Engineered Learning Problems on Noisy Quantum Processors
本論文は、最大45量子ビットを有するノイズのある量子プロセッサ上での設計された分類問題が、エラー抑制によって強化された場合には古典的な手法を凌駕し得ることを示しているが、行列積状態のような最先端のシミュレーション技術を上回ることは依然として大きな課題である。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
今日のコンピュータの及ばない問題を解決できるマシンを構築しようとする競争の中で、科学者たちは、物理学の法則そのものがプロセッサとなる領域を探索しています。これが量子機械学習の領域であり、亜原子粒子の奇妙で直感に反する振る舞いを利用して、パターンを認識し予測を行うことを試みる学問です。その核心となるアイデアは「カーネル」と呼ばれる概念に基づいています。これは本質的に、2つのデータがいかに似ているかを測定するための数学的なツールです。古典的なコンピュータでは、このツールは馴染みのある方法でデータポイントを比較することで機能します。量子コンピュータでは、データはまず量子力学の言語へと翻訳され、そこでは古典的なマシンがナビゲートするのが困難な、複雑で高次元の空間の中に存在することになります。この翻訳を行うことで、量子マシンが古典的な手法では決して見ることのできないデータの隠れたつながりを見つけ出せるのではないか、というのが期待されているのです。しかし、一つの執拗な疑問がこの分野に付きまとっています。すなわち、これらのノイズが多く不完全な量子デバイスは、実際に最も強力な古典的スーパーコンピュータを凌駕することができるのか、それとも単に自らの脆弱性の重みに苦しんでいるだけなのか、という問いです。
ある研究チームは、量子コンピュータが理論的に優位性を持ち得る特定の人工的な課題を設計することで、この問いに答えようとしました。彼らは、天気の予測や病気の診断といった実世界の課題を解こうとはしませんでした。なぜなら、それらのタスクに対する古典的な手法はあまりにも強力で、あまりにもよく理解されているからです。代わりに、彼らはカスタムパズルを作成しました。彼らは標準的な画像セット（Tシャツやドレスなどの衣類の画像）を取り、量子回路を用いてデータを新しい形式へと変換しました。そして、その変換の結果を用いて画像にラベルを割り当て、事実上、量子マシン自身のユニークな視点によって「正解」が定義されるテストを作成したのです。目標は、量子コンピュータが、同じパズルを解こうとする古典的なコンピュータよりも正確にこれらのラベルを予測できるかどうかを確認することでした。結果が特定のマシンの癖による偶然の産物ではないことを確実にするため、彼らは54量子ビットを持つものと20量子ビットを持つものの2種類の異なる量子プロセッサで実験を実行し、さらに同じチップの異なるセクションで同じ問題をテストすることで、結果が異なるノイズプロファイルにおいても維持されるかを確認しました。
研究者たちは、量子回路が比較的単純な状態に保たれているとき、量子マシンが実際に古典的なライバルを凌駕することを発見しました。量子マシンは高い精度でラベルを予測することに成功しましたが、最高の古典的モデルはそれに追いつくのに苦労しました。このパフォーマンスの差は、異なるハードウェア構成において明確かつ再現可能なものでした。しかし、研究者がより多くのデータを扱うために量子回路をより深く、より複雑にしていったにつれ、その優位性は薄れ始めました。現在の量子ハードウェアに固有のノイズ、すなわちマシンが動作するにつれて不可避的に入り込むエラーが、結果を歪ませ始めたのです。特定の計算の10ステップ分に相当する回路の深さに達した時点で、量子マシンのパフォーマンスは低下し、古典的モデルを打ち負かすことができなくなりました。量子コンピュータはもはや勝者ではなく、古典的なコンピュータと同様に混乱状態に陥っていたのです。
チームは次に、実験後にノイズの多いデータをクリーンアップするために設計された、エラー緩和として知られる一連の手法へと目を向けました。これは、既知のエラーを差し引いて真の信号を明らかにする、事実上のエラー除去作業です。彼らは、マシンにノイズが全くなかった場合に結果がどうなっていたかを推測しようとする手法や、量子ビットを安定させるために一連の急速なパルスを使用する手法など、いくつかの手法をテストしました。彼らは、すべてのエラー補正手法が等しく機能するわけではないことを発見しました。単にマシンの読み取り方に基づいて最終的な数値を調整するだけの技術は、役に立ちませんでした。ノイズのない結果を外挿しようとする別の手法は、古典的なコンピュータにとってパズル自体をより難しくすることによってのみ、パフォーマンスの差を回復させましたが、量子コンピュータを著しく優れたものにしたわけではありませんでした。しかし、最も効果的だった手法は、プロセス中に能動的にノイズを抑制する手法でした。このアプローチは、量子マシンの優位性を回復させただけでなく、実際にはパズルを解く能力を向上させ、完璧でノイズのないマシンが達成するレベルに性能を大きく近づけました。
こうした成功にもかかわらず、研究者たちは自分たちの研究が何を証明したものではないかを明確にするよう注意を払いました。彼らは、量子ハードウェアが特定の設計されたタスクにおいて古典的な機械学習モデルを凌駕できることを示しましたが、同時に、その優位性が絶対的なものではないことも示しました。彼らが、量子システムを模倣するように設計された強力な古典的アルゴリズムである行列積状態を用いて量子プロセスをシミュレートしたところ、その古典的シミュレーションはノイズの多い量子ハードウェアと同等の性能を示しました。これは、現在の量子的な優位性が脆弱であり、問題の種類やノルレベルに大きく依存していることを示唆しています。古典的シミュレーションが追いつけたのは、実験で使用された量子回路が古典的コンピューティングの限界を打ち破るほど複雑ではなかったためです。研究者たちは、量子マシンが勝利できる道筋を示したものの、最高の古典的シミュレーション手法を打ち負かすという究極の目標は依然として大きな障壁であると結論付けました。今後の進むべき道は、単に古典的なコンピュータにとって解くのが難しいだけでなく、現在利用可能な最も高度なアルゴリズムをもってしても模倣することが不可能な問題を設計することにあります。
この研究は、現在の量子コンピューティングの展望を描いた現実的な地図となっています。それは、量子マシンが古典的なマシンにはできないことを実行できる一方で、それが慎重に制御された条件下であり、かつエラー補正の助けを借りている場合に限られることを裏付けています。また、この分野が、マシンの「ノイズ」がしばしば勝利と敗北を分ける決定的な要因となるフェーズにあることを浮き彫りにしています。異なるエラー緩和手法が極めて異なる効果をもたらすことを示すことで、この研究は将来の実験へのロードマップを提供しており、単に量子アルゴリズムを実行するだけでは不十分であり、マシンが作り出す混乱を片付けるための適切な道具を選ばなければならないことを示唆しています。研究者たちは、量子的な優位性の問題を解決したと主張したわけではありませんが、現在の最大の障害である古典的シミュレーションを出し抜くために、十分な注意を払って問題を選択すれば、それは達成可能な目標であるという強力な証拠を提示したのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。