DeepQuantum: A PyTorch-based Software Platform for Quantum Machine Learning and Photonic Quantum Computing

DeepQuantum は、量子回路、光子量子回路、測定ベースの量子計算を独自に統合したオープンソースの PyTorch ベースのソフトウェアプラットフォームであり、光子量子計算と量子機械学習の両方に対する効率的なハイブリッド量子・古典モデル化、大規模テンソルネットワークシミュレーション、および堅牢なアルゴリズム設計を可能にします。

要約

複雑な機械を構築しようとしていると想像してください。しかし、手元には 3 種類の異なる設計図があります。1 つは標準的な電気回路用、1 つは光のビームで構成されたシステム用、そして 1 つはボタンを押す代わりに「結果を確認する」ことで動作する機械用です。通常、これらを設計するには 3 つの異なるソフトウェアプログラムが必要となり、それらは互いに会話できません。

DeepQuantumは、量子コンピューティングのための「万能翻訳機」かつ「超強化された作業場」として機能する、新しいオープンソースのソフトウェアプラットフォームです。これは、AI 研究者がニューラルネットワークを構築するために使用する有名なツールであるPyTorchの上に構築されています。PyTorch を基盤として利用することで、DeepQuantum は科学者たちが、現代のプログラマーがコードを混ぜ合わせるのと同じ容易さで、これら 3 つの異なる量子スタイルを自由に組み合わせることを可能にします。

以下に、論文の主張を簡単な比喩を用いて解説します。

1. 量子コンピューティングの 3 つの言語

この論文は、DeepQuantum が 3 つの異なる量子数学の実行方法をシームレスに接続する最初のツールであると強調しています。

• 量子ビット（標準）： これらは従来のコンピュータの「スイッチ」のようなものですが、オン、オフ、または両方の状態を同時に取ることができます。DeepQuantum を使えば、レゴの構造を構築するように、これらのスイッチで回路を設計できます。
• 光子（光のビーム）： スイッチの代わりに、光の粒子を使用します。光は、図書館での静かな会話のように、ノイズによって容易に乱されないという利点があります。DeepQuantum は、3 つの異なる「レンズ」を使用して光ベースのコンピュータをシミュレートできます。
  • フォック（Fock）: 個々の光子を数えること（ビー玉を数えるようなもの）。
  • ガウス（Gaussian）: 光を滑らかな波として扱うこと（池のさざ波のようなもの）。
  • ボソン（Bosonic）: 非常に奇妙で非標準的な光の状態を処理するためのハイブリッド手法。
• 測定ベース（「その都度確認」方式）： 完全な回路を実行する代わりに、この手法は巨大な「絡み合った粒子の網」を作成し、その網の特定の部分を測定することで問題を解決します。DeepQuantum は、標準的な回路設計を直接この「網」形式に変換できます。

大きな勝利： これまで、あるスタイルで回路を設計し、それを別のスタイルのために手動で書き直す必要がありました。DeepQuantum はこの変換を自動的に行い、研究者が 3 つのスタイルのすべてから最良の部分を利用する「ハイブリッド」機械を設計することを可能にします。

2. 「AI」のスーパーパワー

この論文は、DeepQuantum が単なる計算機ではなく、AI 強化型のツールであることを強調しています。

• 比喩： 明瞭な放送局を見つけるためにラジオをチューニングしようとしていると想像してください。過去には、ノブをゆっくり回して聴く必要がありました。しかし、DeepQuantum は PyTorch を基盤としているため、最もクリアな音を得るためにノブをどの方向に回せばよいかを「感じ取り」、瞬時に行うことができます。
• 重要性： これにより、ソフトウェアは量子コンピュータの設定を自動的に調整して問題を解決（例えば、分子の最低エネルギー状態の発見や画像の分類など）することを可能にし、はるかに高速化します。これは、量子コンピュータをより大きな AI 脳の一部として扱います。

3. 「ズーム」機能（大規模シミュレーション）

量子コンピュータをシミュレーションすることは極めて困難です。なぜなら、情報の量が指数関数的に増加するからです。50 量子ビットをシミュレーションすることは、海岸のすべての砂粒を記憶しようとするようなものです。

• テンソルネットワークの比喩： DeepQuantum は「テンソルネットワーク」というトリックを使用します。巨大で絡み合った毛糸の玉を持っていると想像してください。その玉全体を持とうとする代わりに、まだ接続されたままの、より小さく管理しやすい輪切りに分割します。これにより、ソフトウェアは、それらの間の接続が過度に複雑でなければ、単一のラップトップ上で100 量子ビット以上のシステムをシミュレートできます。
• 分散処理の比喩： 毛糸の玉が 1 人では大きすぎる場合、DeepQuantum は作業を複数のコンピュータ（または強力な GPU のクラスター）のチームに分割できます。これは指揮者のように機能し、各コンピュータにシミュレーションのどの部分を処理するかを指示し、その後、結果を再び結合します。

4. 実際に行われたテスト（ベンチマーク）

著者たちは単に「速い」と言うだけでなく、具体的なテストでそれを証明しました。

• 速度： 彼らは DeepQuantum を他の人気のあるツール（PennyLane や Strawberry Fields など）と比較しました。勾配（前述の「チューニング」）や複雑な数学関数を含むテストにおいて、DeepQuantum は、特に強力なグラフィックカード（GPU）を使用する場合、10 倍から 100 倍速いことがしばしば示されました。
• フォトニックテスト： 彼らは、以下のような複雑な光ベースのタスクを正常にシミュレートしました。
  • 光を使用して「CNOT」ゲート（基本的な論理スイッチ）を作成すること。
  • 量子コンピュータが古典コンピュータよりも速いことを証明するために使用されるタスクである「ガウスボソンサンプリング」をシミュレートすること。
  • 時間領域多重化（TDM）と呼ばれる技術を使用して「クラスター状態」（絡み合った光の巨大な網）を生成すること。これは、巨大な構造を時間とともに構築するために、光パルスの列をループを通じて送るようなものです。
• 実世界の例： 彼らは、ソフトウェアが以下で機能することを示しました。
  • QResNet： 現代の AI 画像認識器が機能するのと同様に、「残差接続（層をスキップする）」を使用してより良く学習する、ニューラルネットワークの量子版。
  • MNIST 分類： 量子回路を使用して手書きの数字（0 と 1）を 94% 以上の精度で区別すること。
  • イジングモデル： 通常、標準的なコンピュータでは処理不可能なサイズである 45 量子ビットの磁気システムをシミュレートすること。

まとめ

要約すると、DeepQuantumは、研究者が今日の AI エンジニアが使用するのと同じツールを使用して、量子コンピュータを設計、シミュレート、最適化することを可能にするソフトウェアプラットフォームです。その独自性は、1 つの場所で 3 つの異なる「量子言語」（量子ビット、光、測定ベース）を話せる点にあり、また、賢い数学的トリックを使用し、作業を多数のコンピュータに分割することで、非常に大規模なシステムをシミュレートするのに十分な速度を持っています。この論文は、これがAI による量子の支援（量子ハードウェアの最適化）と量子による AI の支援（より優れた機械学習モデルの構築）の両方にとって強力なツールであると主張しています。

技術概要

技術的概要：DeepQuantum

問題提起

量子コンピューティング（QC）の分野は、量子優位性の理論的実証を、具体的な実用価値を持つ実世界応用へ転換する上で、決定的な課題に直面している。人工知能（AI）が変革的な技術へと成熟する一方、QC は未発達な段階にあり、特にノイズあり中規模量子（NISQ）時代においては、量子プロセッサと古典コンピュータの相乗効果に大きく依存している。既存の量子機械学習（QML）および光子量子コンピューティング向けソフトウェアフレームワークは、しばしば以下の限界に悩まされている：

1. 断片化: 特定のパラダイム向けに特化したフレームワークが存在する（例：量子ビット回路向け PennyLane、連続変数光子系向け Strawberry Fields、測定ベース量子計算向け Graphix）が、これらのモデルをネイティブな AI 統合と架橋する統一プラットフォームは欠けている。
2. スケーラビリティ: 大規模量子系のシミュレーションは、「次元の呪い」によって阻害される。すなわち、ヒルベルト空間が量子ビット数とともに指数関数的に増大するためである。
3. ハードウェアの多様性: 標準的な量子ビットベースモデルだけでなく、フォトン量子コンピューティング（離散変数および連続変数の両方）およびフォルトトレラントアーキテクチャに不可欠な測定ベース量子計算（MBQC）もサポートするフレームワークが必要である。

手法

著者らは、AI と QC を深く統合するために設計されたオープンソースの PyTorch ベースのソフトウェアプラットフォーム「DeepQuantum」を導入する。このフレームワークは、簡潔性、効率性、柔軟性、汎用性の原則に基づいて構築されている。その中核的な手法は以下の通りである：

• 統一アーキテクチャ: DeepQuantum は、3 つの主要な量子コンピューティングパラダイムをクローズドループで統合する：
  1. 量子ビットベース回路: QubitCircuit クラスを介して実装される。
  2. 光子量子回路: QumodeCircuit クラスを介して実装され、3 つの異なるバックエンドをサポートする：
     • フォックバックエンド: フォック基底状態または状態テンソルを使用する離散変数（DV）システム向け。
     • ガウスバックエンド: 平均ベクトルと共分散行列を介してガウス状態を特徴づける連続変数（CV）システム向け。
     • ボソンバックエンド: ガウス関数の線形結合として表現される非ガウス状態（例：猫状態、GKP 状態）向け。
  3. 測定ベース量子計算（MBQC）: グラフ状態の構築、ゲートベース回路からのトランスパイル、標準化、最適化をサポートする Pattern クラスを介して実装される。
• AI ネイティブ統合: PyTorch を活用し、量子回路を微分可能なコンポーネントとして扱う。自動微分、ベクトル化された並列処理、GPU 加速を利用することで、ハイブリッド量子 - 古典モデル（例：VQE、QAOA、QML）のエンドツーエンドのトレーニングと推論を容易にする。
• スケーラブルなシミュレーション手法:
  • テンソルネットワーク: 有利なエンタングルメント条件下で単一デバイス上で大規模回路（100 量子ビット超）をシミュレートするために、行列積状態（MPS）表現を組み込んでいる。
  • 分散コンピューティング: 分散並列アーキテクチャにより、状態ベクトルを複数の GPU およびノードに分割し、大規模シミュレーションに PyTorch のネイティブ通信プロトコルを活用する。
• 光子固有の機能: 大規模エンタングル状態（例：クラスター状態）の生成のための時間領域多重化（TDM）をサポートし、ガウスボソンサンプリング（GBS）およびユニタリ分解（クレメンツアーキテクチャ）のための専用モジュールを含む。

主要な貢献

1. 初のクローズドループ統合: DeepQuantum は、量子回路、光子量子回路、MBQC のクローズドループ統合を実現する最初のフレームワークであり、専門的および汎用的な光子量子アルゴリズム設計の両方に対する堅牢なサポートを可能にする。
2. 統一された光子バックエンド: 単一の API 内でフォック、ガウス、ボソンの各バックエンドを実装し、線形光学から非ガウスリソース生成まで、多様なシミュレーションニーズに対応する。
3. 高度な光子機能: TDM 光子回路のネイティブサポートを導入し、過剰なメモリコストなしに複雑な時間的ダイナミクス（例：逐次 EPR 状態生成、2 次元クラスター状態準備）のシミュレーションを可能にする。
4. 大規模能力: MPS を通じて 100 量子ビットを超えるシステムのシミュレーションを可能にし、マルチノード・マルチ GPU クラスターにわたる分散シミュレーションをサポートすることで、古典的量子シミュレーションの到達範囲を大幅に拡大する。
5. 微分可能な光子トレーニング: フレームワークは、オンチップでの光子量子回路のトレーニングのための組み込みの勾配なしオプティマイザを提供し、変分アルゴリズムのための自動微分をサポートする。

結果とベンチマーク

著者らは、確立されたフレームワーク（PennyLane、MindQuantum、Strawberry Fields、Piquasso、Graphix など）に対する包括的なベンチマークを通じて DeepQuantum を検証した：

• 勾配およびヘッシアン計算: DeepQuantum は、勾配計算において PennyLane および PyQPanda3 に対して桁違いの効率向上を示す。ヘッシアン計算においては、22 量子ビット構成において、GPU 加速版が PennyLane に対して最大 100 倍の高速化を達成する。
• 行列関数評価: GBS に不可欠なハフニアン、トロントニアン、パーマネントの計算において、DeepQuantum はバッチ処理方式を採用する。単一インスタンスのパフォーマンスは The Walrus などの専用ライブラリに劣る可能性があるが、DeepQuantum（GPU）は、大規模バッチサイズ（例：10〜1000 インスタンス）における高スループットシナリオで競合他社を大幅に上回る。
• MBQC パフォーマンス: パターン変換においては Graphix がわずかに高速であるが、DeepQuantum は前方状態ベクトルシミュレーションにおいて優れたスケーリング効率を示し、20 量子ビットを超える回路において顕著なパフォーマンス優位性を確立する。
• 応用例:
  • QResNet: 量子ニューラルネットワークにおける残差結合が表現力を高め、バーレンプラトーを緩和することを示し、従来の QNN よりも低い適合誤差を達成した。
  • QCNN: 12 量子ビットの量子回路を使用して MNIST 二値分類（数字 0 と 1）で 94.33% のテスト精度を達成した。
  • 光子応用: 確率的 CNOT ゲート、クレメンツアーキテクチャのユニタリ分解、グラフ問題向け GBS、TDM を用いた EPR 状態および 2 次元クラスター状態の準備を成功裡にシミュレートした。
  • 非ガウス状態: 反復育種および GBS ベースのポストセレクションを介した近似 GKP 状態の生成を実証した。
  • 大規模シミュレーション: MPS を使用して 45 量子ビットの横磁場イジングモデルのクエンチをシミュレートし、8 台の NVIDIA A100 GPU を使用して 33 量子ビットの分散量子フーリエ変換（QFT）を実行した（完了まで約 1 分）。

意義と主張

本論文は、DeepQuantum を「量子のための AI」と「AI のための量子」の両方に対する強力なプラットフォームとして位置づけている。その意義は以下の点にある：

• パラダイムの架橋: 量子ビット、光子、MBQC モデルを統合することで、研究者がハイブリッドアルゴリズムを探求し、NISQ 時代のユーティリティからフォルトトレラントアーキテクチャへ移行する際の障壁を低下させる。
• 開発の加速: PyTorch とのシームレスな統合により、研究者は量子アルゴリズムの設計、最適化、誤り訂正に対して、広範な機械学習エコシステムを活用できる。
• スケーラビリティ: テンソルネットワーク手法と分散コンピューティングの組み合わせは、現在大規模量子系のシミュレーションを制限しているメモリボトルネックに対処し、将来の大規模量子ハードウェア向けアルゴリズムの検証と設計への道筋を提供する。

著者らは、DeepQuantum が量子情報処理の進展のための多用途かつ実用的なツールとして機能すると結論付け、将来的には光子コンポーネントライブラリの拡張、ノイズモデリングの強化、ハードウェア統合インターフェースの改善を計画している。