量子機械学習：概念、アルゴリズム、ユースケース

古典的なコンピューターが苦戦する問題があります。分子同士の相互作用のシミュレーション、巨大な組合せ空間の探索、大きな数の素因数分解など、計算量の伸びがハードウェアの進歩を上回ってしまう課題です。量子コンピューターはこれらを別の角度から捉えます。その違いが機械学習にも役立つのかを問う研究者が、少数ながら着実に増えています。

それが量子機械学習（QML）が取り組む問いです。本ガイドでは、QMLの正体、理解に必要な量子の基礎、実験されている主要アルゴリズム、そして現状の立ち位置を解説します。先に正直に言うと、見出しが示すほど成熟してはいません。すでに古典的なMLを、たとえばMachine Learning Scientist in Python トラックなどで扱っているなら、思った以上に共通点が見えてくるはずです。

量子機械学習とは？

量子機械学習は、機械学習タスクの一部を量子計算で実行または高速化する手法です。具体的には、データを量子状態にエンコードしたり、古典的なモデルの一部を量子回路に置き換えたり、通常の学習ループの中で量子サブルーチンを呼び出したりします。対象範囲は広く、1ステップだけ量子を使うほぼ古典的な方法から、モデル全体を量子ハードウェア上で動かす設計まで含みます。

先へ進む前に、混乱の元になりがちな「QMLではないもの」をはっきりさせておきましょう。既存モデルの置き換えで即座に速くなる万能薬ではありませんし、古典的MLを一掃するものでもありません。多くは研究段階で、シミュレーターや小型でノイズの多い量子マシン上で動いています。正直な捉え方はこうです。QMLが問うのはより狭い問題、すなわち「量子ハードウェアが古典的ハードウェアでは簡単に太刀打ちできない利点を示せる特定のML課題はあるか」です。いくつかの課題タイプでは有望な兆しが見えますが、大半では古典的MLが最適解です。実務でまず必要な基礎は、当社のUnderstanding Machine Learning コースがカバーしています。

量子計算の基礎

この記事を読み進めるのに物理の学位は不要ですが、いくつかの概念を押さえるとQMLがぐっと分かりやすくなります。既知ならここは読み飛ばしてください。

量子ビットとビットの違い

古典的なビットは0か1のどちらかです。量子ビット（キュービット）は、両方の重ね合わせを同時に保持でき、測定したときにはじめて0か1に確定します。測定前のキュービットは2つの振幅で表され、それが各結果の確率を決めます。肝はここです。n個のキュービットからなるレジスターは、2ⁿ個の状態の組み合わせを同時に表現できますが、n個の古典ビットはそのうち1つしか保持できません。

ただし注意点があります（量子計算には常に注意点があります）。それらすべての状態をそのまま読み出せるわけではないことです。測定するとキュービットは単一の値に崩壊するため、有用な情報を取り出すには工夫が必要です。この制約は一見以上に重要で、QMLアルゴリズムの設計に大きく影響しています。次ですぐに見えてきます。

重ね合わせとエンタングルメント

この状態の「ブレンド」が重ね合わせです。第二の概念であるエンタングルメント（量子もつれ）はさらに興味深い現象で、複数のキュービットが強く相関し、一方を他方抜きに記述できなくなります。もつれた一方を測定すると、距離に関係なく相手について何かを即座に知ることができます。古典ビットに相当物はなく、量子計算の利点の多くは何らかの形でもつれに依存します。

量子ゲート

では、重ね合わせやもつれの状態にあるキュービットをどう操作するのでしょうか。そこで量子ゲートが登場します。キュービットの状態を可逆に回転させる操作です。ハダマードゲートはキュービットを重ね合わせにし、CNOTゲートは2つのキュービットをもつれさせます。ゲートを連ねると量子回路になり、量子版のプログラムになります。基礎はすべて線形代数です。状態はベクトル、ゲートは行列で、回路を実行することは行列演算の列を適用することです。もし自信がなければ、当社のデータサイエンス学習パスで身につく線形代数の技能がそのまま役立ちます。

キュービット、重ね合わせ、もつれ、ゲートが分かれば、QMLのワークフローでこれらがどう組み合わさるかを追えるはずです。

量子機械学習の仕組み

大づかみに言うと、QMLのワークフローは4つのステップからなります。まず、古典データを量子状態にエンコードします。多くは特徴量の値を回転角や振幅に写像します。次に、しばしばパラメーター調整可能な量子回路を適用します。三つ目に回路を測定します。測定のたびに1つの崩壊した結果しか得られないため、信頼できる推定には十分な試行回数が必要です。最後に、その結果を学習プロセスにフィードバックします。

実務的なQMLの多くは最後のステップに集約されます。すべてを量子マシンで走らせるのではなく、ハイブリッドなループを構築します。量子回路が値を出力し、古典的オプティマイザーが回路のパラメーターを調整し、サイクルを繰り返します。モデル学習と同じで、計算の一部だけを量子ハードウェアで行います。現在の量子マシンは小型でノイズが多い（分野ではNISQ時代＝ノイズあり中規模量子と呼ばれます）ため、重い処理は古典側に残し、利点が出る部分だけをオフロードするのが現実的です。なぜハイブリッドが有利かは次のセクションで触れます。

量子機械学習のアプローチの種類

この4ステップのうち、どこまでを量子ハードウェアで行うべきか、という観点で見てみましょう。量子計算と機械学習の組み合わせには大きく3つの流儀があり、量子マシンが実際に担う割合が異なります。

量子強化型機械学習

モデル自体は本質的に古典的ですが、コストの高い1ステップを量子ルーチンに任せて高速化を狙います。連立一次方程式の解法、カーネルの推定、分布からのサンプリングなどです。それ以外のパイプラインは、当社の「Supervised Learning with scikit-learn」コースで構築するような教師あり学習と同様です。

完全量子モデル

対極にあるのがこれで、データもモデルも量子状態に置き、端から端まで量子ハードウェアで実行します。QMLの最も野心的な形であり、同時に現状では最も非実用的です。現在のハードウェアでは有用な規模を支えられません。

ハイブリッド量子・古典モデル

この両極の中間にあり、今日実際に機能するアプローチで、真剣なQML研究のほぼすべてがここに位置します。パラメーター化された量子回路が計算の一部を担い、古典的オプティマイザーがそれを学習させます。小型でノイズの多いハードウェアの限界を避け、量子マシンが得意な部分だけを任せる戦略です。

量子機械学習のアルゴリズム

頻出のアルゴリズム群がいくつかあります。数理は急に深くなるので、ここでは用途が分かる程度の高い視点で紹介します。

変分量子回路（VQC）

変分量子回路は、調整可能なパラメーターを持つ量子回路で、前述のハイブリッドループで学習します。近未来のQMLの主力であり、他の多くのモデルの基盤でもあります。オープンソースの人気QMLライブラリであるPennyLaneでは概ね次のように書きます。

import pennylane as qml

# A 2-qubit device that runs on a local simulator
dev = qml.device("default.qubit", wires=2)

@qml.qnode(dev)
def variational_circuit(inputs, weights):
    # Encode two input features as qubit rotation angles
    qml.AngleEmbedding(inputs, wires=[0, 1])
    # The trainable layer a classical optimizer will adjust
    qml.BasicEntanglerLayers(weights, wires=[0, 1])
    # Measure to get a value we can feed back into training
    return qml.expval(qml.PauliZ(0))

重みは、勾配降下法がニューラルネットの重みを更新するのと同様に、古典的オプティマイザーが反復的に更新します。このパターンが分かれば、残りのアルゴリズムは同じテーマのバリエーションのように感じられるでしょう。

量子サポートベクターマシン

量子SVMは古典的SVMの構造を保ちつつ、カーネル（データ点同士の類似度）の計算を量子回路で行います。量子特徴空間なら、古典的カーネルでは捉えにくいパターンを表現できるかもしれない、という期待があります。実データで有効かどうかは、まだ結論が出ていません。

量子ニューラルネットワーク（QNN）

量子ニューラルネットワークは、パラメーター化回路を層状に組み、古典的ネットワークと同様に学習させます。当社の「Introduction to Deep Learning in Python」コースでモデルを学習させたことがあれば、ループはおなじみでしょう。順伝播、損失、更新で、順伝播だけが量子回路上で動きます。

量子k-means

量子k-meansはクラスタリングの手法で、点同士の距離推定を量子サブルーチンで行います。これは大規模化したときに古典的k-meansの主要コストとなる操作です。本リストの中で最も直接的な「高コストの1ステップを量子版に置き換える」例です。

ところで、これらのアルゴリズムは本当に量子スピードアップを実現するのでしょうか。次でそこを見ていきます。

量子機械学習の潜在的な利点

よく挙げられる利点は3つあります。第一に、化学や材料の量子系シミュレーションのような特定の構造化問題は量子ハードウェアに自然にマッピングでき、この領域では優位性が最もあり得ます。第二に、量子特徴空間は古典的には表現が難しい複雑な関係を表せるかもしれません。第三に、ごく限られたアルゴリズムでは、理論的に大きな、場合によっては指数関数的な高速化が示唆されています。

あくまで「潜在的」と繰り返している点に注意してください。これらの利点の多くは、現実のハードウェアがまだ満たしていない前提のもとで理論的に示されています。よくあるギャップの例として、いくつかの理論上の高速化は「データがすでに量子状態としてロードされている」ことを仮定しますが、古典データを量子状態にロードするコストが、高速化の恩恵を相殺し得ます。こうした隠れたボトルネックこそが、主張される利点と実証された利点のリストがいまだ大きく異なる理由です。

このギャップを踏まえ、古典的MLと量子MLを並べて比較してみましょう。

量子機械学習と古典的機械学習の比較

違いを最もすっきり見る方法は side by side.

古典的MLは現在の実務を席巻しており、当面その状況は続くでしょう。ツール、ハードウェア、人材がそろっています。QMLは、量子的な構造が効く課題で将来的にニッチを切り拓くかもしれない、有望な挑戦者です。両者を対立軸で捉えるのは的外れです。いまは別リーグで戦っており、やがてどの課題が越境してくるのかが興味深い論点です。

この「別リーグ」観は、この分野につきまとう誤解を解く最良の枠組みでもあります。そこで誤解に正面から向き合いましょう。

量子機械学習に関する誤解

QMLにはいくつかの神話がつきまといます。ここで整理します。

「量子MLは何でも速い」。違います。提案されている高速化は、特定の条件下の特定のアルゴリズムに限られます。大多数のMLタスクでは量子マシンの優位はなく、現在のハードウェア事情を踏まえるとむしろ遅くなります。

「量子コンピューターが古典コンピューターを置き換える」。いいえ。量子はごく狭いクラスの問題に特化したアクセラレーターであり、汎用の代替物ではありません。手元のラップトップが消えることも、ハイブリッドQMLにおける古典計算の役割がなくなることもありません。

「QMLはすでに本番投入できる」。これが初心者のつまずきポイントです。分野は実験段階で、ハードウェアは小型でノイズが多く、ほぼすべてがシミュレーター上で動いています。QMLはいま学び、追いかける対象であって、現場に出荷するものではありません。

過度な期待をそぎ落とすと、固有の面白さを持つ分野が見えてきます。コードを書いて試してみたいなら、次が出発点です。

量子機械学習の始め方

コードを書いてみたいと思ったなら朗報です。ツールはオープンソースで初心者に優しい設計です。上の例で使ったPennyLaneとQiskitが代表的な入口で、どちらもシミュレーターで動くため、実機の量子マシンがなくても実験できます。Qiskitの機械学習モジュールには量子カーネル、分類器、ニューラルネットワークが用意され、PyTorchとも接続できるので、古典的な作業からの橋渡しがスムーズです。

助言としては、まず古典の基盤を固めてください。ハイブリッドループ、オプティマイザー、モデルの学習の仕組みはすべて古典側で、最も頼る部分です。当社のMachine Learning Scientist in Python トラックがその土台をカバーします。そこに量子固有の部品を「追加」する形で進めるとよいでしょう。回路を動かし、パラメーターをいじって学んでください。重ね合わせの文章を読むだけでは限界があります。

まとめ

量子機械学習は、情報表現の方法を量子計算から借りてMLパイプラインの一部に適用する、2つの急速に発展する分野の交差点に位置します。本稿では、過度な期待に流されないよう意図的に地に足のついた説明を心がけました。正直な要約は控えめです。QMLは初期段階で、主に実験的で、どこで成果が出るのかは確信が持てません。

だからといって無視すべきではありません。分野がまだ端から端まで学べる規模のうちに基礎を理解しておく価値があります。量子ハードウェアが楽観論どおりに成熟したなら、キュービット、回路、ハイブリッド学習の噛み合わせを理解している人が真っ先に活用できるでしょう。もし広範には実を結ばなくても、計算機科学の魅力的な一角を学んだことになりますし、それはそれで悪くない成果です。