📊 statistics

Adaptive Conformal Prediction for Quantum Machine Learning

本論文は、量子ハードウェアに固有の時間変化するノイズにもかかわらずターゲット被覆保証を維持することで量子機械学習に対する信頼性の高い不確実性定量化を確保し、安定性と妥当性の点で標準的な量子コンフォーマル予測を上回るアルゴリズムである適応型量子コンフォーマル予測（AQCP）を導入する。

原著者： Douglas Spencer, Samual Nicholls, Michele Caprio

公開日 2026-05-18

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Douglas Spencer, Samual Nicholls, Michele Caprio

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

非常に強力だが、少し「酔っ払った」ロボットに天気予報を教えることを想像してください。このロボットは**量子機械学習（QML）**モデルです。それは信じられないほど速く賢いですが、現在やや不安定な量子コンピュータ上で動作しています。ハードウェアは荒れた海を航行する船のようです。波（ノイズ）は常に変化し、時には穏やかに、時には激しく揺れ動きます。

問題はこれです：ロボットがその予測を信頼できるほど十分に確信を持っているとき、どうやってそれを知ることができるのでしょうか？

古典的な世界では、**適合予測（Conformal Prediction）**と呼ばれる安全網を使用します。これは「信頼性のベルト」と考えてください。ロボットが「明日は雨が降る」と言うのではなく、「明日の午後2時から4時の間に雨が降る」と言うのです。目標は、その「ベルト」が、設定値（例えば90%）に応じて、真の答えを90%の確率で捉えられるようにすることです。

問題：酔っ払ったロボットの不安定なベルト

この論文は、量子コンピュータに対して現在この安全網をどのように使用しているかについて、重大な欠陥を指摘しています。

従来の安全網は、ロボットの「酔っ払い具合（ノイズ）」が一日中一定であると仮定しています。しかし、実際の量子コンピュータでは、ノイズは変化します。ハードウェアは毎時間再較正され、温度は変化し、宇宙線が機械に衝突する可能性があります。

著者らは、ノイズが時間とともに変化するため、ロボットの「信頼性のベルト」は信頼できなくなると説明しています。それは、ランダムに伸び縮みする定規を使おうとするようなものです。朝に定規を較正しても、午後には短すぎるかもしれません。従来の数学は、「このベルトは90%の確率で真実を捉えることを保証する」と言いますが、定規のサイズが変化しているため、その保証は破綻します。ロボットは90%確信しているつもりでも、実際には70%しか確信していないか、あるいは99%確信しているかもしれません。

解決策：「自己修正型」ベルト

これを解決するために、著者らは**適応型量子適合予測（AQCP）**と呼ばれる新しい手法を導入しています。

AQCPは、賢く自己修正するベルトのようなものです。

旧方式（QCP）： 朝に一度定規を測定し、一日中それを使い続けます。もし後で定規が縮んだ場合、測定値は誤ったものになります。
新方式（AQCP）： 予測を行うたびに、その都度定規をチェックします。
- ロボットが間違っていた場合（真の答えがベルトの外に出た場合）、システムは「おっと、ベルトが狭すぎた！」と言い、次の予測のために即座にベルトを広げます。
- ロボットが正しかった場合（答えが内側に入った場合）、効率を高めるためにベルトをわずかに狭めるかもしれません。

これはリアルタイムで起こります。システムは、直近の予測が「当たり」だったか「外れ」だったかに基づいて、常に自己再較正を行います。これにより、ノイズが混沌としており、毎秒変化していても、「酔っ払った」ハードウェアに対処することが可能になります。

検証方法

研究者たちは、IBMが製造した実機の量子コンピュータ（ibm_sherbrooke）でこれをテストしました。ロボットには、サイン波パターン（波打つ線）に基づいて数を予測する課題を与えました。

テスト： 数千回の予測を実行しました。
結果： 旧方式（QCP）は目標からずれていきました。時には広すぎて（リソースを無駄にし）、時には狭すぎて（真実を見逃す）いました。
勝者： 新方式（AQCP）は目標を正確に維持しました。ハードウェアのノイズがどれだけ揺らぎても、「捕捉率」を希望の90%に安定して保ちました。

彼らはまた、「ロボットがどれだけ間違っていたか」を測定する方法（スコア関数と呼ばれる）についてもテストしました。真実を捉えつつ、予測ベルトを可能な限り小さく保つのに優れている方法があることがわかりましたが、それらすべてが、自己修正機能のない場合よりも、自己修正型のAQCPシステムを用いた方がはるかに良く機能しました。

注意点

一つ小さな制限があります。このシステムは間違いを一つずつ確認しながら学習するため、逐次的に動作する必要があります。

例え話： 教師が試験の答案の山を採点すると想像してください。旧方式は、最初に設定されたルールに基づいて100枚の答案を一度に採点します。新方式は、1枚の答案を採点し、答えを確認してルールを調整し、それから次の答案を採点します。
結果： 「バッチ処理」（答えを見ずに1,000枚の答案を一度に採点すること）には使用できません。次の予測を行う前に、1つの予測の結果を待つ必要があります。

まとめ

簡単に言えば、量子コンピュータはノイズが多く予測不可能です。彼らの信頼性を測る従来の方法は、この変化するノイズを考慮していなかったため、信頼性の低い予測につながっていました。著者らは、リアルタイムで信頼性レベルを常に調整する新しい「自己修正型」システムを構築しました。これにより、不安定でノイズの多い量子マシンであっても、予測は信頼でき、正確であることが保証されます。

技術的概要：量子機械学習のための適応型コンフォルマル予測

問題定義

量子機械学習（QML）は、古典アルゴリズムを強化するために量子プロセッサを活用することを目指していますが、医療や防衛などの高リスク分野におけるこれらのモデルの展開には、厳密な不確実性の定量化が求められます。コンフォルマル予測（CP）は古典モデルに対して分布フリーかつ有限サンプル保証を提供しますが、その QML への適用は「非定常なハードウェアノイズ」という重大な障壁に直面しています。

直近で提案された量子コンフォルマル予測（QCP）フレームワーク（Park & Simeone, 2023）を含む標準的なコンフォルマル予測は、較正データとテストデータが「交換可能」であるという仮定に依存しています。この仮定は、量子ハードウェア内の基礎的なノイズ過程が時間的に定常であることを意味します。しかし、現在のノイズあり中規模量子（NISQ）デバイスは、温度変動、制御機器の振動、宇宙線イベントなどの要因により、時間とともに変化するノイズを示します。著者らは、ノイズが非定常である場合、入力データ分布が定常であっても、量子測定から導出された適合度スコアは交換可能ではなくなることを実証しています。その結果、標準的な QCP の理論的カバレッジ保証（すなわち、真の帰結が予測集合内に存在する確率が $1-\alpha$ であること）は無効化されます。

手法

時間依存ノイズによる交換可能性の崩壊に対処するため、著者らは「適応型量子コンフォルマル予測（AQCP）」を提案します。このアプローチは、Gibbs & Candès (2021) によって提案された「適応型コンフォルマル推論（ACI）」フレームワークを量子設定に適合させたものです。

中核アルゴリズム

AQCP は、誤カバレッジレベルが観測された経験的カバレッジに基づいて動的に調整されるオンラインテスト設定で動作します。アルゴリズムは以下のように進行します：

初期化: 較正データセット $D_{cal}$ を用いて、初期の適合度スコアを計算します。
逐次処理: 各テスト点 $i$ に対して、アルゴリズムは現在の誤カバレッジレベル $\alpha_i$ を用いて予測集合 $C_i(X_{n+i})$ を構築します。
フィードバックループ: 真のラベル $Y_{n+i}$ が明らかになった後、アルゴリズムは誤カバレッジレベルを更新します：
$\alpha_{i+1} = \alpha_i + \gamma (\alpha - \text{err}_i)$
ここで、 $\gamma$ はステップサイズハイパーパラメータであり、 $\text{err}_i$ は真のラベルが予測集合の外部にある場合に 1、そうでない場合に 0 となります。
スコア関数: 量子モデルは決定論的な出力ではなく確率的なサンプル（ショット）を生成するため、AQCP はサンプルベースのスコア関数を利用します。本論文では 4 つの特定の関数を評価しています：
- ユークリッド距離: 候補 $y$ とショットサンプルの平均との距離。
- k 近傍法（k-NN）: サンプル中の k 番目に近い近傍までの距離。
- カーネル密度推定（KDE）: $y$ における負の対数密度推定値。
- 高密度領域（HDR）: $y$ における密度と少なくとも同等の密度を持つ領域の推定確率質量。

理論的保証

交換可能性の下で有限サンプル保証を提供する標準的な CP と異なり、AQCP は任意のノイズ条件下で漸近的な平均カバレッジ保証を提供します。著者らは、テスト点の数 $N \to \infty$ となるにつれて、平均誤カバレッジ率がほぼ確実に目標値 $\alpha$ に収束することを証明しています。また、ノイズを支配する隠れマルコフ連鎖に関する特定の仮定の下で有限サンプル bound も導出されていますが、著者らはこれらの仮定が実際には正確には成り立たない可能性があると指摘しています。

主要な貢献

本論文は 3 つの主要な貢献を行います：

時間依存性の形式化: 著者らは、量子プロセッサにおける非定常ノイズが適合度スコアの交換可能性を無効化し、それによって標準的なコンフォルマル保証を損なうことを示す理論的フレームワークを提供します。
適応型アルゴリズム（AQCP）: 非定常ノイズに対処するためにオンライン再較正を利用するアルゴリズム AQCP を導入します。これは、暗黙の確率分布（量子ショット）からのサンプル上で動作するスコア関数と連携するように設計されています。
包括的なハードウェア評価: 本研究は、**IBM 量子プロセッサ（ibm_sherbrooke）**と古典シミュレータ上で広範な実験を実施しました。AQCP の妥当性と効率性を分析し、さまざまなスコア関数を比較するとともに、AQCP が標準的な QCP よりも高い安定性で目標カバレッジレベルを維持することを示しました。

実験結果

実験は、Park & Simeone (2023) の設定を再現する単変量多峰性回帰タスクで行われました。

カバレッジの安定性: IBM 量子プロセッサからのデータを用いて、著者らは AQCP（ステップサイズ $\gamma = 0.03$ $γ = 0.03$ ）と「オンライン QCP」（ $\gamma = 0$ $γ = 0$ の AQCP に相当、すなわちフィードバック調整なし）を比較しました。
- オンライン QCP は、目標カバレッジからの大幅な逸脱（過剰カバレッジの後に過小カバレッジが続くなど）を示し、一貫して公称 90% レベルを維持できませんでした。
- AQCP は堅牢な安定性を示し、テストされたすべてのスコア関数（k-NN、ユークリッド、KDE、HDR）において、平均カバレッジを 90% という目標にほぼ一貫して維持しました。
効率性（集合サイズ）: ショット数とスコア関数の影響を分離するために古典シミュレータ（FakeQuitoV2）を使用しました：
- KDE と HDR スコア関数は、特にショット数（ $M$ ）が増加するにつれて、最小の平均予測集合サイズを生成しました。
- ユークリッドと 1-NN スコア関数は、HDR と同じカバレッジを達成しながらも、予測集合が著しく大きくなりました（ $M=1000$ の場合、HDR の 1.5〜2 倍）。
- すべての手法が目標カバレッジを達成しましたが、スコア関数の選択は予測集合の効率性（サイズ）に大きな影響を与えました。

意義と主張

本論文は、AQCP が「任意のハードウェアノイズ条件下における QML モデルのための信頼性の高い不確実性の表現」を提供すると主張しており、これは量子アルゴリズムの信頼性の高い展開にとって不可欠な要件です。

著者らは主張において謙虚であり、以下を認めています：

理論的保証は、特定の（おそらく制限的な）仮定の下を除き、有限サンプルではなく漸近的なものである。
頑健性の経験的評価は、1 日の間に収集されたデータに基づいており、長期的なドリフトや構造化された摂動を完全に特徴づけるものではない。
この手法は本質的に逐次的であり、次の予測を行う前に真の応答が明らかになる必要があるため、バッチ予測設定への直接的な適用性は制限される。

これらの限界にもかかわらず、この研究は、非定常な量子ノイズの存在下で妥当性を維持するために適応的再較正が必要であることを確立し、現在の NISQ 時代における応用における不確実性定量化のための実用的な道筋を提供しています。