Quantinuumは、量子コンピューティングと人工知能の交差点における課題に取り組むため、量子データ生成とトランスフォーマーベースの機械学習を統合したハイブリッドアプローチである生成量子AI（GenQAI）を導入しました。この方法論の中心となるのは生成量子固有値ソルバー（GQE）で、量子回路から生成されたデータを活用して、改良された量子回路を提案するトランスフォーマーモデルを訓練します。この反復的なフィードバックループにより、システムは段階的により低エネルギーの量子状態を特定し、量子化学における基本的な問題である分子の基底状態の探索を改善します。
GQEフレームワークを検証するため、Quantinuumは量子化学における標準的なベンチマークである水素分子（H₂）でこの手法をテストしました。このハイブリッドシステムは、化学的精度の範囲内で基底状態エネルギーの特定に成功し、古典的なシステムでは解けない量子力学的問題を解決するために、量子プロセッシングユニット（QPU）をトランスフォーマーなどのAIモデルと組み合わせて使用することの実現可能性を実証しました。大規模な状態列挙や近似に依存する古典的なアプローチとは異なり、この手法は複雑な状態を準備する量子ハードウェアの能力を直接活用し、AIが収束を加速させます。
今後、Quantinuumはより複雑な分子系や、創薬、材料探索、組み合わせ最適化などのより広範なアプリケーションにGenQAIを拡張する計画です。量子ハードウェアを使用して新しいデータを生成し、そのデータからAIが学習し最適化するという基本概念は、科学的および産業的な領域全体での実用的な量子優位性の基礎となる可能性があります。
背景
分子の基底状態とは、分子が最も安定した、つまりエネルギーが最小の状態を指します。化学反応や物質の性質を理解する上で、この最低エネルギーの状態を正確に求めることは基本的かつ重要な課題です。
量子固有値ソルバーは、量子系のエネルギー準位（固有値）を計算するための手法です。従来の古典コンピュータでは、原子や分子のような複雑な量子系のエネルギーを正確に算出することが困難な場合があり、量子コンピュータを用いてこの計算を効率化することが期待されています。
トランスフォーマーは、自然言語処理などで高い性能を示す人工知能のモデルアーキテクチャです。本記事では、量子回路から生成されたデータを学習し、より低エネルギーな量子状態を見つけるための改良案を提案する役割を果たしています。
関連する記事としてQuantinuum、NVIDIA、PfizerがGenerative Quantum AI（GenQAI）フレームワークを製薬研究開発において検証、量子化学計算を軽量化する「SQD対応の回路圧縮」— 精度を保ったまま最大33倍の高速化、Quantinuum「Helios」の商用展開が加速――クラウド統合と製造パートナーシップで量子コンピュータ実用化へもあわせてご覧ください。
2025年5月1日
