Kipu Quantum、QuEraハードウェア上で分子毒性分類のための中性原子量子特徴抽出を実証

2026年10月17日・2分で読めます

技術リリースにおいて、量子アプリケーションソフトウェア開発企業であるKipu Quantumは、QuEra Computingの256量子ビット中性原子量子プロセッサ「Aquila」上でのアナログ量子特徴抽出を実証した実験結果を詳述し、創薬および化学安全性における分子毒性分類での性能向上を達成しました。

Kipu QuantumのエンジニアであるAntonio Ferrer Sánchez、Carlos Flores、Alejandro Gómez Cadavidによる研究（「中性原子量子プロセッサを用いた分子毒性の読み取り」）では、200量子ビットの中性原子アレイを展開して高次元の量子特徴を生成し、不均衡なデータセットのベンチマークにおいて、従来の古典的な分子記述子を大幅に上回る性能を発揮しました。

[ 特徴セットのベンチマーク比較（分子毒性データセット） ]
特徴セット / パイプライン	生の精度	バランス精度	F1スコア	AUCスコア
• 古典的ベースライン特徴	• ~ 0.74	• ~ 0.55	• ~ 0.30	• ~ 0.68
• 組み合わせ（古典+量子）	• ~ 0.77	• ~ 0.68	• ~ 0.58	• ~ 0.77
• 量子特徴のみ（SVM最上位）	• ~ 0.78	• ~ 0.70	• ~ 0.60（2倍向上）	• ~ 0.81

従来のデジタル量子機械学習（QML）アルゴリズムは、現在のハードウェア上でノイズの影響を受ける深いゲートベースの回路を必要とします。Kipu Quantumは、Kipu Quantum Hubプラットフォームを介してアクセスするQuEraの中性原子QPU上で、アナログのリュードベリ状態連続ダイナミクスを利用することで、個別のゲートオーバーヘッドを回避しました。UCI Molecular Toxicityデータセット内の各候補分子について、200個の中性原子が数マイクロメートル間隔で14×15のグリッド上に配置されました。4マイクロ秒未満の滑らかな駆動パルスを印加することで、アレイ全体にわたって集団的な量子相互作用が発展し、サンプルあたり500回の独立した読み出しショットを通じて、分子あたり約1,000の量子特徴が生成されました。

抽出された量子特徴は、XGBoost、CatBoost、ランダムフォレスト、サポートベクターマシン（SVM）、Google Researchのゼロショット表形式基盤モデル（TabFM）を含む一連の古典的機械学習モデルを用いて、100回のランダムなデータセット分割にわたって評価されました。古典的モデルが苦戦する不均衡データセットの指標（単に多数派の非毒性クラスを予測することで見かけ上の生の精度を得ることが多い）において、量子特徴はバランス精度を0.55から0.70に引き上げ、F1スコアを約0.30から約0.60へと2倍にし、SVM分類器が全体で最高のAUCスコア（約0.81）を達成しました。

技術レポートはKipu Quantumポータルこちらでご覧いただけます。

GQIポータルにて

QCRを執筆するチームは、量子産業の検証済みデータベースであるGQI Factory内のすべての企業、取引、技術を追跡しています。次回：すべてのストーリーを関連するプレイヤーにリンク付けし、QCRの有料プランで提供予定です。

プレイヤー→量子産業全体の企業および機関をセグメント別に掲載。
スコアカード→ハードウェア、ソフトウェア、資金調達などでプレイヤーを比較。

関連記事