量子コンピューティングの文脈

以下の動画では、Olivia Lanes がこのレッスンの内容を説明しています。別ウィンドウで開きたい場合は、YouTube 動画をご利用ください。

このコースでは、最初の量子 Circuit を実行することから始め、量子力学の法則が量子状態・Gate・Circuit の作成にどのように使われるかを学んできました。少し視野を広げてみましょう。このセクションでは、量子コンピューティングについての会話や見出し、記事をより批判的な目で読めるよう、異なる視点から量子コンピューティングを探っていきます。

量子コンピューティングには多くの興奮があり、この技術が提供しうる可能性については疑いの余地がありません。「ハイプ」と呼んでもいいほどかもしれません。新しい発見に対してハイプが生まれるとき常にそうであるように、事実とフィクションを見分けることが難しくなります。それを踏まえて、まず量子コンピューティングがではないものから始めるのが得策です。

• 量子コンピューティングは従来の古典コンピューターを置き換えるものではありません。また「量子スマートフォン」にもなりません。
• すべての可能な答えを同時に確認する手段でもありません。
• すべてのタスクで古典コンピューターより優れているわけでもありません。
• AI と競争しているわけでもありません。
• フォールト・トレランスやエラー訂正を達成するまで役に立たないわけでもありません。
• 魔法でもありません。

これで、このコースを離れたくなったり、実際に価値あるものが何もないと思ったりすることはないでしょう。まったく逆です！量子コンピューティングは非常に強力な可能性を秘めています — ただし、特定のアプリケーションに限ってのことです。幸い、それらのアプリケーションには、化学シミュレーション、材料探索、大規模データセットの解析など、重要な問題へのアプローチを根本的に変えうる活発な研究分野が含まれています。これらのアプリケーション領域を探る前に、まずこれらの誤解のいくつかをより詳しく掘り下げてみましょう。

スケーリング

量子コンピューターに関するもう一つの一般的な誤解は、Qubit が多いほど強力だというものです。これは完全に間違いではありませんが、全体像を描き切れていません。数量のスケールアップは確かに重要な要素ですが、Qubit 自体の品質と同様に重要です。品質はいくつかの方法で測定されますが、最も重要なのがコヒーレンス時間と位相緩和時間（それぞれ $T_1$ と $T_2$）です。これらは Qubit 内の量子情報が安定を保てる時間の測定値です。最初の超伝導 Qubit が実証されたとき、この数値はナノ秒オーダーでした（Nakamura et al., 1999）。現在では、数百マイクロ秒の安定したコヒーレンス時間を持つ Qubit を定常的に製造しています。

量子コンピューターの改善を評価する際に注目するもう一つの重要な指標は速度です。速度を測定するために、回路層操作毎秒（CLOPS）と呼ばれるものを使います。CLOPS は Circuit の実行時間と実時間・準リアルタイムの古典計算の両方を組み込んでおり、速度の総合的な単一指標として機能します。

これら 3 つの要素すべてが、フォールト・トレラントで汎用的な量子コンピューターへの道を歩み続けるために必要です。そのため、IBM Quantum® ロードマップを見ると、プロセッサー間の一部のジャンプで Qubit 数の大幅な増加がないことに気づくでしょう。例えば、Heron と Nighthawk の間の Qubit 数の控えめな増加に注目してください。それはその改善の本当の焦点ではないからです。代わりに、Nighthawk は異なるエラー訂正コードを可能にする新しい接続トポロジーを実装しています。

エラー訂正対エラー緩和

エラー訂正は、量子コンピューティングの研究者にとって最大の長期目標の一つです。Qubit は常にある程度ノイズが多くエラーが起きやすいという前提に基づいており、ショアのアルゴリズムなどの大規模アルゴリズムを実行したい場合は、これらのエラーをリアルタイムで検出・訂正する能力が必要になります。エラー訂正コードには多くの種類があります。詳しく知りたい方は、量子エラー訂正の基礎コースなど他のコースをご参照ください。

一方、エラー緩和はすでに量子コンピューティングの結果を改善するために定期的に使用されています。エラー緩和の考え方は、エラーが発生することを受け入れ、その影響を減らすためにエラーの挙動を予測しようとするものです。エラー緩和には多くの手法があります。多くは量子コンピューター上での複数回の実行と古典的な後処理を必要とします。エラー訂正がエラー緩和を完全に置き換えることはおそらくないでしょう。代わりに、量子コンピューターから可能な限り最良の結果を返すために、両者が組み合わさって使われると予測しています。

量子コンピューティングのコンポーネント

先ほど、量子コンピューターがいつか古典コンピューターを置き換えるという誤解に触れました。これは明らかにそうではありません。量子コンピューターと古典コンピューターは実際にはお互いを置き換えようと争っているわけではありません。実際、前のセクションで述べたように、量子コンピューターは様々な理由から機能するために古典コンピューターを必要とします。「コンピューター」について広く話すとき、通常は CPU、RAM、メモリなどのすべてのコンポーネントを含むと仮定しています。逆に、量子コンピューターはこれらすべてのコンポーネントを持っているわけではありません。「量子コンピューター」と言う場合、実際には QPU（量子処理ユニット）を指していることが多く、これは CPU からの処理の役割を引き継ぎます。QPU 自体は汎用コンピューターではありません。オペレーティングシステムを実行したり、メモリを管理したり、ユーザーインターフェースを処理したりしません。その唯一の役割は、測定結果を古典系に返す前に、慎重に制御された量子操作に従って Qubit を操作することです。

実際には、今日の量子コンピューターはハイブリッドシステムとして最もよく理解されます。古典コンピューターがワークフローを調整し（入力の準備、量子 Circuit のコンパイル、ジョブのスケジューリング、結果の後処理）、QPU は計算の量子部分のみを実行します。量子ハードウェアが進歩しても、この役割分担は続くと予想されており、進歩は古典コンポーネントを排除するのではなく、古典系と QPU の間のより密接な統合と高速な通信に焦点を当てることになるでしょう。

量子コンピューティングの有望なアプリケーション分野

量子コンピューティングが最もインパクトを持つと考える分野を、最適化、ハミルトニアン・シミュレーション、偏微分方程式（PDE）、機械学習という 4 つのカテゴリーに大まかに分類しています。

ハミルトニアン・シミュレーション

このトピックは、自然界に見られる量子力学的プロセスのシミュレーションに関するものです。核心は 2 つの広い課題です。ハミルトニアンで記述された系の基底状態エネルギーを見つけること（ハミルトニアンは系内の総エネルギーと相互作用をエンコードする）と、その系が時間とともにどのように発展するかをシミュレートすること（量子ダイナミクス）です。

これは量子コンピューターにとって最も自然なアプリケーション分野の 1 つです。量子系は古典コンピューターでシミュレートするのが notoriously 困難です。量子状態空間のサイズが粒子数とともに指数的に増大するためです。対照的に、量子コンピューターは量子状態を直接表現するため、少なくとも原理的には、これらの種類の問題に適しています。

主なアプリケーション分野には以下があります。

• 化学と材料科学：分子構造、反応経路、結合エネルギー、材料特性の予測
• 凝縮系物理：強相関系、相転移、エキゾチックな量子状態の研究
• 高エネルギー・核物理：粒子相互作用のモデリング

長期的には、ハミルトニアン・シミュレーションの進歩により以下が可能になります。

• より正確な創薬と触媒設計
• バッテリー用新素材の発見
• 基礎的な物理現象への深い洞察

SQD など最もよく研究された量子アルゴリズムの多くは、ハミルトニアン・シミュレーションを念頭に置いて開発されました。その結果、このカテゴリーは量子コンピューティングで最も科学的に説得力があり、理論的根拠のしっかりしたユースケースの 1 つとして見られることが多いです。

最適化

最適化問題は、制約の下で大きな候補解の集合から最適な解を見つけることを含みます。これらの問題は科学、工学、産業全体に現れ、問題のサイズが大きくなるにつれて計算上手に負えなくなることが多いです。

例には以下があります。

• スケジューリングとルーティング（例：サプライチェーン、交通流、航空スケジューリング）
• ポートフォリオ最適化とリスク管理（金融）
• リソース配分とロジスティクス
• グラフ分割やマックスカットなどの組み合わせ問題

多くの最適化問題は計算複雑性理論で NP 困難として分類されており、古典アルゴリズムは通常、大規模なインスタンスに対してヒューリスティクスや近似に頼ります。Qubit は古典ビットとは異なる振る舞いをするため、解を異なる方法でモデル化できます。これにより、解空間を古典アルゴリズムよりも速く、またはより完全に探索できるかもしれません。

一般的な量子アプローチには以下があります。

• 変分アルゴリズム（量子近似最適化アルゴリズム（QAOA）など）
• 古典ソルバーが量子サブルーチンを誘導・改善するハイブリッド古典・量子ワークフロー

量子最適化がいつ、どの問題に対して、最先端の古典的手法に対して明確な優位性をもたらすかはまだ開かれた問いですが、その普遍性と最適化目的と量子ハミルトニアンの自然なマッピングから、最適化は主要な関心領域であり続けます。

偏微分方程式（PDE）

偏微分方程式は、物理量が空間と時間にわたってどのように変化するかを記述します。流体力学、電磁気学、熱移動、金融モデリングなど、科学と工学における最も重要なモデルの多くを支えています。

例には以下があります。

• 流体流動のナビエ・ストークス方程式
• シュレーディンガー方程式と波動方程式
• マクスウェル方程式
• ブラック・ショールズと関連する金融 PDE

古典コンピューターで PDE を数値的に解くには、細かい空間グリッドと長い時間発展が必要となることが多く、高い計算コストとメモリ使用量につながります。

PDE に対する量子アルゴリズムは通常、以下に依存します。

• PDE を大規模な線形方程式系にマッピングする
• HHL アルゴリズムとその変種などの量子線形代数サブルーチン
• 量子コアを古典的な前処理と後処理が取り囲むハイブリッドワークフロー

理論的には、特定の仮定（効率的な状態準備と読み出しなど）の下で指数的または多項式のスピードアップを提供できる量子アプローチがあります。実際には、PDE の解法はより長期的なアプリケーションになると予想されており、フォールト・トレラントな量子コンピューティングと高性能コンピューティング（HPC）システムとの量子・古典統合の進歩と密接に関連しています。

機械学習

量子機械学習（QML）は、量子コンピューターが機械学習とデータ解析の側面をどのように強化・加速できるかを探ります。これには以下の両方が含まれます。

• 量子コンピューターを使って古典アルゴリズムとは異なる分類挙動で分類問題を探る
• 本質的に量子的な性質を持つ新しいモデルを開発する

提案されているアプリケーションには以下があります。

• 分類とクラスタリング
• カーネル法と特徴マップ
• トレーニングループ内の最適化サブルーチン

多くの QML アルゴリズムは以下を活用します。

• 訓練可能なモデルとしてのパラメーター化量子 Circuit
• 変分最適化手法
• 高次元の特徴空間で暗黙的に動作する量子カーネル

ただし、機械学習は量子優位を示すのが特に難しい分野です。古典機械学習は非常に成熟しており、量子モデルはデータロード、ノイズ、スケーリングなどの問題に対処しなければなりません。

その結果、現在の研究はこれらの分野に注力しています。

• 量子モデルが古典モデルを上回る可能性のある特定の領域の特定
• スタンドアロンの代替としてではなく、ハイブリッドワークフローの一部としての QML の探索
• 量子モデルの表現力、学習可能性、汎化の理解

量子機械学習は活発な研究分野であり、長期的なインパクトの可能性があります — ただし、実用的な優位性がいつ、どこで現れるかについては、依然として重要な未解決の問いがあります。

まとめ

このレッスンでは、量子優位はコンピューターを置き換えることについてではないことが明らかになりました。計算可能なものを拡張することについてです。これは人類がこれまでに試みた最も野心的なエンジニアリングプロジェクトの 1 つです。そして、すべての野心的なプロジェクトと同様に、混乱していて、遅く、そして素晴らしいものです。

これらのアルゴリズムが実際にどのように機能するかについてのフォローアップが必要な場合は、次のレッスンで、あなたの興味とキャリアゴールに基づいてどこに進むべきかを示します。