることを示す。ベル不等式違反の実験は、そのようなモデルの仮定の組へ制約を与えている[3][5]。

ただし、ここで排除されるのは、所定の局所性や測定設定の独立性などを満たす隠れ変数モデルである。あらゆる古典的な確率モデルが、同じ条件のもとで排除されるという意味ではない。

また、認知実験における質問順序効果は、通常、空間的に分離された二つの物理系の測定相関ではない。質問 A と B を同じ被験者へ連続して提示する場合、最初の質問が後続の内部状態へ影響することは実験設計に含まれている。

したがって、質問順序効果を観測したという事実から、物理的なベル不等式の違反を測定したと結論することはできない。認知実験について同様の相関制約を検討する場合には、測定内容、文脈、状態更新、同時測定可能性、確率変数の対応関係を別に定義する必要がある。

量子理論の操作的な再構成についても同様である。Chiribella らの研究では、因果性、完全識別可能性、理想的圧縮、局所識別可能性、純粋条件付け、純化原理といった条件から、有限次元の量子理論の構造を導いている[6]。

この結果は、特定の操作的な公理を満たす理論がどのような数学的構造を持つかを明らかにする。しかし、人間が複数の仮説を考えることや、判断を更新することだけから、これらの公理が成立するとは導かれない。

例えば、純化原理は、混合状態を複合系の純粋状態として表現できることに加え、その純化の本質的一意性を要求する。単に未知の情報が存在することや、複数の候補を想定できることでは、この条件を満たしたことにはならない。

したがって、思考から量子理論の必然性を導くには、思考過程へ対応する操作的な定義を与え、それらが量子理論を特徴づける追加条件を満たすことを示す必要がある。

一般的な状態更新構造だけでは必然性を導けないという結論は確定する。一方、具体的な認知現象が量子確率によってどの程度正確に記述できるか、量子確率モデルが古典モデルより高い予測性能を持つか、神経系に特定の物理的な量子機構が必要かという問題は、それぞれ独立した検証対象として残る。

15.3 量子認知モデルに残る検証課題

量子認知モデルには、人間の判断に現れる特定の確率関係を、量子理論の数学的な形式から導くという研究上の成果がある。連言錯誤、選言効果、質問順序効果、回答再現効果などの現象は、その適用対象となる。

ただし、これらの現象は同一の確率制約を検証しているわけではない。連言錯誤では事象の包含関係、選言効果では条件付き確率と無条件確率の関係、質問順序効果では逐次回答の結合分布、回答再現効果では質問を繰り返した場合の条件付き確率が問題になる。

例えば、連言錯誤では、同じ確率空間上で事象 \(B\) と \(F\) を定義した場合、古典確率では次の不等式が成立する。

\[
P(B\cap F)\leq P(B)
\]

一方、選言効果に関する問題では、条件 \(G\) とその否定 \(\neg G\) が標本空間を分割するとき、全確率公式が成立する。

\[
P(A)
=
P(A\mid G)P(G)
+
P(A\mid\neg G)P(\neg G)
\]

認知実験で報告される判断確率がこれらの関係と異なる場合には、質問内容、判断基準、状態更新、条件の提示方法がどのように変化したかを検討する必要がある。

量子認知モデルでは、判断を測定演算子によって表現し、異なる質問による状態更新や、複素振幅の干渉を利用することで、これらの現象を記述できる場合がある[9][10]。

しかし、観測結果へ適合するように振幅や位相を自由に設定するだけでは、量子モデルに固有の予測が得られたことにはならない。干渉項の値を事後的に調整すれば、異なる回答確率へ適合できる場合があるためである。

量子確率の数学的な有効性を検証するには、ある条件の回答分布から推定した状態と演算子を、別の条件の予測へ使用する必要がある。

質問順序効果に関する QQ 等式は、そのような具体的な予測制約の例である。二つの二値質問 A と B を、同じ初期密度演算子から始まる逐次リューダース射影測定として表す場合、回答一致確率について次の関係が成立する。

\[
\begin{aligned}
&p_{AB}(Y,Y)+p_{AB}(N,N)\\
&\qquad=
p_{BA}(Y,Y)+p_{BA}(N,N).
\end{aligned}
\]

この等式は、質問順序効果そのものを禁止していない。A→B と B→A で個々の回答確率が異なっていても、指定した確率の和が一致することを要求している。

両辺の差を \(q\) と定義すると、次のようになる。

\[
\begin{aligned}
q={}&
p_{AB}(Y,Y)+p_{AB}(N,N)\\
&-
p_{BA}(Y,Y)-p_{BA}(N,N).
\end{aligned}
\]

単純な逐次射影測定モデルでは、所定の前提が成立する場合に \(q=0\) を予測する。したがって、モデルのパラメーターを個々の回答確率へ適合させるだけでなく、回答一致確率の和についても独立した制約を検証できる。

Wang らは、全国調査と実験データを使用し、質問順序効果が存在する一方で、QQ 等式に近い関係が観測されることを検討した[12]。

ただし、QQ 等式の成立は、量子確率以外のモデルをすべて排除する証拠ではない。古典的な状態更新モデルでも、適切な対称性や更新条件を課すことによって、同じ確率関係を実現できる場合がある。

一方、QQ 等式からの逸脱が観測された場合には、単純な逐次射影測定モデルの前提を確認する必要がある。例えば、質問間に追加情報が与えられた場合や、測定後状態の更新がリューダース則に従わない場合には、同じ演算子恒等式を適用できない可能性がある。

回答再現効果についても、測定後状態の更新規則が重要になる。質問 A に回答した後で B へ回答し、再び A を尋ねたとき、最初と最後の A への回答が再現されるかを調べる。

理想化された回答再現性は、最初と途中の回答が生じる確率が正である場合について、次の条件で表せる。

\[
P(A_3=a\mid A_1=a,B_2=b)=1
\]

単純な二値リューダース射影測定では、すべての初期状態と可能な回答列について完全な回答再現性を要求すると、質問 A と B の射影演算子に強い制約が生じる。非自明な質問順序効果と、両方向の完全な回答再現性を、同じ単純な測定規則で実現することはできない。

これに対して量子インストルメントでは、結果確率と測定後状態を完全正値写像によって記述するため、単純なリューダース射影測定には含まれない更新規則を構成できる[13]。

しかし、量子インストルメントを一般化すると、QQ 等式のような射影測定に固有の制約が、自動的には成立しなくなる。結果確率が同じであっても、測定後状態が異なれば、後続の質問に対する回答分布が変化するためである。

したがって、質問順序効果、回答再現効果、QQ 等式を同時に説明するには、どの状態更新写像を使用し、どの質問列で同じ写像を共有するかを明示する必要がある。

例えば、A→B と B→A の回答分布を使ってインストルメントを推定した場合、その推定結果を変更せずに、A→B→A や B→A→B の回答再現確率を計算する。さらに、質問間隔や質問文を変更した条件へ予測を与えることで、状態更新規則の一般性を検証できる。

モデルの比較では、古典的な状態更新モデルにも同様の条件を課す必要がある。古典モデルに履歴や隠れ状態を持たせる場合には、その状態数、更新規則、記憶の保持方法を明示し、同じ未使用の質問列を予測させる。

また、文脈依存性と数学的な文脈性を区別する必要がある。質問の文脈によって回答分布が変化することは、それだけで量子理論に固有の文脈性を意味しない。

Contextuality-by-Default では、同じ内容を異なる文脈で測定した確率変数を区別し、直接的な文脈効果を考慮したうえで、共通の結合分布に関する条件を検証する[18]。

例えば、四つの文脈からなる二値循環系では、次の不等式が非文脈性の判定条件となる。

\[
s_{\mathrm{odd}}(E_1,E_2,E_3,E_4)
\leq2+\Delta
\]

ここで \(E_i\) は各文脈で観測された相関、\(\Delta\) は同じ測定内容を異なる文脈で測定した際の周辺分布の違いを表す補正量である。この判定式は、四つの文脈からなる二値循環系に対応するものであり、任意の認知実験へ同じ形を適用できるわけではない。

数学的な文脈性の検出も、神経系で物理的なエンタングルメントが生じていることを直接意味しない。確定できるのは、定義した確率変数と文脈の組について、所定の非文脈的な結合条件が成立するかどうかである。

量子認知モデルの検証課題は、個別の認知現象を量子確率で表現できるかという段階にとどまらない。共通の状態空間、測定規則、状態更新を用いて、異なる課題に対してどのような確率制約を予測できるかを検証することが必要になる。

15.4 量子認知の固有な成果と残る比較対象

量子認知モデルの研究上の成果は、人間の判断に現れる確率的な特徴を、状態ベクトル、密度演算子、測定演算子、量子インストルメントなどの共通する数学的な道具によって記述できる点にある。

特に、質問順序効果に対する QQ 等式のように、特定の演算子構造から定量的な制約を導ける場合には、モデルの適合度だけでなく、予測された等式の成立を実験で評価できる。

また、量子インストルメントを利用すれば、回答結果の確率と測定後状態の更新を区別できるため、質問順序効果と回答再現効果を同じ枠組みで扱える。このことは、単純な射影測定モデルが持つ制約を具体的に調べるうえでも有効である。

一方、量子認知モデルが古典モデルより優れているかどうかは、何を比較対象とするかによって変化する。

例えば、連続時間マルコフ過程では、確率分布を生成行列 \(K\) によって更新する。

\[
\frac{d}{dt}p(t)=Kp(t)
\]

これに対し、量子型のランダムウォークでは、複素確率振幅をエルミート演算子 \(H\) によって時間発展させる。

\[
|\psi(t)\rangle=e^{-iHt}|\psi(0)\rangle
\]

両者は異なる数学的な制約を持つため、同じ初期状態や測定時刻について、異なる選択確率を予測する場合がある。

例えば、単純な対称二状態マルコフ過程では、初期状態から定常分布へ単調に近づく確率が得られる。一方、適切な二状態の量子ウォークでは、測定確率が時間とともに周期的に振動する。

ただし、この差は指定した二つのモデルについての予測差である。古典モデルの状態数や履歴依存性を拡張すれば、より複雑な時間依存性を表現できる。また、量子モデルも環境との相互作用を含めると、単純なユニタリー時間発展とは異なる挙動を示し得る。

したがって、振動する選択確率が観測されたことだけで、量子型の時間発展が唯一の説明であると結論することはできない。

Wang と Busemeyer は、公共サービス広告の評価課題について、同じ五つの自由パラメーターを持つ量子型モデルとマルコフ型モデルを比較した。その結果、量子型モデルが相対的に良好な適合を示した一方、両モデルとも飽和モデルとの比較では統計的に棄却されている[17]。

この結果は、指定された二つのモデルを比較した場合に、量子型モデルが相対的に優れていたことを示す。しかし、量子型モデルが観測データを十分に説明したことや、すべての古典モデルより優れていることを意味しない。

モデルの自由パラメーター数を同じにすることは、比較条件をそろえるための一つの方法である。ただし、パラメーター数が同じでも、状態空間の構造、許される時間発展、初期状態の設定方法が異なれば、モデルが表現できる確率分布の集合も異なる。

また、古典モデルの状態数を増やせば、観測された回答分布へ適合しやすくなる可能性がある。しかし、その分だけモデルの複雑さや自由度が増える場合には、同じデータへの適合度だけで比較することは適切ではない。

量子モデルについても同様である。状態空間の次元、測定演算子、測定後状態の更新写像を自由に増やせば、観測データへ柔軟に適合できる可能性がある。しかし、それによってモデル固有の予測制約が弱くなる場合がある。

そのため、モデルの評価では、学習用データへの適合度と、学習に使用していないデータへの予測性能を区別する必要がある。

例えば、学習用データから推定したパラメーターを \(\widehat\theta\) とし、未使用の回答データ \(D_{\mathrm{test}}\) に対する予測対数尤度を計算する。

\[
\ell_{\mathrm{test}}(M)
=
\sum_{r\in D_{\mathrm{test}}}
\log P(y_r\mid x_r,\widehat\theta,M)
\]

ここで \(M\) は比較対象のモデル、\(x_r\) は実験条件、\(y_r\) は観測された回答である。パラメーター \(\widehat\theta\) は学習用データから推定し、評価用データに合わせて再調整しない。

この方法によって、同じ観測データへどの程度適合したかだけでなく、未使用の条件に対してどの程度正確な確率を予測したかを比較できる。

ただし、量子モデルが特定の古典モデルより高い予測性能を示した場合でも、古典確率全体を排除したことにはならない。ほかの古典的な状態空間、履歴依存性、構造更新を持つモデルが、同等の予測を与える可能性がある。

反対に、古典モデルがある回答分布を再現できたとしても、量子認知モデルが不要であると直ちに結論することもできない。量子モデルのほうが、少数の共通パラメーターで複数の実験条件を予測する場合には、その予測上の特徴を評価する意味がある。

したがって、量子認知モデルの優位性を検討する際には、どの古典モデルと比較し、どの観測量について、どの複雑さの条件のもとで予測性能が異なるかを明示する必要がある。

量子確率の研究上の成果は、単に認知現象を量子力学の用語で説明できることにあるのではない。特定の数学的な構造から、観測可能な確率関係を導き、その関係を古典モデルの予測と比較できることにある。

15.5 数理的適用と物理的実装の境界

認知モデルが人間の判断確率を記述できることと、その数理モデルが神経系でどのように実装されているかを説明できることは、異なる条件である。

例えば、量子認知モデルでは、判断状態を密度演算子 \(\rho\) とし、回答結果 \(a\) に対応する効果演算子 \(E_a\) から、回答確率を計算する。

\[
P(a)=\operatorname{Tr}(E_a\rho)
\]

この式を認知実験へ適用する場合、\(\rho\) は判断分布を記述するための状態変数であり、\(E_a\) は回答確率を計算する演算子である。これらの数学的な対象が、神経系のどの物理的な自由度に対応するかを指定しなくても、回答確率の予測は可能である。

一方、この式が物理的な量子測定を表すと主張する場合には、実際の量子状態、測定装置、相互作用、測定結果の記録を対応づける必要がある。

例えば、認知判断に関与する物理的な量子自由度として、特定のスピンや分子状態を仮定する場合を考える。その仮説を検証するには、どの自由度が量子状態を保持しているか、その自由度がどの時間尺度で変化するか、どの相互作用を通じて判断に影響するかを定義する必要がある。

さらに、量子状態のコヒーレンスが維持される時間と、判断が形成される時間を比較しなければならない。もし想定した量子状態が判断に必要な時間尺度よりも短時間でデコヒーレンスするなら、その量子状態が判断へ作用するための具体的な機構を説明する必要がある。

ただし、ある候補となる量子自由度のコヒーレンス時間が短いことだけで、神経系のすべての量子効果が不可能であると結論することもできない。量子効果の有無を検証するには、特定の自由度、相互作用、環境条件、観測信号を定義する必要がある。

また、神経系を構成する物質が量子力学の法則に従うことと、認知判断を予測するために量子認知モデルが必要であることは異なる。

量子力学は物質の微視的な振る舞いを記述する理論である。しかし、物質を構成する過程が量子力学に従う場合でも、その系の巨視的な振る舞いを古典的な確率過程や状態遷移モデルによって十分な精度で記述できる場合がある。

したがって、神経系の物理的な基盤に量子力学が関与しているという一般的な事実だけから、人間の判断に量子確率モデルが数学的に必要であるとは導かれない。

この区別を明確にするため、構造振動モデルで使用する状態更新と構造更新を考える。時刻 \(t\) における構造を次のように定義する。

\[
S_t=(V_t,E_t,W_t)
\]

ここで \(V_t\) は構成要素、\(E_t\) は関係、\(W_t\) は関係の重みである。現在の認知状態を \(z_t\)、入力を \(I_t\)、環境条件を \(C_t\) とすると、認知状態の更新を次のように表せる。

\[
z_{t+1}
=
F(z_t,I_t;S_t,C_t)
\]

一方、構造の更新については、既稿の構造振動モデルを認知状態が明示された形式へ拡張し、次のように表せる[25]。

\[
S_{t+1}
=
M(S_t,z_t,C_t,O_t,U_t)
\]

ここで \(O_t\) は観測結果、\(U_t\) は介入、\(M\) は構造更新写像である。この形式では、現在の認知状態の変化と、認知状態の更新を決める関係構造の変化を区別できる。

第 13 章の古典的な積のモデル \(O=wx\) では、\((w,x)=(1,1)\) と \((2,0.5)\) は同じ現在の出力 \(O=1\) を与える。しかし、結合重みを固定して内部状態に \(u=0.2\) を加えると、介入後の出力はそれぞれ \(1.2\) と \(1.4\) になる。

この差は古典的な積と加算によって生じる。現在の回答が一致する系を将来の介入で識別できたとしても、そのことだけで量子理論固有の確率構造を要求する根拠にはならない。

また、観測された関連と因果介入も区別する必要がある。ある関係構造を持つ対象で特定の回答が多く観測されても、その関係構造を外部から変更すれば同じ回答分布が得られるとは限らない。

Pearl の因果推論では、観測による条件付き分布と、外部から変数を設定した介入分布を区別する[27]。

\[
P(O\mid S=s)
\qquad\text{と}\qquad
P(O\mid\operatorname{do}(S=s))
\]

この違いは、量子認知モデルと古典的な構造更新モデルを比較する場合にも関係する。観測された質問順序効果を説明するだけでなく、質問や環境への介入によって、各モデルがどのような回答変化を予測するかを比較する必要がある。

例えば、ある質問を繰り返すことで判断傾向が持続的に変化した場合、古典的な構造更新モデルでは、結合重みの変化として表現できる。一方、量子認知モデルでは、密度演算子や測定後状態の更新規則によって、その変化を表現できる場合がある。

両者を区別するには、同じ質問列へ適合したかどうかだけでなく、訓練していない入力や、一定の時間経過後に同じ条件へ戻した場合の予測を比較する必要がある。

構造振動モデルは、量子認知モデルを否定するための理論ではない。内部状態の変化と関係構造の変化を分けて記述し、古典的なモデルでも成立する説明範囲を明示するための枠組みである。

したがって、量子認知モデルの必要性を評価するには、固定された古典確率表だけでなく、内部状態、履歴、関係構造の更新を許す古典モデルも比較対象に含める必要がある。

さらに、量子認知モデルが古典モデルより優れた予測を示した場合でも、それだけで神経系の物理的な量子機構が確認されたことにはならない。物理的な実装を主張するには、対応する自由度と相互作用を特定し、物理的な介入や測定によってその機構を検証する必要がある。

15.6 物理的な必要性と第一人称的経験までの距離

思考と量子力学の関係には、少なくとも三つの異なる主張が含まれる。第一は、思考と量子測定に共通する数学的な記述構造が存在するという主張である。第二は、人間の判断を量子確率モデルによって有効に予測できるという主張である。第三は、思考の物理的な成立に、量子力学固有の機構が必要であるという主張である。

これらの主張は、相互に関連する可能性がある。しかし、一つの主張が成立したことから、残りの主張が自動的に成立するわけではない。

第一の主張については、複数の可能性を保持し、観測や証拠によって状態を更新し、一つの結果を記録するという形式が、思考と量子測定の双方に見られる。

しかし、この形式は古典的な状態遷移系でも構成できる。ベイズ更新、決定規則、可逆な記録操作、履歴依存の状態更新によって、同じ一般構造を表現できるためである。

したがって、共通する状態更新構造の存在だけでは、量子力学の数学的な必然性を導けない。

第二の主張については、量子認知モデルから具体的な確率関係を導き、実験によって検証できる。例えば、単純な逐次射影測定モデルでは QQ 等式が成立し、量子インストルメントモデルでは、結果確率と測定後状態を分けて回答再現効果を扱える。

しかし、こうしたモデルの有効性を判断するには、古典的な状態更新モデルや履歴依存モデルとの比較が必要になる。ある実験データへの適合や、限定された古典モデルに対する相対的な優位性だけでは、すべての古典モデルを排除したことにはならない。

第三の主張については、認知判断に関与する物理的な量子自由度を特定し、その自由度の状態、時間発展、相互作用、測定結果を検証する必要がある。

例えば、物理的なベル不等式違反の実験では、離れた測定場所で観測される相関が、所定の局所的隠れ変数モデルによって説明できるかを検討する。一方、通常の質問順序実験では、同じ被験者の内部状態が質問によって更新されることを許している。

両者は測定対象と前提が異なるため、認知実験で質問順序効果が観測されたことから、神経系に物理的なベル不等式違反が存在すると結論することはできない。

また、量子理論の操作的な再構成では、量子理論を特徴づける公理の組が明示される。しかし、思考における一般的な情報処理から、その公理の組がすべて成立するとは導かれない。認知へ適用する場合には、それぞれの公理に対応する操作と観測結果を定義する必要がある。

これらの主張と検証条件を整理すると、次のようになる。

主張 成立を示すための条件 確認できる範囲 追加で必要となる検証
一般構造の対応 複数候補の保持、状態更新、判断の選択、履歴形成などを同じ形式で記述する。 思考と量子測定が共通する抽象的な状態更新構造を持つことを確認できる。 量子理論の必然性を主張するには、古典モデルでは成立しない追加条件が必要となる。
量子認知の適用 状態空間、測定演算子、更新規則を定義し、回答確率を計算する。 量子確率モデルによって認知判断の分布を表現できるかを検証できる。 古典モデルとの比較、自由度の評価、未使用データへの予測が必要となる。
量子確率の必要性 対象とする古典モデルのクラスを定義し、量子モデルに固有の確率制約を検証する。 特定の古典モデルでは再現できない予測差が存在するかを評価できる。 比較対象を拡張した場合にも、同じ予測上の制約が維持されるかを確認する必要がある。
物理的な量子機構 物理的な自由度、相互作用、コヒーレンス、測定方法を指定する。 認知に関連する量子過程の物理的な存在と作用を検証できる。 その量子過程が認知判断に因果的に関与し、古典的な代替説明と区別できることを示す必要がある。
意識・クオリア・自己 経験内容、意識的アクセス、生命組織の維持、記憶、自己モデルなどを個別に定義する。 それぞれの機能や状態更新を、対応する観測量から検討できる。 第一人称的な経験の質や主体の同一性について、追加の理論的な対応条件を検証する必要がある。

この表では、一般構造の対応から物理的な量子機構へ進むにつれて、必要な根拠が変化する。数学的な形式の類似性は、物理的な機構の同一性を示すものではない。また、量子確率モデルによる予測が成立することと、認知を支える物理系に特定の量子機構が必要であることも異なる。

さらに、量子力学の物理的な必要性と、第一人称的な経験の成立を同一視することはできない。物理的な量子過程が神経系に存在したとしても、それだけで意識的な経験やクオリアの成立条件が明らかになるわけではない。

生命組織の維持については、境界、代謝、構成要素の自己産出、修復などの関係を検討する必要がある。例えば、オートポイエーシスでは、構成要素を産出する過程と、それらの過程を可能にする組織の循環が問題になる[30]。

一方、意識については、情報の処理、情報統合、意識的アクセス、第一人称的な経験を区別する必要がある。Tononi の情報統合理論は、意識の成立を系の情報統合構造と結びつける仮説を提示しているが、その理論で定義された量と実際の経験との対応には、個別の検証が必要となる[31]。

クオリアについては、経験の内容や成立度を数理モデルとして表現できる場合がある。しかし、経験表現の変数が定義されたことから、第一人称的な経験の質を直接測定できるとは限らない。

既稿「クオリアの成立と持続を構造の更新から捉える」では、経験内容 \(Y_t\) と経験成立度 \(Q_t\) を区別し、経験表現を次のように定義した[33]。

\[
\Omega_t=Q_tY_t
\]

この形式では、経験内容と成立度の異なる組が、同じ経験表現を与える場合がある。また、関係構造が更新されても経験表現が維持される場合や、関係構造が大きく変化しなくても経験表現が変わる場合を考えられる。

しかし、こうした数学的な関係が成立することと、実際の主観的な経験の質が一意に同定されることは異なる。Nagel が論じた第一人称的な視点の問題は、第三人称から観測可能な構造や機能と、主体にとっての経験の質との関係を検討する際に残る[34]。

自己の連続性についても、記憶を保持すること、身体的な組織が維持されること、自己モデルが更新されること、第一人称的な経験が連続することを区別する必要がある。

例えば、過去の判断を記憶しているという事実から、記憶を利用した回答再現性を説明できる場合がある。しかし、その記憶を保持する主体が過去の主体とどのような意味で同一であるかについては、記憶以外の条件を検討する必要がある。

また、身体を構成する物質が交換されながらも個体としての組織が維持されることと、経験の質的な連続性が維持されることも、同じ条件ではない。

このため、時間、生命、意識、クオリア、自己を、すべて一つの状態更新原理によって説明できると主張することはできない。

これらの対象には、状態、更新、履歴、関係構造という共通する数理的な形式を適用できる。しかし、それぞれの成立には、異なる物理量、観測方法、因果機構が必要となる。

思考と量子力学の関係についても同様である。複数の可能性を保持し、判断を更新し、結果を記録するという共通構造は、両者の間に数学的な対応を与える。しかし、その一般構造だけでは量子理論の必然性を導けない。

量子認知研究では、質問順序効果、連言錯誤、選言効果、回答再現効果などについて、量子確率の形式を使用したモデルを構成できる。その有効性は、具体的な確率制約、状態更新規則、古典モデルとの比較、未使用データへの予測によって評価される。

一方、思考に量子力学固有の物理機構が必要であると主張するには、認知判断に関与する量子自由度と、その作用を実験的に特定する必要がある。行動データへ量子確率モデルが適合したという事実だけでは、この物理的な主張は確定しない。

したがって、思考が量子力学へ必然的に行き着くという広い命題は、可能性の保持、判断の選択、履歴形成という一般的な状態更新構造だけからは成立しない。

確定できるのは、思考と量子観測が共通する抽象的な記述構造を持ち、量子確率が一部の認知現象に対して検証可能な数学的モデルを与えるということである。

そのモデルがどの古典モデルより優れているか、物理的な量子機構を必要とするか、さらに意識やクオリア、自己の成立へどのように関係するかは、それぞれ独立した条件のもとで判断する必要がある。

量子力学と人間の思考の接続は、一般的な類似性をもって確定するものではない。数学的な公理、観測可能な確率制約、古典モデルとの予測差、物理的な実装条件を明示したときに、検証可能な命題として評価できるのである。


参考文献

  1. id774, なぜ思考は量子力学に行き着くのか(2026-05-01). https://blog.id774.net/entry/2026/05/01/4651/
  2. Karl Friston, A theory of cortical responses(2005-04-29). https://pmc.ncbi.nlm.nih.gov/articles/PMC1569488/
  3. John S. Bell, On the Einstein Podolsky Rosen paradox(1964-11-01). https://doi.org/10.1103/PhysicsPhysiqueFizika.1.195
  4. John F. Clauser, Michael A. Horne, Abner Shimony and Richard A. Holt, Proposed Experiment to Test Local Hidden-Variable Theories(1969-10-13). https://doi.org/10.1103/PhysRevLett.23.880
  5. B. Hensen et al., Loophole-free Bell inequality violation using electron spins separated by 1.3 kilometres(2015-10-21). https://www.nature.com/articles/nature15759
  6. Giulio Chiribella, Giacomo Mauro D’Ariano and Paolo Perinotti, Informational derivation of quantum theory(2011-07-11). https://doi.org/10.1103/PhysRevA.84.012311
  7. Amos Tversky and Daniel Kahneman, Extensional versus intuitive reasoning: The conjunction fallacy in probability judgment(1983). https://doi.org/10.1037/0033-295X.90.4.293
  8. Eldar Shafir and Amos Tversky, Thinking through uncertainty: Nonconsequential reasoning and choice(1992-10). https://www.sciencedirect.com/science/article/pii/001002859290015T
  9. Emmanuel M. Pothos and Jerome R. Busemeyer, A quantum probability explanation for violations of rational decision theory(2009-06-22). https://pmc.ncbi.nlm.nih.gov/articles/PMC2677606/
  10. Jerome R. Busemeyer, Emmanuel M. Pothos, Riccardo Franco and Jennifer S. Trueblood, A quantum theoretical explanation for probability judgment errors(2011-04). https://pubmed.ncbi.nlm.nih.gov/21480739/
  11. Zheng Wang and Jerome R. Busemeyer, A Quantum Question Order Model Supported by Empirical Tests of an A Priori and Precise Prediction(2013-09-11). https://doi.org/10.1111/tops.12040
  12. Zheng Wang, Tyler Solloway, Richard M. Shiffrin and Jerome R. Busemeyer, Context effects produced by question orders reveal quantum nature of human judgments(2014-06). https://pmc.ncbi.nlm.nih.gov/articles/PMC4084470/
  13. Masanao Ozawa and Andrei Khrennikov, Application of Theory of Quantum Instruments to Psychology: Combination of Question Order Effect with Response Replicability Effect(2019-12-26). https://www.mdpi.com/1099-4300/22/1/37
  14. Miho Fuyama, Andrei Khrennikov and Masanao Ozawa, Quantum-like cognition and decision-making in the light of quantum measurement theory(2025-11-27). https://pmc.ncbi.nlm.nih.gov/articles/PMC12658452/
  15. 小澤正直, 質問順序効果の汎量子認知モデル(2026-03-01). https://www.jstage.jst.go.jp/article/jcss/33/1/33_2025.063/_article/-char/ja/
  16. Jerome R. Busemeyer, Zheng Wang and James T. Townsend, Quantum dynamics of human decision-making(2006). https://www.sciencedirect.com/science/article/pii/S002224960600006X
  17. Zheng Wang and Jerome R. Busemeyer, Comparing quantum versus Markov random walk models of judgements measured by rating scales(2016-01-13). https://pmc.ncbi.nlm.nih.gov/articles/PMC4685762/
  18. Ehtibar N. Dzhafarov, Ru Zhang and Janne V. Kujala, Is there contextuality in behavioural and social systems?(2016-01-13). https://pubmed.ncbi.nlm.nih.gov/26621988/
  19. Víctor H. Cervantes and Ehtibar N. Dzhafarov, True contextuality in a psychophysical experiment(2019). https://www.sciencedirect.com/science/article/pii/S002224961830186X
  20. id774, 量子観測はどこまで説明できるのか(2026-04-24). https://blog.id774.net/entry/2026/04/24/4597/
  21. Wojciech H. Zurek, Pointer basis of quantum apparatus: Into what mixture does the wave packet collapse?(1981-09-15). https://doi.org/10.1103/PhysRevD.24.1516
  22. id774, デコヒーレンスは何を説明し、何を説明しないのか(2026-04-28). https://blog.id774.net/entry/2026/04/28/4632/
  23. id774, 多世界解釈とユニタリー発展の構造(2026-04-29). https://blog.id774.net/entry/2026/04/29/4638/
  24. id774, 観測者と主観はなぜこの量子系列だけを見るのか(2026-04-27). https://blog.id774.net/entry/2026/04/27/4627/
  25. id774, 構造振動モデルの定義を測定と検証まで含めて整理する(2026-11-11). https://blog.id774.net/entry/2026/11/11/5869/
  26. id774, 構造振動モデルを数理モデルとして定義する(2026-04-05). https://blog.id774.net/entry/2026/04/05/4318/
  27. Judea Pearl, Causality: Models, Reasoning, and Inference, Second Edition(2009). https://www.cambridge.org/core/books/causality/B0046844FAE10CBF274D4ACBDAEB5F5B
  28. id774, 時間はなぜ一方向に進むのか(2026-04-26). https://blog.id774.net/entry/2026/04/26/4613/
  29. Gavin E. Crooks, Entropy production fluctuation theorem and the nonequilibrium work relation for free energy differences(1999-09-01). https://doi.org/10.1103/PhysRevE.60.2721
  30. Humberto R. Maturana and Francisco J. Varela, Autopoiesis and Cognition: The Realization of the Living(1980). https://link.springer.com/book/10.1007/978-94-009-8947-4
  31. Giulio Tononi, An information integration theory of consciousness(2004-11-02). https://pmc.ncbi.nlm.nih.gov/articles/PMC543470/
  32. id774, 意識の定義を数理モデルで記述する(2026-04-02). https://blog.id774.net/entry/2026/04/02/4269/
  33. id774, クオリアの成立と持続を構造の更新から捉える(2026-11-18). https://blog.id774.net/entry/2026/11/18/5918/
  34. Thomas Nagel, What Is It Like to Be a Bat?(1974-10). https://doi.org/10.2307/2183914
  35. id774, 自己を「構造」として定義し直す(2026-03-25). https://blog.id774.net/entry/2026/03/25/4103/