あなたは、ロボットに写真の中の猫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。古典的なコンピュータの世界では、通常、何百万枚もの画像を見せることでロボットに学習させ、数学的な「バックプロパゲーション（誤差逆伝播法）」というトリックを使います。バックプロパゲーションは、迷路の中を後ろ向きに歩いていく教師のようなものだと考えてください。教師はロボットがしたすべての間違いを指摘し、出口に近づくためにどのようにステップを調整すべきかを正確に伝えます。これは、滑らかで連続的な道であれば非常にうまく機能します。しかし、もしロボットが、スイッチが「オン」か「オフ」のどちらかしかない、巨大で複雑なライトボードのような世界に住んでいるとしたらどうでしょうか？この世界には、後ろ向きに歩くための滑らかな道はありません。あるのは鋭く切り立った崖だけです。スイッチを優しく動かすことはできず、パチッと切り替えなければなりません。これでは、従来の「教師」による指導法は役に立ちません。

これが、量子機械学習という新しい分野が直面している課題です。量子コンピュータは素晴らしいものですが、多くの場合、これらの「オン／オフ」のスイッチ（バイナリ状態と呼ばれます）で動作し、滑らかな数学を壊してしまう「測定」を伴います。科学者たちは、通常のツールが適合しないために、これらの量子脳を訓練する方法で行き詰まっていました。彼らは、勾配（グラディエント）に頼るのではなく、自然界の法則、具体的には「システムは常に最低エネルギー状態に落ち着こうとする」という考え方（例えば、丘の底へと転がり落ちるボールのようなもの）を利用する方法を必要としていました。この論文はこの空白に踏み込み、次のように問いかけています。「量子ニューラルネットワークを、微積分問題を解こうとする学生としてではなく、物理的なシステムが最も心地よい休息場所を見つけようとするプロセスとして扱うことで、訓練できるのではないか？」

量子脳を教える新しい方法

孫逸仙大学とQBoson Quantum Technologyのチームと共に研究を行った研究者たちは、EPIC-CIMと呼ばれる新しい訓練フレームワークを構築しました。これは、「切り立った崖」の問題に対する巧妙な回避策だと考えてください。存在しない傾斜を計算しようとする代わりに、システムを自然にバランス（平衡状態）へと落ち着かせ、2つのわずかに異なるバランスの差を利用して学習する方法です。

彼らの手法であるEPIC-CIMがどのように機能するかを、遊び心のある比喩を使って説明します：

膨大な数のライトスイッチ（これらは量子機械の「バイナリ状態」です）で満たされた、巨大で混沌とした部屋を想像してください。あなたの目標は、それらのスイッチを並べて、見た時に「CAT（猫）」という文字が浮かび上がるようにすることです。

1. セットアップ: 部屋の中に懐中電灯（入力画像）を照らします。光がスイッチに当たり、スイッチをオンまたはオフにしようと押し動かします。
2. 「フリー」フェーズ: まず、部屋を自然に落ち着かせます。スイッチは、光に基づいて心地よいパターンを見つけるまで、ゆらゆらと動き、入れ替わります。これが「フリー・フェーズ」です。システムはただリラックスしており、自然なエネルギーレベルを見つけている状態です。
3. 「ナッジ（つつく）」フェーズ: 次に、あなたは部屋に「CAT」と綴らせたいと考えています。そこで、「CAT」のためにオンであるべきスイッチをオンの状態に留め、オフであるべきものをオフの状態に留めるよう、スイッチを優しくつつきます。無理やり強制するのではなく、単に小さな、優しい押し（「弱結合された」状態）を与え、再び落ち着かせます。
4. 学習: 魔法は、2つの部屋を比較することによって起こります。研究者たちは、「フリー」の部屋と「ナッジ」の部屋の違いを見ます。もしあなたのナッジによってスイッチの動きが変わったのであれば、それはシステムに対して、「おい、私が求めた時にそのスイッチがオンのままになるよう、設定を調整する必要があるぞ！」と教えていることになります。彼らは複雑な勾配を計算することなく、この差に基づいてネットワークのルール（「重み」）を更新します。

このプロセスは**平衡伝播（Equilibrium Propagation）**と呼ばれます。これは、ボールの物理学を説明することによって犬を教えるのではなく、犬が座ったときに報酬を与え、そうでないときは優しく修正することで、反復とフィードバックを通じて犬自身にパターンを理解させるようなものです。

得られた成果

チームは、この新しい「平衡伝播」法を、MNIST（手書き数字）、Fashion-MNIST（衣類）、CIFAR-10（色彩豊かな日常の物体）という3つの有名な画像データセットでテストしました。彼らは、EPIC-CIMモデルを、他の量子手法（ラジオをドライバーでチューニングするような「変分量子回路」や、ボールを転がして丘の底を探すような「量子アニーリング」など）と比較しました。

結果は非常に有望でした：

• MNISTデータセットにおいて: EPIC-CIMは**92.32%**のテスト精度を達成しました。これは、**84.59%**を記録した標準的な量子畳み込みニューラルネットワーク（QCNN）や、**87.53%**に達した量子アニーリングよりも大幅に優れた数値です。
• Fashion-MNISTデータセットにおいて: この新手法は**79.62%**のスコアを出し、QCNN（78.29%）と量子アニーリング法（78.96%）を上回りました。
• 難易度の高いCIFAR-10データセットにおいて: 複雑で色彩豊かな画像であっても、EPIC-CIMは**34.56%の精度に達しました。これは標準的な古典コンピュータ（40.22%）よりは低いものの、他の量子モデルが27.79%**を超えるのに苦戦していたことを考えると、明確な改善と言えます。

最も興味深い発見の一つは、このモデルが「小規模データ」をどれほど上手く扱えるかという点でした。通常、AIは学習に数百万枚の画像を必要とします。しかし、EPIC-CIMはわずか数千のサンプルでも効果的に学習できることを示しました。1,000枚のトレーニング画像だけでテストした際も良好に学習し、データが増えるにつれて（最大60,000枚まで）、精度は着実に**92.32%**へと上昇しました。これは、この手法が非常に効率的であり、簡単に混乱することはないことを示唆しています。

実機でも動作するのか？

研究者たちは、コンピュータ・シミュレーションに留まりませんでした。彼らは、実際の量子ハードウェア上でもこのアイデアをテストしました。実際の量子コンピュータはノイズが多く、高精度な数値を扱うことができない場合もあります。例えば、標準的な32ビットの代わりに、より低い精度（14ビットなど）で動作しなければならないことがあります。

こうしたハードウェアの制限や、現実世界の「ノイズ」にもかかわらず、EPIC-CIMモデルは驚くほどよく耐え抜きました。実機において、このモデルは**91%のテスト精度を達成しました。これは、完璧なシミュレーションで得た92.32%**に極めて近い数値です。このことは、この手法が堅牢であり、ハードウェアが完璧でなくても崩壊しないことを示唆しています。

これが意味すること

この論文は、ニューラルネットワークの訓練を「エネルギーの均衡を見つける物理的プロセス」として扱うことで、量子コンピュータの訓練における数学的な頭痛の種を回避できることを示唆しています。著者らは、このアプローチが訓練プロセスをより安定させ、解釈可能にすると主張しています。ブラックボックス化された数学ではなく、物理的な物体が所定の位置に落ち着いていくようなシステムなのです。

このモデルは、特にCIFAR-10のような最も難しいタスクにおいては、まだ古典コンピュータには及びませんが、量子に着想を得た最適化が強力なツールになり得ることを示しています。これは、バックプロパゲーションという不可能な数学を必要とせずに、複雑な量子ネットワークを訓練できることを証明しており、将来のより安定してスケーラブルな量子人工知能への扉を開くものです。研究者たちは、このフレームワークが、量子コンピューティングと私たちが日常的に使用している人工知能との間の溝を埋めるための、統一された方法を提供すると結論付けています。