Parametrized Quantum Circuit Learning for Quantum Chemical Applications

化学者たちは、分子がどのように振る舞うかを予測するために、強力なコンピュータに長年頼ってきました。その作業には、電子の目に見えない世界を理解するために、非常に複雑な方程式を解くことがしばしば必要となります。数十年の間、これらの計算は、情報を逐次的かつ直線的な方法で処理する古典的なコンピュータの領域でした。しかし、科学者が量子力学（最小の粒子を支配する物理学）の奇妙な規則を利用して、これらの化学的なパズルを解こうとする新たな境地が登場しました。量子コンピュータは、一度に複数の状態で存在できるため、それを用いることで、研究者がかつてないほど速く正確に分子の特性を予測できるようになることが期待されています。「量子機械学習」と呼ばれる特定のアプローチは、人間が経験から学ぶのと同様に、量子コンピュータを用いて化学データのパターンを学習させることで、これら二つの世界を融合させようとする試みです。しかし、理論としては刺激的であるものの、これらのマシンが、日常的な化学問題ですでに使用されている古典的なコンピュータを実際に上回ることができるかどうかは、依然として不明なままです。

研究チームは、量子コンピュータ上で動作するように設計された多種多様なデジタル回路を構築し、訓練することで、このアイデアを検証しようと試みました。彼らは、回路がどの程度学習できるかを確認するために、二つの非常に異なる化学的課題に焦点を当てました。第一の課題は、大量の分子の集合体において特定の化学結合を切断するために必要なエネルギーを予測することであり、これは標準的なコンピュータにとっては比較的単純なタスクです。第二の課題はより専門的で、水分子における電子の振る舞いの予測を含むものであり、これは量子力学そのものに深く根ざした問題です。これを行うために、科学者たちは、データをマシンに投入する方法14通りと、情報を処理するために設計された異なる内部構造12通りを組み合わせ、168種類の異なる量子回路を構築しました。彼らは、これらの回路を5ビットおよび16ビットの量子ビット（量子システムにおける情報の基本単位）を持つ量子コンピュータのシミュレーションでテストした後、最も優れた設計を実際の物理的な量子ハードウェア上で実行しました。

結果は、有望さと重大な限界の両面を描き出しました。研究者が結合切断エネルギーのデータに対して回路をテストした際、量子モデルは非常に苦戦しました。最も優れた性能を示した回路でさえ、エネルギー値を有用な精度で予測することはできず、多くの場合、単にすべての分子に対して平均値を推測しているのと変わらない結果となりました。この研究は、化学データを量子コンピュータが理解できる形式に変換する方法が、詳細を削ぎ落としすぎてしまい、マシンが学習するための情報が少なすぎた可能性を示唆しています。対照的に、量子回路は、電子の振る舞いを直接扱う水分子のデータに対しては、はるかに良好なパフォーマンスを示しました。ここでは、モデルはパターンを十分に学習して正確な予測を行うことができ、有用と見なせるレベルの成功に達しました。この違いは、量子マシンが、古典的なコンピュータがすでに容易に処理している問題を無理に解かせようとするのではなく、本質的に量子的な性質を持つ問題により適している可能性があることを示唆しています。

研究者たちはまた、回路をより複雑にすることが学習の向上につながるかどうかについても調査しました。彼らは、モデルがより複雑なパターンを把握することを目的とした手法として、回路に層を追加し、データをマシンに何度も通す試みを行いました。結合切断のデータについては、複雑さを加えても変化はなく、モデルは停滞したままでした。しかし、水分子のデータについては、回路の深さを増すことで精度が向上し、モデルがより効果的に学習できることが分かりました。それでもなお、これらの改善を経ても、量子モデルは、両方の問題をほぼ完璧な精度で解決した最高の古典的コンピュータモデルの性能には及びませんでした。本研究は、単に量子回路にパラメータや訓練データを追加するだけで、自動的に優れた結果が得られるという考えに対し、明確に異を唱えており、これらの特定の化学タスクにおいては、量子的なアプローチが現在では伝統的な手法に遅れをとっていることを示しています。

最終テストでは、最も成功した水分子モデルを、一般に公開されている実物の量子コンピュータで実行しました。コンピュータ上のシミュレーションでは高い精度で結果を予測していましたが、実験を実際の物理デバイスへと移した途端、パフォーマンスは崩壊しました。干渉やエラーに満ちたノイズの多い環境が、実際の機械における予測を信頼できないものにし、不正確なものにしてしまったのです。この結果は、大きな障壁を浮き彫りにしました。つまり、数学的な理論としてのこれらの回路は、ノイズのない完璧なシミュレーション内ではうまく機能しますが、現在の世代の量子ハードウェアは、実用的な化学応用に必要な繊細な計算を行うにはあまりにも不完全なのです。研究は、量子機械学習は理論的な可能性、特に自然に量子的な問題に対しては秘めているものの、技術自体は、設計された化学的タスクのために古典的なコンピュータに取って代わる準備がまだできていないと結論付けています。著者たちが示唆する今後の道筋は、単に大きなマシンを構築することではなく、量子コンピューティングの独自の能力を真に享受できるように、化学的な問題の枠組みを捉え直す方法を見出すことにあるのです。