Quandela、ポーランド科学アカデミー理論物理学センター、およびワルシャワ大学の量子情報科学者からなる共同研究グループが、スケーラブルな物理的量子機械学習（QML）アーキテクチャを実験的に実証した。欧州連合のHorizon Europe QUONDENSATEパスファインダープロジェクトの支援を受け、研究チームは単一光子状態で励起されるプログラマブルシリコンフォトニック量子処理ユニット（QPU）を利用して、古典的機械学習分類と本質的に量子的な情報処理タスクの両方を実行した。
重要なことに、このハードウェア実装は、単一の固定測定基底を使用して完全な量子状態トモグラフィーと多モードエンタングルメント追跡を正常に実行することで、量子状態特性評価における指数関数的スケーリングのボトルネックを克服する実用的な方法を導入している。
実験セットアップは量子リザバーコンピューティング（QRC）の物理原理を活用しており、具体的には量子リザバー処理（QRP）ネットワークとして構成されている。物理的QMLフレームワークでは、複雑な非線形数学変換がデジタルコンピューティングコードとしてマッピングされるのではなく、ハードウェアレベルの量子ダイナミクスを通じてネイティブに実行される。訓練不可能な「リザバー」は、コンパクトなシリコンチップ上に製造された汎用ベル-ウォルムズリー干渉計メッシュで構成され、集積光導波路、モード結合器、熱光学制御型熱位相シフターの高密度ネットワークを特徴としている。
情報を処理するため、マイクロピラーキャビティに埋め込まれた半導体量子ドットによってオンデマンドで生成された単一光子パルスが、12モードのアクティブデマルチプレクサを通じてルーティングされ、Quandelaの24モードBelenos QPUチップに非古典的多モード状態として注入される。光子がプログラマブルマッハ・ツェンダー干渉計（MZI）アレイを伝播する際、量子干渉によって駆動される複雑な変換を受ける。出力状態は偏光分解型光子数分解（PNR）検出器と電子相関器のペアによってマッピングされる。これにより、システムは標準的な閾値検出器のバイナリ制限（0または1光子）を回避して、多光子同時計数確率分布から15要素の特徴ベクトルを構築できる。
QRPプラットフォームは、多モード2光子混合密度行列に対する量子状態トモグラフィーを実行するために、標準的なPNRセットアップと直接ベンチマーク比較された。標準的な量子トモグラフィーアーキテクチャでは、複雑な量子状態を再構築するために、複数の異なる測定基底にわたって実行される指数関数的な数の物理測定が必要となる。QRPフレームワークは、単一の固定ランダムユニタリ変換行列を利用して多モード量子相関を追跡可能な光子カウント署名にマッピングすることで、このスケーリングの罠を回避する。
混合目標状態を生成するため、初期2光子状態は特定のモードに作用する状態準備ユニタリを通じて処理された。その後、補助モードをトレースアウトして破棄することで混合性が導入され、ブロック対角化された縮約密度行列構造が強制された。
ハードウェアから収集された経験的同時計数は、正則化を利用した古典的多出力リッジ回帰ソフトウェア層に供給され、線形関係をマッピングした。モデルは初期行列を再構築し、エルミート性を強制し、結果として得られるスペクトルの負の成分を確率単体に投影して半正定値性を保証する。
ハードウェア実行されたQRPアーキテクチャは、平均テストデータセット忠実度0.820を達成し、ベースラインPNRベンチマーク（0.747）を明確に上回った。PNRベンチマークは光干渉の欠如により非対角位相コヒーレンスの解決に体系的に失敗していた。この再構築された密度行列から、ソフトウェアは高精度で3つの基本的な量子メトリクスを抽出した：純度、フォン・ノイマンエントロピー、およびネガティビティ（量子エンタングルメントの厳密な尺度）。
さらに、研究チームは回路のスケーリング特性をマッピングし、必要な特徴空間の次元が目標状態のモード数と二次的にスケールすることを証明し、3モード（45の独立パラメータ）およびそれ以上の多モード状態特性評価のための持続可能な青写真を確立した。
プラットフォームの実用性を古典的データ処理に拡張するため、研究者らはQuandelaのレガシー12モードAscellaプロセッサ上で、絡み合った二重螺旋データポイントを解決する非線形二値分類タスクをマッピングした。実世界のシリコンハードウェアは、微小スケールの製造ばらつき、熱ドリフト、トランスパイルバグによって本質的に劣化しており、理想化されたデジタルシミュレーションと物理ハードウェア実行の間に動作上の乖離を生み出す。
このギャップを埋めるため、研究チームはハードウェア認識型のin silicoトレーニングフレームワークを設計した。ソフトウェア読み出し層の古典的最適化サイクル中、理想的なシミュレーションリザバー行列に、局所的な変動を含むランダムなサンプル固有のユニタリ摂動行列が意図的に注入された。この摂動層は物理的正則化コードとして機能し、ソフトウェア読み出しネットワークが局所的なハードウェア変動を受けたときに機能的弾力性を維持するように訓練する。
物理チップの測定されたトランスパイルエラーに直接一致する摂動振幅で最適化ループを実行することで、物理ハードウェアは約79.7%の実験分類精度を達成した。これは、コヒーレント状態入力と平均強度カウントを処理する同一の理想化された古典的シミュレーションネットワークを上回り、現在の光ネットワークにおける局所的エラー緩和への明確な道筋を示した。
完全な査読済み証明、エラー緩和ログ、およびヒルベルト空間スケーリング計算は、完全なプレプリント研究論文で分析可能であり、高レベルの企業研究ロードマップとニューロモーフィック開発目標はQuandela Science Blogで追跡されている。
2026年6月26日
