Temporal information processing on a 4,500-qubit quantum annealer

コンピューティングの世界において、機械はより速く、より小さくなっていますが、そこには根強い課題があります。それは、将来の複雑なタスクに対して、それらを真に有用なものにする方法を見出すことです。一つの有望な道は、機械学習として知られる、データ内のパターンからコンピュータに学習させる方法です。古典的なコンピュータは多くのことに優れていますが、天候パターンや株式市場のように、時間の経過とともに変化するデータの扱いには苦慮することがあります。なぜなら、それらは現在を処理しながら過去を記憶するという自然な方法を欠いているからです。科学者たちは以前から、量子力学の奇妙な法則に従って動作する量子マシンであれば、このような時間的な情報をより良く扱えるのではないかと考えてきました。しかし、有用なほど大きく、かつ訓練が可能なほど単純な量子コンピュータを構築することは、大きな障壁であり続けてきました。ほとんどの試みは、高価で困難な訓練プロセスを必要とし、マシンが大きくなるにつれて失敗することがよくあります。

研究チームは、大規模な量子マシンを用いて新しいアプローチをテストすることで、大きな一歩を踏み出しました。彼らは、システムの最も低いエネルギー状態を見つけ出すことで特定の問題を解決するように設計された、量子アニレーラーと呼ばれるタイプの量子コンピュータを使用しました。マシン全体を学習させようとする代わりに、彼らはそれを、複雑な内部運動を生成する自然的で未訓練のエンジンとして扱いました。このエンジンに時間ベースのデータを入力し、その結果を読み取ることで、過去の入力を記憶し、未来を予測できるモデルを作成しました。最大4,500個の物理的な量子ビット（qubit）を使用したこの実験は、これまでに実施された量子機械学習のテストの中で最大規模のものです。研究者たちは、このマシンがカオス的で予測不可能な時系列を正常に予測できることを発見し、こうした大規模な量子デバイスが、コストのかかる訓練ループを必要とせずに情報を処理するための強力なツールになり得ることを証明しました。

この実験の核心は、リザーバーコンピューティングと呼ばれる概念に基づいています。池に石を投げ入れた場面を想像してみてください。広がる波紋は複雑であり、石の形状や水の深さに依存します。もし波紋を観察できれば、たとえ水しぶきを見ていなくても、投げ込まれた石について何かを知ることができます。この量子的バージョンでは、「池」は量子コンピュータそのものであり、「波紋」は量子ビットの自然的で未訓練の動きです。研究者たちは、マシンに何をすべきかを教えようとはしませんでした。代わりに、彼らは単に、データストリームをマシンに流し込みながら、マシンが独自の内部法則に従って進化するようにしたのです。マシンの自然な反応が、情報の高次元なマップを作り出しました。訓練されたのは、最後の単純なステップである線形読み出し（リニア・リードアウト）だけであり、これはマシンの複雑な内部状態を、有用な予測へと翻訳する方法を学習するものです。このアプローチは、通常の量子機械学習を悩ませる困難で高価な最適化問題を回避します。

このアイデアをテストするために、チームはD-Wave量子アニレーラーという、プログラマブルな超伝導デバイスを使用しました。彼らは、リバースアニーリングとして知られるプロセスを含む特定のスケジュールでマシンをプログラムしました。この技術は、マシンを既知の状態から開始し、より量子的な、ゆらぎのある状態へと逆方向に動かし、そこで一瞬保持した後、再び前方に進めるというものです。この一時停止により、システムは自身の局所的な環境を探索し、受け取った入力に関する情報を保持する新しい構成へと落ち着くことができます。研究者たちは、この特定の動きが極めて重要であることを発見しました。量子ビット間の相互作用をオフにし、事実上、各ビットが単独で動作するようにした場合、マシンは入力に関する記憶をすべて失いました。これは、アニーリング・プロセス中の量子ビット間の複雑な相互作用が、時間を経て情報を保持するために不可欠であることを証明しています。

研究チームは、記憶力と処理能力を検証するために、モデルに対して一連の厳格なテストを行いました。まず、過去の入力を想起する能力、すなわちメモリ容量（メモリーキャパシティ）をチェックしました。彼らは、フィードバック機構を用いてマシンの出力を自身に再入力させることで、標準的なモデルよりもはるかに長く情報を保持できることを発見しました。実際、記憶は単に消え去るのではなく、回復の兆候を見せました。これは、システムが情報を複雑かつ非線形な方法で保持していることを示唆しています。また、マシンの規模についてもテストを行い、これらの結果を得るためには4,500個の量子ビットの全力が不可欠であることを発見しました。同じセットアップのより小さなバージョンでは、必要な相関関係を保持することに失敗しており、量子システムの規模そのものが成功の鍵であったことを浮き彫りにしました。

単純な記憶を超えて、チームは複雑な関係性を理解する必要があるタスクにマシンを挑戦させました。彼らは、2つの入力のパリティを判定するXORタスクとして知られる論理パズルを解かせました。これは単純な線形マシンでは解けない問題ですが、量子リザーバーは高い精度でこれを処理し、99パーセント近い的中率で結果を予測しました。これは、マシンが単にデータを記憶しているのではなく、複雑なパターンが見える形へと実際に変換していることを示していました。しかし、最も困難なテストは、カオス的な時系列の予測でした。研究者たちは、予測不可能なカオス的挙動を生み出す2つの有名な数学的モデル、マッキー・グラス・シリーズとダブルスクロール・システムから得られたデータをマシンに投入しました。マシンは、遠い未来のステップに至るまで、これらのシリーズの将来の値を予測することに成功しました。ダブルスクロール・システムの場合、マシンはシステムの挙動を定義する複雑な幾何学的形状であるカオス的アトラクタを再構成することに成功し、これは量子コンピュータを用いて達成された初めての事例となりました。

この研究の結果は、量子アニーラーが、特に時間依存のデータに関するタスクにおいて、大規模な機械学習のための実行可能なプラットフォームであることを示唆しています。研究者たちは、大規模な量子システムのネイティブなダイナミクスを活用することで、他のアプローチを制限する重い訓練を必要とせずに、時間的情報を処理できることを示しました。また、量子的な相互作用、具体的にはアニーリング・プロセス中に生成される多体ダイナミクスが、システムが機能するために不可欠であるという証拠も提示しました。古典的なコンピュータが最終的にこれらの結果をシミュレートできるかどうかは依然として未解決の問いですが、この実験は、現在の量子ハードウェアがすでに標準的なモデルでは困難なタスクを実行できることを実証しています。この研究は、量子マシンを単なる最適化のためだけでなく、学習と予測のための強力なエンジンとして使用するための新しい道を切り開き、時にはマシンに教える最善の方法は、自律的に走らせることであると証明しました。