Empirical Evaluation of Quantum Kernel Methods for Classification: A Comparative Study with Classical Kernels

学習能力を持つ有用な機械を構築しようとする競争の中で、科学者たちは、今日のコンピュータには解くのが難しすぎる問題を解決するために、量子物理学の奇妙な法則を利用する方法を探しています。一つの有望なアイデアは、量子コンピュータを学習プロセス全体を実行するためではなく、情報を分類するための特化したツールとして活用することです。混ざり合った赤と青のビー玉の山から、最適な分け方を見つけようとしている場面を想像してみてください。標準的なコンピュータは、その間に線を引きます。量子的なアプローチでは、まずビー玉をより高次元で複雑な空間へと持ち上げ、そこでビー玉が自然に整然としたグループへと分かれるようにします。そして、その後に線を引くのです。量子マシンの仕事は、この新しい空間において任意の2つのビー玉がどれほど近いかを計算することであり、これは通常のコンピュータにとっては困難ですが、量子コンピュータにとっては容易な計算です。この手法は「量子カーネル」として知られており、現在の不完全な量子デバイスを用いて現実世界のデータに役立てるための、最も具体的な方法の一つです。しかし、長年、研究者たちの間では、この量子的トリックが既存の最高水キメの手法よりも実際に優れているかどうかについて議論が続いてきました。ある研究はそれが優れていると述べ、ある研究は同じであるとし、またある研究は劣っていると述べています。この混乱は非常に深刻であり、意見の相違が量子技術そのものによるものなのか、それとも実験の設定方法によるものなのかさえ不明確でした。

ロナク・バルガミという研究者は、実験自体を研究対象とすることで、この論争に決着をつけることにしました。チームは、単に一つのテストを実行して明確な勝者を期待するのではなく、公平な戦いを保証するためにゲームのルールを変えた、大規模で制御された調査を設計しました。彼らは、データのサイズ、変数の数、そしてタスクの解きやすさを変化させながら、何百もの異なるシナリオにわたって量子手法を古典的手法と比較検証するシステムを構築しました。決定的なことに、彼らは以前の研究を悩ませてきた隠れた欠陥、すなわち、マシンに投入される前のデータのスケーリング（尺度調整）の方法を修正しました。これまでの研究では、研究者は古典的なコンピュータの設定を注意深く調整する一方で、量子側の設定は固定されたままにすることが多く、事実上、量子側にハンデを負わせていました。この新しい研究では、両者に最適な設定を見つけるための同じ機会が与えられました。また、彼らは作業コストの数え方も変更し、単なるシミュレーション上の実行時間ではなく、実際の量子マシンが実行する必要のある物理的な操作数によってコストを測定しました。

この厳格な比較の結果、驚くべき事実が明らかになりました。成功を決定づける最大の要因は、マシンの量子的な性質ではなく、データのスケーリングを制御する単純な設定であったということです。研究者が量子手法に対してこの設定を調整したところ、現実世界のデータにおける精度が最大で0.339ポイントも劇的に跳ね上がりました。この改善は非常に大きく、量子手法と最高の古典的手法との間でこれまでに見出されたいかなる差よりも大きいものでした。実際、量子手法が適切に調整されると、4つの標準的な実世界のデータセットにおいて最高の古典的手法と同等の性能を示しましたが、それを上回ることはありませんでした。量子コンピュータがこれらのタスクに対して自然で組み込まれた優位性を持っているという考えは、データによって支持されませんでした。量子手法が明確な優位性を示したのは、量子マシンの内部ロジックによって解かれるように特別に設計された、架空のデータセットを用いた時のみでした。通常のデータにおいては、問題が複雑になるにつれて量子的な優位性は縮小し、データ量が増加した時にのみ増大しました。

また、この研究は、近い将来これらのマシンがどのように使用されるかに影響を与える実用的なボトルネックも明らかにしました。研究者たちは、最大の誤差の源は量子ハードウェア自体のノイズではなく、マシンが単一の答えを得るために何度も測定を行わなければならないという事実であることを発見しました。サンプリングと呼ばれるこのプロセスは、ハードウェアの不完全性よりもはるかに多くの間違いをもたらしました。大規模なデータセットに対して信頼できる結果を得るためには、量子コンピュータはその回路を5000万回近く実行する必要があり、これは現在のハードウェアでは数週間の連続稼働を要する作業です。対照的に、ハードウェア構成要素からのノイズは、はるかに小さな問題でした。このことは、現在これらの量子ツールを使用する上での主な障害は、ハードウェアを静かにすることではなく、より少ない測定回数で答えを得る方法を見つけることであることを示唆しています。研究者たちは、もし量子カーネルを実際のハードウェアで使用するのであれば、精度をわずかに犠牲にする代わりに、数百倍少ない操作数で済む、特定の簡略化されたバージョンの手法が唯一の実用的な選択肢であると結論付けました。

結局のところ、この研究はなぜこの分野が混乱してきたのかを説明しています。過去の研究における相反する結果は、量子物理学が予測不能であったためではなく、実験自体が不整合であったために引き起こされたものでした。ルールが公平に作られ、設定が正しく調整されるとき、量子手法は古典的手法に対して有能な競争相手ではありますが、古典的手法が解けない問題を解決する魔法の杖ではありません。これらのタスクにおける量子コンピュータの使用の利点は、保証された勝利ではなく、データの特定の構造と実験の設定に払われる注意に完全に依存する、狭い可能性なのです。現時点では、最も重要な教訓は、これらのシステムを測定し調整する方法が、マシンの量子的な性質そのものよりも重要であるということです。