Google Quantum AI、カリフォルニア工科大学、パデュー大学の研究者たちが、生成量子モデルのファミリーを導入する論文を発表しました。この研究では、古典的な限界を超えた領域での学習とサンプリングの両方が効率的に実行できることを確立し、実証可能な優位性を持つ量子強化生成モデルの新たな可能性を開きました。
これらのモデルは、学習環境における不毛な平原やローカルミニマムを回避しながら、古典的なシミュレーションが困難になるように設計されています。68量子ビットの超伝導量子プロセッサを使用して、研究チームは2つのシナリオでこれらの機能を実証しました：古典的に扱いが困難な確率分布の学習と、加速された物理シミュレーションのための量子回路の学習です。この研究では、深い回路と浅い回路のファミリー間の厳密なマッピングと、学習環境を単純化する分割統治学習アルゴリズムである「縫合テクニック」を導入しています。
この研究は、古典的な限界を超えた領域での学習とサンプリングの両方が効率的に実行できることを実証することで、量子機械学習における重要な課題に取り組んでいます。一般的な回路の定数深度回路表現を効率的に特定する能力には量子コンピュータが必要であることが示されています。この研究は、実証可能な優位性を持つ量子強化生成モデルの開発の基礎を提供します。
背景
「生成量子モデル」は、古典的な計算手法では処理が困難な領域でも、学習やデータ生成（サンプリング）を効率的に行うことを目的とした量子コンピュータを用いたモデルです。従来の古典的なシミュレーションでは解決が難しい問題に対して、量子の性質を活用して優位性を実現しようとする試みです。
「不毛な平原」や「ローカルミニマム」は、機械学習における最適化問題で遭遇する困難な状態を指します。不毛な平原とは、勾配（改善の方向性）が極めて小さく、学習の進みが鈍くなる領域を意味します。また、ローカルミニマムとは、全体最適解ではなく、局所的には最も良い解だが、より良い解が存在する「谷間」にアルゴリズムが閉じ込められてしまう状態です。これらのモデルは、古典的なシミュレーションが困難になるよう設計されており、こうした壁を回避しながら学習を進めることを目指しています。
「縫合テクニック」は、学習環境を単純化するための「分割統治学習アルゴリズム」です。深い量子回路と浅い量子回路の間の厳密なマッピングを利用し、複雑な問題を小さな部分に分割して処理することで、学習の効率化と環境の単純化を図る手法です。
関連する記事としてGoogle Quantum AIが量子プロセッサWillowへの早期アクセス提案の受付を開始、大量の古典データ処理における指数関数的な量子優位性もあわせてご覧ください。
2025年9月15日
