2026年10月17日・2分で読めます
arXivで発表された研究論文において、Harvard University、Anthropic、QuEra Computingの科学者らは、大規模言語モデル（LLM）が耐故障性量子回路を自動的に発見・記述・最適化する進化的AIフレームワークを紹介しました。
論文（「Discovering state-of-the-art quantum circuits with large language models」）で詳述されているように、著者らは、LLMのコード提案と独立した古典的評価器を組み合わせることで、手作業によるベースラインと比較して、中核となる計算プリミティブの時空間リソースコスト（T×Qコスト）を4.1倍から9,100倍以上削減できることを実証しています。
| [ 8つのコンパイルサブルーチンにわたるリソース改善 ] | |||
|---|---|---|---|
| コンパイルサブルーチン／タスク | ベースライン (T, Q) | 発見された結果 (T, Q) | TQコスト削減率 (G_TQ) |
| • Reed–Solomon DQIデコーダ | • (5.1 × 10⁶, 1,938) | • (4.4 × 10⁵, 1,837) | • 12倍削減 |
| • Hermitian DQIデコーダ | • (1.0 × 10⁸, 1.9 × 10⁵) | • (9.3 × 10⁵, 2,395) | • 9,100倍以上削減 |
| • HHL回転角 (arcsin) | • (1.6 × 10⁴, 300) | • (1,348, 115) | • 32倍削減 |
| • Coulombポテンシャル (1/√｜｜x｜｜²) | • (6,355, 252) | • (1,140, 142) | • 9.9倍削減 |
| • 固定小数点ガウス関数 (e-x²) | • (2.4 × 10⁴, 362) | • (1,583, 139) | • 39倍削減 |
| • Fe&sub2;S&sub2; Alias–Select（化学） | • (5.5 × 10⁴, 139) | • (1.5 × 10⁴, 126) | • 4.1倍削減 |
| • 非可換格子ゲージシミュレーション | • (1.3 × 10⁶, 1,927) | • (1.7 × 10⁵, 1,859) | • 7.7倍削減 |
| • 素体モジュラ逆数演算 | • (1.9 × 10⁶, 1,446) | • (4.0 × 10⁶, 935) | • 新しいDivstepsアーキテクチャ |
固定された回路グラフに対して局所的なゲートレベルの書き換えを行う従来の自動回路最適化器とは異なり、Harvard-Anthropic-QuEraフレームワークは、LLM（Claude）が異なるアルゴリズムファミリーにわたって完全なPythonプログラムを提案することを可能にします。古典的評価器は、キックミックスモデルを用いて候補回路をテストし—基底軌道をシミュレーションして位相キックバックを追跡—正確な正当性を検証するとともに、TQコスト（Toffoli数T×ピーク量子ビット占有量Q）によって候補をスコアリングします。
進化的探索により、以下の3つの基本的な共設計原則が繰り返し発見されました：
- 条件付き算術に対する条件付きルーティング：実行ブランチごとに個別の高コストな条件付き算術ブロックを配置する代わりに、低コストな制御SWAPゲートを用いて選択されたデータを単一の共有された非条件付き算術ブロックにルーティングする。
- 進化する算術状態からのブランチデコード：アンコンピュテーションパス中に更新された算術レジスタに存在する数学的不変量から中間ブランチ選択を直接デコードすることで、大規模な量子ビット履歴スタックを排除する。
- 失敗予算によるリソース割り当ての制約：履歴スタック領域とループ境界を最悪ケースの制限ではなく典型的な入力に合わせて割り当て、制御された失敗率（ε〜10⁻⁴）を許容することで、数百のアンシラ量子ビットを節約する。
8番目のタスク—暗号学と数論のための素体モジュラ逆数演算—において、フレームワークはdivstepsの新しい可逆アーキテクチャを発見しました。divstepsは古典的な定時間モジュラ逆数演算アルゴリズムであり、履歴ストレージのオーバーヘッドにより量子計算には使用できないと従来考えられていました。2-adic数学的不変量を導出することにより、回路は曖昧なブランチ決定の87.6%を更新されたレジスタから直接デコードし、わずか12.4%のみを60量子ビットの小さなスタックに格納して、Toffoli数と量子ビット占有量の間のスムーズなトレードオフフロンティアを確立しました。
HermitianコードDQIデコーダ（9,100倍以上の削減）については、AIが生のヌル空間行列ストレージをインプレースLanczos反復とストライプ位相スキャンに置き換え、ピーク量子ビット数を190,000から2,395に、Toffoli数を1億から93万に削減しました。同様に、数値関数（HHL角度評価、Coulombポテンシャル、ガウス基底関数）については、AIが広い固定小数点乗算を2のべき乗アライメントされたダイアディックルックアップと直接アキュムレータ更新に置き換え、TQコストを9.9倍から39倍削減しました。
Yuval Boger氏のLinkedIn投稿はこちらで、arXivの技術原稿はこちらで確認できます。
GQIポータルにて
QCRを執筆するチームは、GQIの検証済み量子産業データベースであるGQI Factoryにおいて、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プレーヤーにリンクし、QCRの有料プランで提供予定です。
- 2026年10月17日MIT物理学者らが第一原理AIを用いて強ランダウ準位混合における非可換エニオン秩序を解明
- 2026年10月17日D-Waveが728量子ビットを用いた高次トポロジカル絶縁体の3Dアナログ・デジタル量子シミュレーションを実証
- 2026年10月17日Open QuantumがIonQ、Rigetti、IQM、AQTハードウェア向け高レベルQPU実行のネイティブQrisp統合を開始
- 2026年10月17日Chalmers Next Labs、ConScience、NQFFが国際テストベッド全体で超伝導量子ビットチップの安定性を検証
- 2026年10月17日MIT BengaluruがQ-HUB@MAHEを開設し、QuantrolOxのオープンアーキテクチャVIDYAQAR量子システムを導入
