論文「QNAS: A Neural Architecture Search Framework for Accurate and Efficient Quantum Neural Networks」の技術的サマリー

本論文は、2026 年 6 月にオランダ・マーストリヒトで開催予定の IEEE 国際神経回路会議（IJCNN）で発表される予定のものです。著者らは、NISQ（ノイズあり中規模量子）デバイス上で実用的かつ高精度な量子ニューラルネットワーク（QNN）を設計するための新しいニューラルアーキテクチャ探索（NAS）フレームワーク「QNAS」を提案しています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

---

1. 問題定義 (Problem)

現在の量子機械学習における QNN 設計には、以下の 3 つの主要な課題が存在します。

1. 手動設計の限界: 従来の手動設計されたアンサッツ（回路構成）は、表現力、学習可能性、ハードウェア効率性のバランスを取る必要があり、さらに「砂漠の高原（barren plateaus）」と呼ばれる勾配消失問題や、NISQ デバイスのノイズによる影響を受けやすいという問題があります。
2. 既存の量子アーキテクチャ探索（QAS）の欠陥: 既存の QAS 手法の多くは精度の最大化に焦点を当てており、量子リソース（量子ビット数、ゲート数、深さ）の制御はヒューリスティックなみに留まっています。特に、回路切断（Circuit Cutting） のオーバーヘッドを無視しているケースが多く、これは限られた量子ビット数で実行するために回路を分割する際に生じる指数関数的な計算コスト（カット数 $k$ に対して $O(4^k)$ の実行回数増加）を過小評価しています。
3. 実用性の欠如: 精度は高いが、限られた量子ビット数を持つ実機で実行するにはコストが prohibitive（非現実的）に高すぎるアーキテクチャが探索されてしまうリスクがあります。

2. 手法 (Methodology)

QNAS は、ハードウェアを考慮したワンショット評価、多目的最適化、および回路切断オーバーヘッドの意識を組み合わせたフレームワークです。

2.1 探索空間とモデル構造

QNAS はハイブリッド量子古典ニューラルネットワーク（HQNN）を探索対象とします。各候補アーキテクチャは以下のパラメータ（ゲノム）で定義されます。

• エンベッディングタイプ: 角度エンベッディング（Angle-X, Y, Z）または振幅エンベッディング（Amplitude）。
• 量子ビット数 ($n$): 2〜8 量子ビット。
• 回路深さ ($L$): 1〜4 レイヤー。
• エンタングルメント範囲 ($r$): どの量子ビット同士を結合するか（近隣、スキップ等）。
• CNOT モード: 結合パターンのフィルタリング（All, Odd, Even, None）。
• 学習率: 最適化ハイパーパラメータ。

2.2 評価と目的関数 (Multi-Objective Optimization)

NSGA-II（非支配ソート遺伝的アルゴリズム第 2 版）を用いて、以下の 3 つの目的関数を同時に最適化します。

1. 検証誤差 ($F_1$): 精度の最大化（$1 - \text{Accuracy}$）。
2. ランタイムコスト ($F_2$): 検証ループの壁時計時間（サンプルあたり）。これは実機での実行コストの代理指標です。
3. 回路切断オーバーヘッド ($F_3$): 目標量子ビット数（$Q_{target}$）の下で必要なサブ回路の推定数。
   • 本フレームワークの核心は、$F_3$ を明示的に最小化することにより、回路切断に伴う指数関数的な実行コストを抑制する点にあります。

2.3 ワンショット評価と効率的な探索

• SuperCircuit と少数エポック学習: 多数の候補を評価するコストを抑制するため、共有パラメータを持つスーパー回路（SuperCircuit）を少量のデータサブセットで数エポック（通常 2 エポック）だけ学習させます。
• 相関分析: 探索中の短い学習（少数エポック）で得られる精度と、フル学習後の最終精度との相関が非常に高い（$r > 0.9$）ことを実証し、効率的な候補選別を可能にしています。
• トランスピレーションとノイズモデル: 候補回路を IBM Quantum の「Fake Backend（実機のトポロジーとノイズ特性をシミュレートしたもの）」にトランスパイルし、現実的なノイズ条件下での性能を評価します。

3. 主要な貢献 (Key Contributions)

1. ハードウェア意識型のワンショット QAS パイプライン: 重み共有スーパー回路と少数エポック学習を組み合わせ、NISQ 制約（ショット数、深さ、エンタングルメントゲート使用量）を考慮した効率的な評価を実現。
2. 多目的最適化の導入: 精度だけでなく、ランタイムコストと「回路切断オーバーヘッド（サブ回路数）」を明示的に最適化対象に含め、実機展開可能なアーキテクチャを探索。
3. コンパクトな QNN 探索空間の設計: エンベッディング、量子ビット数、エンタングルメントパターンなどを網羅的に探索し、学習可能かつ展開可能なアーキテクチャを生成。
4. 実証的検証と設計知見: 複数のベンチマーク（MNIST, Fashion-MNIST, Iris）において、データの種類に応じた最適なエンベッディングやエンタングルメントパターンの発見、および Pareto 最適解の提示。

4. 結果 (Results)

MNIST、Fashion-MNIST、Iris の 3 つのデータセットで QNAS を評価しました。

4.1 性能結果

• MNIST: 最高で 97.16% のテスト精度を達成（8 量子ビット、2 レイヤー、CNOT モード「none-odd」）。
• Fashion-MNIST: 最高で 87.38% のテスト精度を達成（5 量子ビット、2 レイヤー）。
• Iris: 100% の検証精度を達成（4 量子ビット、2 レイヤー、振幅エンベッディング）。

4.2 重要な発見 (Design Insights)

• エンタングルメントパターンの重要性: 密なエンタングルメント（CNOT モード "all"）は「砂漠の高原」を引き起こし精度が低下する傾向があり、疎な CNOT パターン（例: "none-odd"） がすべてのデータセットで優位でした。
• エンベッディングのデータ依存性:
  • 画像データ（MNIST, Fashion-MNIST）: Angle-Y エンベッディング が最も高性能でした。
  • 表形式データ（Iris）: 振幅エンベッディング が卓越した性能を示しました。
• 回路切断の抑制: 目標量子ビット数（例：4 qubit）に対して、探索されたアーキテクチャは必要なサブ回路数（$F_3$）が最小化されており、実機での実行コストを大幅に削減できることが示されました。
• トランスピレーションオーバーヘッド: 疎な CNOT パターンを採用した回路は、実機トポロジーへのマッピング（トランスピレーション）時のオーバーヘッドが最小限に抑えられていました。

5. 意義と結論 (Significance and Conclusion)

QNAS は、単に精度を追求するだけでなく、「実機での展開可能性（Deployability）」 を設計段階から考慮した画期的なフレームワークです。

• 実用性の向上: 回路切断の指数関数的コストを明示的に最適化することで、限られた量子ビット数を持つ現在の NISQ デバイスでも実行可能なアーキテクチャを自動的に発見します。
• 設計指針の提供: どのデータタイプに対してどのエンベッディングやエンタングルメントパターンが適しているかという、重要な設計知見を自動的に抽出します。
• 将来展望: 本手法は、実機での検証や、より広範なドメインへの適用、異なる検索戦略（微分可能 NAS など）との組み合わせによるさらなる発展が期待されます。

要約すれば、QNAS は「精度、効率、実機制約」のトレードオフを可視化し、現在の量子ハードウェアの限界内で最大限の性能を引き出す QNN 設計を自動化する強力なツールとして機能します。