QCPINN: Quantum-Classical Physics-Informed Neural Networks for Solving PDEs

物理学の世界は、翼の上を流れる空気の流れから金属棒を通る熱の拡散に至るまで、あらゆるものの動きや変化を記述する一連の数学的規則に基づいて構築されています。科学者たちは、これらの規則を偏微分方程式と呼んでいます。数十年にわたり、これらを解くには膨大な計算能力と複雑な数値的手法が必要であり、問題が複雑になりすぎたりデータが不足したりすると、しばしば破綻してきました。近年、「物理情報に基づいたニューラルネットワーク（physics-informed neural networks）」と呼ばれる新しいアプローチが登場しました。これらは、単にデータから学習するだけでなく、自然界の法則そのものを学習するように設計されたコンピュータプログラムであり、自然界の規則をその構造の中に直接組み込んでいます。有望ではありますが、これらのプログラムは、正確な結果を得るために、数百万もの調整可能な設定を持つ巨大なものになることがよくあります。これはボトルネックを生み出します。物理的な問題が複雑になればなるほど、コンピュータモデルはより大きく、より高価にならなければならないのです。

イスタンブール工科大学と英国の科学技術施設評議会の研究者たちは、精度を損なうことなく、これらのモデルを縮小する方法を探求してきました。彼らは、標準的なコンピュータ処理と量子計算の原理を組み合わせたハイブリッドシステムを開発しました。「量子・古典ハイブリッド物理情報ニューラルネットワーク（Quantum-Classical Physics-Informed Neural Network）」として知られるこの新しい構成では、複雑なパターンの学習という重労働が、古典的なコンピュータと量子回路の間で共有されます。チームはこのアイデアをテストするため、5つの異なる種類の困難な物理方程式を解かせました。その結果、特定の種類の量子回路を使用することで、従来の巨大な古典的モデルと同等の結果を、はるかに少ない設定数で達成できることがわかりました。いくつかのケースでは、新しいシステムは従来のアプローチで必要とされるパラメータのわずか10〜30パーセントしか使用しませんでした。

この研究の核心は、研究者たちがどのようにして二つの全く異なるタイプの計算を組み合わせたかにあります。システムの一部の標準的なニューラルネットワークは、前処理および後処理として機能し、生のデータと最終的な出力を処理します。これらの古典的な層の間に、量子層が挟み込まれています。この量子層は、現在の物理的な量子コンピュータ（そのような作業を行うにはノイズが多く不安定すぎるため）上で動作するのではなく、量子コンピュータがどのように振る舞うかを模倣するプログラムであるシミュレータ上で動作します。研究者たちは、これらの量子層について主に二つのスタイルをテストしました。第一のスタイルは、光波の位置や運動量のような、滑らかに流れる量（連続変数）を扱うものです。第二のスタイルは、通常のコンピュータのビットに似ているが、複数の状態に同時に存在できる能力を備えた「量子ビット（qubit）」と呼ばれる明確な単位に依存する離散変数を用いるものです。

チームが実験を行った際、連続変数スタイルの結果は期待外れでした。どのように設定を調整しても、これらのモデルは落ち着くことができませんでした。それらは不安定になり、学習プロセスが安定した解を見つけることに失敗しました。研究者たちは、これらの連続システムに関わる数学が非常に敏感であるためではないかと推測しています。つまり、数値のわずかな変化が結果に巨大で予測不可能な変動を引き起こし、コンピュータが正しい経路を学習することをほぼ不可能にしているのです。その結果、チームは離散変数モデルでの成功に焦点を絞りました。彼らは量子ビットを接続するいくつかの異なる方法をテストし、リング状、レイヤー状、そして複雑なメッシュ状に見えるパターンを試しました。

最も成功した設計は、量子ビットが特定の構造化された方法で接続されているものでした。一つの優れたパフォーマンスを示したものは、各量子ビットが隣人と通信するリング状の接続を使用しており、もう一つは、すべての量子ビットが他のすべての量子ビットと相互作用できるメッシュを使用していました。これらの構成により、システムは物理方程式の中にある複雑な関係を効率的に捉えることができました。研究者がこれらの量子強化モデルを最高の伝統的なモデルと比較したとき、効率の差は明白でした。弦の振動に関する問題では、量子モデルは約796の設定を使用しましたが、伝統的なモデルは2,751を必要としました。箱の中の流体の流れに関する問題では、量子モデルは923の設定を使用しましたが、伝統的なモデルは8,000を超えていました。どちらのケースにおいても、量子モデルは同じレベルの精度に達しており、はるかに小さなシステムが同じ仕事を遂行できることを証明しました。

恩恵はサイズだけではありませんでした。いくつかのテストにおいて、量子モデルは実際に伝統的なモデルよりも間違いが少なかったのです。物質が流体中を拡散する問題では、伝統的なモデルのエラー率は12パーセントを超えていましたが、量子モデルはそれを5パーセント未満に抑えました。これは、量子層が、物理問題において正しく把握するのが最も難しい部分である、データの急激で鋭い変化を捉えることに特に優れていることを示唆しています。しかし、この効率性には速度とのトレードオフがあります。研究者が実際のハードウェアではなくシミュレータ上でこれらの量子回路を実行していたため、プロセスはより遅くなりました。量子モデルのトレーニングには、一段階あたり古典的モデルよりも大幅に長い時間がかかり、時には40倍の計算時間を要しました。これは、標準的なコンピュータ上で量子的な振る舞いをシミュレートすることは計算コストが高いことが予想されるためです。

この研究はまた、データが量子システムにどのように供給されるかが極めて重要であることも明らかにしました。研究者は二つの方法を試しました。一つはデータを量子ビットの回転角にマッピングする方法、もう一つはデータを量子ビットがある特定の状態にある確率にマッピングする方法です。角度ベースの方法の方がはるかにうまく機能しました。この方法は、システムがより滑らかかつ一貫して学習することを可能にしましたが、確率ベースの方法は明確な経路を見つけるのに苦労しました。この発見は、なぜ特定の量子機械学習アプローチが他のものよりも優れているのかを説明する助けとなり、トレーニングをより安定させるための具体的な設計上の選択肢を指し示しています。

結果は有望ではあるものの、研究者たちはこれがまだ初期段階であることを注意深く述べています。モデルは実際の量子コンピュータではなく、シミュレータでテストされました。実際の量子マシンは現在非常にノイズが多く、エラーが発生しやすいため、繊細な学習プロセスを乱す可能性があります。チームは、完璧なシミュレーションから実際のデバイスへと移行することは、量子ハードウェアに自然に発生するノイズに対処するといった新たな課題をもたらすことを認めています。それにもかかわらず、この研究は将来への明確なロードマップを提供しています。それは、ハイブリッドシステムが純粋な古典的カウンターパートよりもはるかに効率的になり得ることを示しています。最も複雑な問題を扱うために小さな量子回路を使用することで、科学者たちは現在よりもはるかに少ない計算力で困難な物理方程式を解ける可能性があります。これは、古典的世界と量子の世界を融合させた、新しい科学的発見への経路を提供し、現在はコストがかかりすぎる、あるいは時間がかかりすぎる問題に取り組むための扉を開くものです。