⚛️ quantum physics

Quantum Architecture Search with Unsupervised Representation Learning

本論文は、教師なし表現学習と改良されたグラフエンコーディングを活用することで、NISQデバイス向けの高性能な量子回路を効率的に探索する、予測器を用いない量子アーキテクチャ探索フレームワークを提案し、実機上での実行成功によってその妥当性を検証している。

原著者： Yize Sun, Zixin Wu, Volker Tresp, Yunpu Ma

公開日 2026-02-04

📖 1 分で読めます🧠 じっくり読む

CC BY 4.0

原著者： Yize Sun, Zixin Wu, Volker Tresp, Yunpu Ma

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

完璧なケーキのレシピを作ろうとしていると想像してください。しかし、あなたは料理本を持っておらず、ケーキを焼いてみるまでその味を知ることもできません。量子コンピューティングの世界では、「ケーキを焼くこと」は非常にコストがかかり、時間がかかります。なぜなら、エラーが起きやすい（例えるなら、常にガタガタと揺れているキッチン）繊細で壊れやすい実機の量子マシンを使う必要があるからです。

この論文は、すべてのケーキを試食することなく、最高の「量子レシピ」（量子回路と呼ばれます）を見つける新しい方法を紹介しています。その手法を、分かりやすく説明します。

1. 問題点：「味見」というボトルネック

従来、最高の量子回路を見つけるために、研究者たちは何千もの異なる設計を試してきました。それぞれの設計について、それがどれほど上手く機能するかを確認するために、量子コンピュータ上で実行する必要がありました。これは、最高のケーキのレシピを見つけるために、1万個のケーキを焼き、そのすべてを味わってみるようなものです。これには膨大な時間がかかり、莫大な費用がかかります。

以前の手法の中には、「予測器（推測する仕組み）」を使って、「この設計は良さそうだから、焼く工程をスキップしよう」と判断するものもありました。しかし、この予測器を訓練するためには、何千ものケーキを実際に焼き、何が「良い」のかを教え込むために、やはり大量の試食が必要でした。これは一種の「堂々巡り（キャッチ22）」でした。

2. 解決策：「良さ」の「形」を学ぶ

著者たちは、人間がパターンを認識する方法からインスピレーションを得ました。彼らはこう問いかけました。「量子回路の『形』や『構造』を、一度も味見することなく、コンピュータに理解させることはできるだろうか？」

彼らは、**教師なし表現学習（Unsupervised Representation Learning）**と呼ばれる手法を用いました。これは、数百万もの異なるケーキのデザイン（良いものも悪いものも含む）を見たことはあるが、一度も味を見たことがないマスターシェフのようなものです。時間をかけて、そのシェフは、特定の構造的特徴（例えば、層がどのように積み重なっているか、あるいはデコレーションがどこに施されているか）が、どのように組み合わさっているかを学習していきます。

「設計士」（エンコーダー）： 彼らは、量子回路の設計図を見て、それをシンプルな「IDカード」（数学的なベクトル）に変換するシステムを構築しました。
「魔法の地図」（潜在空間）： 彼らは、これらのIDカードを地図上に配置しました。ここで面白い発見がありました。構造的に似ている回路は、この地図上で互いに近い場所に位置していたのです。さらに優れた点は、実際にうまく機能する（高性能な）回路は、システムに「どれが良いか」を教えられていないにもかかわらず、この地図上の特定の領域に集まる傾向があったことです。

3. 探索：キッチンではなく、地図を探索する

この「魔法の地図」を手に入れた後、彼らは生の設計図を見るのをやめました。代わりに、2種類の異なる「探検家（アルゴリズム）」を地図の上で歩かせました。

REINFORCE： 自分の間違いから学び、有望そうな地図の領域へと進んでいく賢い探検家です。
ベイズ最適化（Bayesian Optimization）： 最良のスポットがどこに隠されているかを確率を用いて推測する、戦略的な探検家です。

彼らは、混沌としていて乱雑なキッチンではなく、滑らかで整理された地図の上で探索を行ったため、高性能な回路をより迅速に見つけ出すことができました。彼らは、どこを探すべきかを教えてくれる「予測器」や、ラベル付けされた膨大なリストを必要としませんでした。地図そのものが彼らを導いたのです。

4. 「強化された設計図」

この論文では、設計図の描き方に関する具体的な改善についても触れています。従来の手法は、回路のすべての部分を汎用的な地図のように一様に扱っていました。著者らは、2量子ビット相互作用において、どの「量子ビット（ビットの量子版）」が「ボス（制御側）」であり、どちらが「ワーカー（標的側）」であるかを正確にマークするなど、特定の詳細情報を追加しました。これにより、地図はより明確かつ正確になり、探検家たちがより良い回路を見つける助けとなりました。

5. 実世界でのテスト

これが単なるコンピュータ・シミュレーションではないことを証明するために、彼らは見つけた最高の回路を、実機の量子コンピュータ（IBMの ibm_sherbrooke）で実行しました。

結果： 実機はノイズが多く不完全（例えるなら、テーブルがガタガタと揺れているキッチン）でしたが、彼らが見つけた回路は完璧に機能しました。シミュレーションと同様に、100%正しい答えを得ることができたのです。

まとめ

要約すると、著者たちは、すべての設計をテストすることなく、構造のみから学習する手法を用いて、量子回路のデザインの「スマートな地図」を作り上げました。そして、その地図を使って最適なデザインを素早く見つけ出しました。これにより、時間の節約、コストの削減が可能となり、現在私たちが手にしているノイズが多く不完全な量子コンピュータ上でも動作します。彼らは、最高のレシピを見つけるためにすべてのケーキを味わう必要はなく、ただキッチンの幾何学を理解すればよいのだということを、見事に証明しました。

技術要約：教師なし表現学習を用いた量子アーキテクチャ探索

問題提起

量子アーキテクチャ探索（QAS）は、ノイズのある中規模量子（NISQ）デバイス上で、変分量子アルゴリズム（VQA）に最適なパラメータ化量子回路（PQC）を自動的に設計することを目的としている。現在のQAS手法は、以下のような重大なスケーラビリティの課題に直面している：

密結合（Tight Coupling）: ほとんどのアルゴリズムは、探索空間の定義と探索アルゴリズムを密接に結合させており、膨大な数の量子回路の評価を必要とする。これは計算コストを増大させ、スケーラビリティを制限する。
予測器の限界: 予測器ベースのQAS手法は、回路の性能を推定することで評価コストを軽減しようと試みるが、これらは大規模なラベル付きデータセットに大きく依存している。正確な予測器を訓練するには、多数の回路に対してラベル付けを行うための多大な時間を要するため、不確実性が導入され、候補の再評価が必要となる。
表現の欠如: 量子回路の既存のエンコーディングスキームは、2量子ビットゲートにおける制御（control）とターゲット（target）の役割を区別できなかったり、エッジの重みを一律に割り当てたりすることがあり、これらは表現の損失や再構成の最適化不足を招く。

手法

著者らは、古典的なニューラルアーキテクチャ探索アルゴリズムであるArch2vecに着想を得た、教師なしアーキテクチャ表現学習と探索プロセスをデカップリング（分離）するフレームワークを提案している。このフレームワークは、以下の2つの独立したステージで構成される：

1. 強化された回路エンコーディング

著者らは、量子回路を有向非巡回グラフ（DAG）として表現するための改良されたエンコーディングスキームを導入した。

グラフ構造: 各ゲートがノードとなる。有向エッジは、同一量子ビット上での実行依存関係を表す。グローバルな開始ノードと終了ノードにより、一貫したトポロジカル順序が保証される。
行列表現:
- 隣接行列 ( $A$ ): 構造的トポロジーを捉える。先行研究とは異 달리、エッジの重みは操作に関与する量子ビット数に比例して割り当てられる（例：2量子ビットゲートの場合は重み2）。
- ゲート行列 ( $X$ ): ノードの特徴をエンコードする。極めて重要な点として、2量子ビットゲートにおいて、制御量子ビットに $-1 $、ターゲット量子ビットに$ +1$ を割り当てることで役割を明示的に区別し、従来のエンコーディングにおける曖昧さを解消している。

2. 教師なし表現学習

グラフ同型ネットワーク（GIN）ベースの変分グラフオートエンコーダ（VGAE）を用いて、性能ラベルなしで回路構造 ( $A, X$ ) から滑らかな低次元潜在空間 ( $Z$ ) を学習するように訓練される。

エンコーダ: 局所的なゲートパターンと接続性を集約するために、メッセージパッシングを備えた $L=5$ 層のGIN層を使用する。融合層（fusion layer）は、堅牢性を向上させるために全層からの情報を集約する。
デコーダ: 潜在変数から隣接行列およびゲート行列（ゲートの種類と量子ビットの位置）を再構成する。
目的関数: エビデンス下界（ELBO）を最大化し、構造的に類似した回路が潜在空間内の近い領域にクラスタリングされることを保証する。この「滑らかさ」は、性能の類似性と相関していると仮定されている。

3. 予測器フリーのアーキテクチャ探索

エンコーダの事前学習が完了した後、探索プロセスは完全に連続的な潜在空間内で行われ、予測器やラベル付きデータセットの必要性を排除する。

探索アルゴリズム: 本フレームワークは、潜在空間を探索するために、REINFORCE（LSTMポリシーを用いた強化学習アルゴリズム）および**ディープネットワークによるグローバル最適化（DNGO）を用いたベイズ最適化（BO）**を採用している。
評価: 潜在空間からサンプリングされた候補アーキテクチャは、回路へとデコードされ、特定のタスク報酬（例：MaxCutや量子化学における基底状態エネルギー、状態準備における忠実度）に対してのみ評価される。

主な貢献

デカップルされたフレームワーク: 著者らは、教師なし表現学習と探索プロセスを分離することに成功した。これにより、学習された表現を、大規模なラベル付きデータセットによる予測器の再訓練なしに、異なるダウンストリームタスク間で再利用することが可能になる。
強化されたエンコーディングスキーム: 提案されたエンコーディングは、2量子ビットゲートにおける制御/ターゲットの役割を明示的に区別し、相互作用の複雑さに基づいてエッジに重みを付けることで、既存手法の限界に対処している。これにより、より正確な埋め込みと潜在空間の組織化が実現される。
予測器フリーの探索: REINFORCEとBOを潜在表現に直接適用することで、予測器の訓練に伴う不確実性とデータ要件を取り除いた。
ハードウェア検証: このアプローチは実機の量子ハードウェア（IBMの ibm_sherbrooke）で検証され、シミュレータ上で発見されたアーキテクチャが、パラメータの再チューニングなしに物理的なノイズ下でも最適な性能を維持していることが示された。

実験結果

実験は、量子状態準備、MaxCut、および量子化学（ $H_2$ および $LiH$ 分子）の3つのタスクに対して、4〜12量子ビットの回路サイズで行われた。

表現の質: 改良されたエンコーディングは、GINを用いることで、再構成精度（ゲートの種類、量子ビット、隣接関係）においてベースラインモデル（GSQAS, VGAE）を上回り、より滑らかでコンパクトな潜在空間を生成した。可視化（PCAおよびt-SNE）によれば、特に4量子ビットの領域において、高性能な回路が共にクラスタリングしていることが示された。
探索効率:
- REINFORCEとBOは、いずれも1,000回のクエリ内で高報酬の回路を見つけるにおいて、ランダム探索を大幅に上回った。
- 提案手法は、予測器ベースの手法（GNNURL, GSQASURL）と同等またはそれ以上の結果を達成しつつ、はるかに少ない回路評価数（ $N_{QAS}/N_{eval}$ 比率が著しく高い）でこれを実現した。
- 8量子ビットの実験では、提案手法は最悪のシナリオにおいても、ランダム探索よりも多くの性能閾値を満たす候補回路を発見した。
実機での性能: 4ノードおよび8ノードのMaxCut問題において、発見された最良の回路は、NISQノイズが存在するにもかかわらず、ibm_sherbrooke デバイス上で最適なビット文字列を測定する確率100%を達成し、シミュレータの結果と一致した。

意義と主張

本論文は、教師なし表現学習が、スケーラブルな量子アーキテクチャ探索への実行可能な道筋を提供することを主張している。構造データのみから滑らかな潜在空間を学習することで、このフレームワークは、ラベル付けや予測器の訓練という重い計算負荷を負うことなく、回路設計空間の効率的な探索を可能にする。

著者らは、このアプローチの成功が、教師なし表現の質と探索アルゴリズムの選択に依存していることを強調している。結論として、この予測器フリーの戦略は、より少ない探索イテレーションで高性能な量子回路を効果的に特定できることを示しており、近未来の量子デバイス最適化に向けた有望な方向性であることを示している。