フィデリティ応用技術センター(FCAT®)とザナドゥは、隠れ部分群問題(HSP)を理論的構成から産業データ分析のための実用的ツールへと移行させることを目的とした共同研究を発表した。従来、HSPに対する量子アルゴリズム—ショアのアルゴリズムの基礎を成す—は、量子優位性を達成するために完全に構造化された「クリーンな」データを必要とする。FCATとザナドゥのチームが導入した新しい手法により、量子システムはノイズの多い不完全なデータを処理できるようになり、実世界の金融および商業データセットに現れる近似的なパターンや依存関係の発見が可能となる。
この技術革新は、正確な数学的対称性の特定から隠れた構造の統計的近似の発見へとアルゴリズムの焦点を移すことを含んでいる。正確な数学的群の要件を緩和することで、研究者たちは大規模データ分析と現在のNISQ(ノイズのある中規模量子)ハードウェアに固有の「ノイズ」に対してより耐性のあるフレームワークを開発した。このアプローチは、抽象的な群論と量子機械学習(QML)の間のギャップを埋めることを意図しており、特に古典的な高性能コンピューティング(HPC)がスケーリングのボトルネックに直面する複雑な関係マッピングやパターン認識を伴うタスクを対象としている。
これらの手法の採用を加速するため、FCATとザナドゥは研究と付随するコードをオープンソース化した。このコードはペニーレーンソフトウェアライブラリと互換性がある。この透明性により、より広範な量子コミュニティが近似HSPアプローチを従来のデータ分析手法と比較検証することが可能となる。この協業は、フィデリティが機関投資家および個人顧客向けの高度な機械学習モデルをサポートするため、ザナドゥのフォトニック量子ハードウェア上で最終的にスケール可能な「有用な」量子アプリケーションを特定するための戦略的取り組みを表している。
近似パターン発見手法の完全な技術的詳細とオープンソースコードへのアクセスについては、ザナドゥの公式研究発表を参照されたい。
2026年3月18日
