OmniQEC: discovering practical quantum error-correcting codes by an AI scientist

想像してみてください。あなたは、量子世界の奇妙で不安定なルールに従って思考する、超強力なコンピュータを作ろうとしています。しかし、問題があります。これらの量子ビット（qubit）は非常に壊れやすく、わずかな熱のささやきや、迷い込んだ磁場の影響で、何をしていたか忘れてしまい、輝かしい計算を支離滅裂なものに変えてしまうのです。これを解決するために、科学者たちは**量子誤り訂正（QEC）**と呼ばれるトリックを使用します。これは、秘密のメッセージを守る探偵チームのようなものです。メッセージを一枚の紙に書き、それが破れるリスクを負う代わりに、チーム全体にわたってメッセージを書き込みます。もし一人が注意を逸らしたりミスをしたりしても、他のメンバーが本来のメッセージが何であったかを判断し、修正できるのです。

しかし、この「探偵チーム」を設計することは悪夢です。彼らがどのように立ち、話し、互いをチェックするかというルールは、使用する特定のハードウェア、情報を聞き取るためのツール、そしてメッセージを解読するための数学に依存しています。もし、紙の上では完璧に見えるチームを設計したとしても、それが実際に置かれる部屋の構造に適合していなければ、システム全体が失敗します。長い間、科学者たちは手作業で完璧なチーム構造を見つけようとしてきましたが、その可能性の数は膨大であり、砂漠の中から特定の砂粒を見つけ出すような感覚です。ここで、新しい種類の助っ人が登場します。それは、単に推測するだけでなく、量子コンピュータを構築する際の混沌とした現実から実際に学ぶことができる人工知能です。

---

OmniQECとの出会い：量子安全性のAIアーキテクト

登場したのは、現実世界に最適な量子誤り訂正符号を発見するために設計された新しい「AI科学者」、OmniQECです。単にホワイトボード上の数学を見ているのではなく、OmniQECは、量子安全性のチームを構築、テスト、洗練させ、準備が整うまで磨き上げる、疲れを知らない自己改善型の建築家として機能します。

この論文では、OmniQECを、これらの符号の発見を「生成、テスト、改善」というゲームとして扱うシステムとして紹介しています。このシステムの核心には、二段階のワークフローを調整する「指揮者」（高度な大規模言語モデル）が存在します。シェフが完璧なスープを作ろうとしている様子を想像してみてください。

高速ループ：味見のキッチン
まず、AIは「高速ループ」を実行します。これは素早い味見のようなものです。AIは何千もの潜在的なレシピ（符号構造）を生成し、単純で安価なショートカットを用いてチェックします。「このレシピは正しい数の材料を持っているか？」「数学的なバランスは取れているか？」といった質問を投げかけます。これらのチェックには数秒しかかかりません。もしレシピがこれらのクイックチェックに基づいて有望であると判断されれば、次のラウンドへのチケットが与えられます。これにより、AIは複雑なプロセスに足を取られることなく、膨大なライブラリをスキャンすることができます。

低速ループ：フルシミュレーション
次に、「低速ループ」がやってきます。これが本番です。ここでは、AIは高速ループから選ばれた最良の候補を取り出し、詳細なシミュレーションの中で構築します。エラーを検出するために使用される複雑な仕組みである「シンドローム抽出回路」を実際に構築し、ノイズのある不完全な環境下で実行して、どの程度の頻度で失敗するかを確認します。これは、スープを調理し、批評家パネルに提供し、実際のダイニングルームで本当に美味しいかどうかを確認する作業に似ています。このステップには、候補ごとに数分、あるいは数時間を要するため、AIは非常に厳選して候補を選びます。

フィードバックの魔法
OmniQECの真の天才性は、その学習方法にあります。低速ループ（現実世界のシミュレーション）の結果は、AI指揮者にフィードバックされます。もしレシピがクイックな味見では素晴らしく見えたのに、実際のキッチンで失敗した場合、AIは「なぜ」そうなったのかを学び、将来の推測を調整します。AIは自らの推論を進化させ、サイクルを重ねるごとに賢くなります。これにより、「広範囲を探索するための安価なショートカット」と「真に優れた解へと導くための高価で正確なテスト」を組み合わせた、「遅い・速い相乗的ワークフロー」が実現します。

発見したこと：旧来のチャンピオンを打ち破る

研究者たちは、OmniQECを4つの異なる量子符号ファミリーと3つの異なるAI「脳」（Claude、GPT、DeepSeek）に対してテストしました。彼らは、使用できる物理量子ビット（ハードウェアの部品）の予算を、小規模なセットアップから最大288量子ビットに及ぶ大規模なものまで厳格に設定しました。

結果は目覚ましいものでした。OmniQECは、リソースが増えるにつれてエラー抑制能力が向上するコードを一貫して発見しました。しかし、最もエキサイティングな発見は、これらの新しいコードが、現在「ゴールドスタンダード」として知られるBBコード（二変量バイサイクル符号）とどのように比較されるかでした。

• AIに98個の物理量子ビットの予算を与えたとき、OmniQECは、72個の物理量子ビット（具体的には[[72, 12, 6]]コード）を必要とする標準的なBBコードを凌駕するコードを発見しました。
• さらに驚くべきことに、予算を240個の物理量子ビットに増やしたとき、Claude AIが見つけた最強のコードは、144個の物理量子ビット（[[144, 12, 12]]コード）を使用する巨大なBBベンチマークコードを打ち破りました。

これは、コードが（抽象的な数学スコアだけでなく）ノイズの多い回路内で実際にどのように動作するかを最適化することで、OmniQECがより効率的な量子情報保護の方法を見つけ出せることを示唆しています。

「十分良い」数学の罠

この論文の最も重要な教訓の一つは、古い手法のショートカットに対する警告です。科学者はしばしば、コードを素早くランク付けするために $\Phi_{code} = kd^2/n$ という単純な数学スコアを使用します。本論文は、このスコアが誤解を招く可能性があることを示しています。

実験において、OmniQECは、有名なBBコードよりも数学的スコアは低いものの、現実世界のシミュレーションではより優れたパフォーマンスを発揮するコードを発見しました。これは、選択式の練習テストでは低い成績を取っても、概念をより深く理解しているために、最終試験では満点を取る学生のようなものです。論文は、もしクイックな数学スコアだけを最適化しようとすれば、真に優れた解決策を見逃してしまう可能性があると主張しています。コードがノイズやデコーディングをどのように扱うかという、より全体的な視点を持つ必要があります。

発見のコスト

研究者たちはまた、このAIを動かすための「価格設定」についても調査しました。彼らは、コードが大きくなるにつれて、AIを実行するコスト（AIが処理する「トークン」、つまり言葉の量で測定）が急増することはないことを発見しました。コストは主に、どのAIの「脳」を使用したかによって決まりました。例えば、Claudeのバックエンドは、パフォーマンスとコストのバランスが最も優れており、一方でDeepSeekは最も安価でしたが、やや弱いコードしか見つけられませんでした。これは、AIの能力において、コードの純粋な大きさよりも、AIが自身のミスから学び、推論する能力の方が重要であることを示唆しています。

なぜこれが重要なのか

論文は、OmniQECが量子コンピュータの「共同設計（co-designing）」のための強力な新しいツールであると結論づけています。コードを設計し、次にマシンを作り、そしてそれらが適合しないことに気づく……という手順を踏むのではなく、OmniQECはマシンを念頭に置いてコードを設計します。それは、抽象的な数学と、ハードウェアという泥臭い現実との間の溝を埋めるものです。

今回の結果はシミュレーションに基づいたものであり、まだ物理的な量子コンピュータ上で構築されたわけではありませんが、その知見は明確な進むべき道を示しています。コード構造、ハードウェアの制限、およびエラーデコーディングの間の複雑なトレードオフをナビゲートするためにAIを使用することで、私たちは、実際に機能するフォールトトレラント（耐故障性）量子コンピュータの構築に近づくことができます。論文は、このアプローチをさらに多くの種類のハードウェアやコードファミリーに拡張できる可能性を示唆しており、それが量子コンピューティングの全潜在能力を解き放つ鍵となるかもしれないと述べています。