Enhanced Variational Quantum Kolmogorov-Arnold Network

クォンタム・プレイグラウンド：数学と魔法が交差する場所

あなたは、写真の中から猫を見つけたり、天気を予測したりするように、コンピュータにパターンを認識させる方法を教えようとしていると想像してください。何十年もの間、私たちは「ニューラルネットワーク」を使用してきました。これは、基本的には、ワイヤーで接続された小さなプロセッサ（ニューロン）の層からなるデジタルな脳です。これらのデジタル脳における「学習」は、ニューロン間の接続の強さを微調整することによって行われます。それは、音楽が完璧に聞こえるまで、巨大なミキシングボードのボリュームノブを調整していくようなものです。

しかし、単にノブを回すだけでなく、接続そのものが形を変えられるとしたらどうでしょう？もし、ニューロンを繋ぐワイヤーが単なる静的なケーブルではなく、問題を解決するために必要なあらゆる曲線へと、伸びたり、ねじれたり、変形したりできるとしたら？これが、新しいタイプのAIである**コルモゴロフ・アーノルド・ネットワーク（KAN）**の背後にあるアイデアです。これは、古い設計に対する巧妙なひねりで、数学をより効率的にしています。

では、この超効率的なAIを量子コンピュータで動かそうとすることを想像してみてください。量子コンピュータは、コンピューティングにおける次なる大きな潮流です。これらは、素粒子の世界における奇妙なルール（粒子が同時に二つの場所に存在できることなど）を利用して、通常のコンピュータでは永遠に時間がかかるような問題を解決します。科学者たちが投げかけている大きな問いは、「この形を変えるAIの量子版を作れるか？」ということです。もし実現できれば、それは今日私たちが持っているあらゆるものよりも速く、より良く学習できるかもしれません。この論文は、あるチームがこの量子マシンを構築しようとし、それがどれほどうまく機能するかを確認し、なぜ時としてつまずいてしまうのかを解明しようとしている試みについてのものです。

---

形を変える量子マシン

この論文の著者である若浦光氏とその同僚たちは、**Enhanced Variational Quantum Kolmogorov-Arnold Network（EVQKAN）**と呼ぶ新しい設計を構築しました。EVQKANを、非常に特定の量子回路のレシピだと考えてください。通常の量子コンピュータでは、0、1、またはその両方の状態を同時に取ることができる「量子ビット（qubit）」があります。これらを学習させるために、これらの量子ビットを回転させる一連のゲート（操作）を適用します。

EVQKANのレシピでは、「学習」部分はスプラインと呼ばれる特別な数学的曲線によって処理されます。固定された回転を持つ代わりに、量子ゲートはこれらの柔軟な曲線によって制御されます。チームの大きな革新は、これらの曲線を「タイリング」法を用いて配置する巧妙な方法です。床をタイルで覆おうとしている場面を想像してください。あらゆる場所に巨大なカスタムタイルを作る代わりに、彼らは、いくつかのスマートで繰り返されるパターン（制御された回転）を使用して、床全体を効率的に覆う方法を見つけ出しました。この設計により、他の量子手法よりもはるかに少ない「ノブ」（学習可能なパラメータ）を使用することが可能になりました。これは、ノブが少なければ少ないほど、コンピュータが正しい設定を見つけやすくなるため、非常に重要なことです。

偉大なるフィッティング・コンテスト：勝者は誰か？

EVQKANが実際に機能するかどうかを確認するため、チームはこれを他の量子モデルや、さらには古典的なAIモデルとのコンテストに投入しました。最初の挑戦は、フィッティング問題です。グラフ上に点が散らばっており、それらを完璧に結ぶ滑らかな線を描かなければならない状況を想像してください。

このシミュレーションにおいて、EVQKANは主役でした。点の間を通る線を引くよう求められたとき、それは他の量子モデル（標準的な量子ニューラルネットワークや、古いVQKANなど）よりも著しく優れた成果を上げました。実際、彼らが行った10回の試行すべてにおいて、EVQKXANは古い量子モデルを打ち負かしました。その結果は極めて一貫しており、その精度はほぼ常に競合他社よりも優れたものでした。

しかし、一つ注意点がありました。EVQKANは最高の「量子」モデルではありましたが、古典的KAN（通常のコンピュータ上で動作する非量子版）にはまだ勝てませんでした。古典的なモデルは依然として最も正確でした。したがって、EVQKANは、この新しい量子設計が以前の量子的な試みよりも大幅な改善であることを証明しましたが、最高の非量子AIをまだ打ち負かすには至っていません。

分類というひねり：脚本が逆転する時

次に、チームは別の挑戦、**分類（classification）**を試みました。これは、赤と青のビー玉が混ざった山を、二つの別々の瓶に仕分けるようなものです。彼らは、ビー玉がトリッキーなパターンで配置されたシナリオを作成し、AIがそれぞれのビー玉がどちらの瓶に属するかを推測しなければならない状況を作りました。

ここで、物語は完全に逆転しました。ビー玉を仕分けるタスクにおいて、EVQKANは他の量子モデルよりも成績が悪かったのです。ランダムな推測（正解率約62%）よりはマシな結果を出しましたが、標準的な量子ニューラルネットワーク（QNN）が約75%の正解率を叩き出し、圧倒しました。これは驚くべきことでした。なぜなら、EVQKANはより少ない「ノブ」しか持たず、より効率的であるはずだったからです。

著者たちは非常に慎重でした。彼らは、以前のバージョンの研究において、答え（ラベル）をヒントとして直接マシンに送り込むことで、誤ってEVQKANに「カンニングペーパー」を与えてしまっていたことに気づきました。他のモデルにはそのヒントを与えていませんでした。彼らはこの「リーク（漏洩）」を修正し、テストを再実行しました。公平な条件下であっても、EVRLKANは依然として分類ゲームに敗れました。このことは、「線を引く（フィッティング）」ことには優れている「タイリング」のトリックが、必ずしも「分類」に役立つわけではないことを示しています。

なぜあなたのスマホではまだ動かないのか

では、なぜこの量子スーパーAIがあなたのノートパソコンやスマートフォンで動いていないのでしょうか？その答えは、回路コストにあります。

EVQKANを機能させるために、チームは非常に複雑な回路を構築する必要がありました。わずか3層のネットワークを作るだけで、複雑な操作を分解した後、4,110個の2量子ビットゲートを必要とします。これを比較対象として考えると、現在の量子コンピュータ（NISQデバイスと呼ばれます）は非常にノイズが多く、情報がバラバラになる前に、そのごく一部しか扱うことができません。著者たちは正直に述べています。この設計は現在、「シミュレータ・スケール」のプロジェクトです。ノイズのないコンピュータ・シミュレーション内では完璧に動作しますが、今日の実際の量子ハードウェアにとっては大きすぎ、複雑すぎます。

過学習の問題：質問は多いが、答えが足りない

チームはまた、なぜ量子モデルが古典的なモデルほど正確ではないのかについても調査しました。彼らは、主要な原因が**過学習（オーバーフィッティング）**であることを突き止めました。

数学のテストに向けて勉強している場面を想像してください。もし練習問題が10問しかないのに、96個の異なるルールを暗記しようとしているとしたら、その10問の答えは完璧に覚えてしまうかもしれませんが、実際のテストでは、一般的な概念を学んでいないために失敗してしまうかもしれません。まさにここで起きたのがそれです。モデルには96個の「ノブ」がありましたが、訓練に使われたデータポイントはわずか10個でした。

彼らは、モデルに練習問題を増やす（訓練データを10ポイントから100ポイントに増やす）ことで、これをテストしました。これを行ったところ、練習問題での成績と実際のテストでの成績の差は**58%**縮まりました。これは、モデルが「壊れている」のではなく、適切に学習するためにはもっとデータが必要であったことを証明しています。しかし、データを増やしても、量子モデルが古典的なモデルに追いつくことは完全にはできませんでした。

結論

本論文は、EVQKANが、量子AIを従来の試みよりもはるかに優れた曲線フィッティングへと導く、有望な新しいアーキテクチャであることを結論づけています。それは、特定のタスクにおいて、他の量子手法よりも信頼性が高く、正確です。しかし、分類タスクには苦戦しており、要求されるゲート数が膨大なため、現在の実際の量子ハードウェアで実行するには複雑すぎます。

著者たちは、これは進行中の作業であることを明確にしています。将来の研究は、回路を簡素化すること（おそらく「ブロックエンコーディング」と呼ばれる新しい数学的トリックを用いること）や、モデルがどのようにスケールアップするかをテストすることに焦点を当てる必要があると示唆しています。今のところ、EVQKANは、進むべき道を示してくれる素晴らしいシミュレーションですが、古典的なコンピュータを打ち負かす現実世界の量子AIへの旅は、まだ始まったばかりです。