MIT-IBM Computing Research LabとIBM Quantumの研究者たちは、量子ユニタリ演算子を大規模言語モデル（LLM）の潜在空間に直接マッピングするマルチモーダルアライメントフレームワークを開発した。IEEE QCE 2026の会議論文（「Aligning Quantum Operators with Large Language Models」）として発表されたこのアーキテクチャは、数学的な量子演算を「視覚的入力」として扱う。これらの連続的な数値行列をネイティブな単語埋め込みに変換することで、自己回帰型LLMバックボーンが自然言語命令と並行して量子状態を推論、コンパイル、操作することを可能にする。
量子情報科学において生成AIを活用する従来の試みは、OpenQASMスクリプト、ゲート名、Qiskitコードリポジトリなどの記号的なテキストベースの代理表現のみで動作していた。これらのシステムは、物理的な量子変換を定義する生の複素数値行列を認識できない。MIT-IBMフレームワークは、対象となるユニタリ行列（U）を実数値のパウリ転送行列（PTM）に変換することで、この記号的制限を回避する。4量子ビットシステムの場合、PTMは256×256の実数行列であり、全体位相に対して不変で乗法的に合成される。
このフレームワークは、行列を単一チャネルの画像レイヤーとして扱うことで処理する：
- PTM Patch Tokenization: 256×256のグリッドを16×16の重複しないパッチに分割し、256個の離散的な視覚パッチベクトルを生成する。
- Latent Space Projection: 線形層が各パッチを隠れ次元（hv=768）に圧縮し、その後2層の多層パーセプトロン（MLP）プロジェクターを介してLLMのトークン埋め込み空間にマッピングされる。
- Stepwise Autoregressive "Peeling": 量子回路レイアウト全体を一度に出力しようとするのではなく、モデルは各推論ステップで再エンコードされた残差PTMを読み取る。実行順序の逆順で一度に正確に1つのπ/8-Pauli回転ゲートを予測し、自身の予測の逆PTMを残差行列に左から乗算していき、チャネル忠実度（F=Tr(P)/4n）が1.0に近づくまで続ける。
このシステムは、Granite 4.0 Micro 30億パラメータモデルバックボーンを使用して実装され、正確な4量子ビットClifford+Tコンパイル目標に対して検証された。教師あり微調整（SFT）パイプラインは安定したスケーリング指標を示し、トレーニングデータセットが920万の合成回路に拡大するにつれて、合成成功率が23.4%から71.0%に上昇した。事前学習モデルがより長い30ゲート深度を管理できるように拡張され、推論時のBest-of-N確率的サンプリングで補強された場合、このアーキテクチャは99.4%の全体的な合成成功率を達成した。この性能は、従来のシミュレーテッドアニーリングソルバー（SynthetiQ）や特化型強化学習モデル（Gumbel AlphaZero）を上回った。これらは通常、11ゲートを超えるゲート深度で精度が急激に低下する。
単純なコンパイルを超えて、量子演算をLLM潜在空間に固定することで、言語条件付き回路合成が可能になる。自然言語テキストプロンプトをモデルのトークンシーケンスに直接導入することで（例えば「Allowed T(q0, q2)」などのトークン制約を指定）、演算子はコンパイル中にゲートが相互作用できる物理量子ビットを制限できる。
トレーニング中に完全にブラックリストに登録された制約の組み合わせを特徴とする分布外ベンチマークに対してテストした結果、事前学習済みGraniteモデルは91%のゲートレベル制約準拠を達成した。制約テキストが省略された場合、準拠率は53%に低下し、モデルが平易な言語命令に基づいて数学的行列演算を積極的に条件付けていることが確認された。この二重モダリティトークン空間は、抽象的な自然言語要件を物理ハードウェアコンパイルレイヤーに直接変換できる量子対応ニューラルネットワークへの基礎的な設計経路を提供する。
公式研究概要はRogerio Feris氏のLinkedIn更新で確認できる。パッチアブレーション指標、クロスモーダル損失関数、推論トークンアーキテクチャの詳細を記載した完全なプレプリントはarXivで確認できる。
2026年7月10日
