Machine learning quantum data to accelerate quantum Monte Carlo

分子や材料の微視的な世界において、電子の振る舞いはしばしば混沌としたもつれとなります。電子が互いに強く相互作用すると、それらは独立して行動することを拒み、その物質が電気を通すのか、超伝導体になるのか、あるいは化学反応を触媒するのかを決定づける複雑なパターンを作り出します。これらの振る舞いを予測することは、現代科学における最も困難な課題の一つです。スマートフォンからスーパーコンピュータに至るまであらゆるものを動かしている古典的なコンピュータは、電子の配置の可能性が爆発的に増加するため、たとえ最も強力なマシンであっても、そのタスクに圧倒されてしまい、非常に苦戦します。量子力学の奇妙な法則を利用して情報を処理する量子コンピュータは、異なる道を提供します。量子コンピュータは、これらのもつれた電子状態を自然に表現できますが、現在はエラーが発生しやすく、一度に保持できる情報量も限られています。このギャップを埋めるために、科学者たちはハイブリッドなアプローチを開発しました。量子コンピュータを使って電子配置の「粗いスケッチ」を作成し、次に古典的なコンピュータを使ってそのスケッチを精密な回答へと精緻化するという方法です。「量子モンテカルロ法」として知られるこの手法は大きな有望性を示していますが、一つの壁に突き当たっています。量子コンピュータの生のデータを古典的なコンピュータが使用できる形式に変換するプロセスがあまりにも遅く、かつ高コストであるため、実験が非常に小さなシステムに限定されており、科学者が最も重要とする、より大きく興味深い分子に取り組むことを妨げてきました。

研究チームは今、機械学習モデルに量子コンピュータのデータを直接読み取らせることで、低速で反復的な計算をバイパスし、この障壁を打ち破りました。最近の研究において、彼らはこの新しいアプローチがプロセス全体を数千倍に加速させ、以前の同等の精度で可能だった規模の2倍以上となる、最大40量子ビットのシステムをシミュレートできることを実証しました。GoogleのWillow量子プロセッサを用いて作業を行ったチームは、この手法を、水素原子の長い鎖と、生物学的システムに見られる複雑な鉄硫黄クラスターという、二つの非常に異なる課題に対してテストしました。どちらの場合も、機械学習モデルは圧縮された測定セットから必要な量子オーバーラップを予測することに成功し、量子世界と古典的な世界の間の高速で知的な翻訳者として効果的に機能しました。結果は単に速かっただけでなく、「化学的精度」——分子がどのように振る舞うかを予測するためのゴールドスタンダード（黄金律）——に到達するほど正確であり、これはこれらより大きなシステムにおいてはこれまで到達不可能であった画期的な出来事でした。

研究者が解決した問題の核心は、現在のハイブリッド量子アルゴリズムがどのように動作しているかにあります。典型的なセットアップでは、量子プロセッサが試行波動関数（電子がどのように配置される可能性が高いかを示す数学的な記述）を準備します。この記述を精緻化するために、古典的なコンピュータは量子モンテカルロと呼ばれるシミュレーションを実行しますが、これにはシステムを動かし、確認するという数百万ステップの工程が含まれます。各ステップにおいて、古典的なコンピュータは、現在の状態が量子プロセッサの試行波動関数とどの程度一致しているかを知る必要があります。伝統的には、これには古典的なコンピュータが、シミュレーションの全ステップにおいて量子マシンからの生のデータを再処理する必要があります。システムが大きくなるにつれて、データの量は爆発的に増加し、それを処理するために必要な時間は禁止的なものになります。以前の実験では、このボトルネックにより、わずか16量子ビットのシステムをシミュレートするだけで、強力なグラフィックスプロセッサによる13,000時間以上の計算時間を要していました。これを40量子ビットのシステムに外挿すると、数百万時間を要ることが示唆され、事実上、そのような計算は不可能となっていました。

これを克服するために、研究者たちはワークフローを完全に変えました。生のデータを数百万回再処理する代わりに、量子プロセッサからランダム化された測定値を一度に大量に収集しました。そして、このデータを使用して、例からパターンを学習できる一種の人工知能である機械学習モデルを訓練しました。このモデルは、特定の値を予測するように教えられ、膨大な量の量子データをコンパクトで高速に実行可能なプログラムへと、事実上圧縮しました。一度訓練されると、このモデルは元の量子データを二度と参照することなく、古典的なシミュレーションに必要な情報をほぼ瞬時に提供することができました。研究者たちはこれを言語学習に例えました。文章が必要になるたびに本を一語一語翻訳するのではなく、文法と語彙を一度学んでしまえば、その後は流暢かつ即座に話せるようになる、というものです。

チームはこの手法を、100量子ビットを超える量子ビット数を持ち、高速な測定機能を備えたGoogleのWillowプロセッサでテストしました。彼らはまず、複雑性の増大に対する手法の性能をテストするための標準的なベンチマークである水素鎖に取り組みました。鎖の長さを変化させることで、8から40量子ビットのシステムをシミュレートできました。これらのテストにおいて、機械学習アプローチは、予測されたエネルギーレベルが実世界の化学に必要な極めて小さな誤差範囲内に収まるという、化学的に正確な結果をもたらしました。さらに重要なことに、スピードアップは劇的でした。16量子ビットのシステムにおいて、新手法は従来のアプローチよりも4,100倍高速でした。40量子ビットのシステムについては、従来の方法では実行コストがあまりに高いため試行すらされませんでしたが、新手法は計算を現実的なものにし、ごくわずかな時間で計算を完了させました。

研究者たちは次に、より困難な問題、すなわち電子移動や触媒作用といった生物学的プロセスに不可欠な分子である鉄硫黄クラスターへと進みました。これらの分子は、電子が高度に相関しており、多くのほぼ同一なエネルギー状態に存在するため、シミュレーションが極めて難しいことで知られています。古典的な手法や初期の量子技術を用いてこれらのシステムをシミュレートしようとする従来の試みは、必要な精度レベルに達することに苦慮してきました。機械学習フレームワークを用いたチームは、28および40量子ビットの活性空間において、鉄硫黄クラスターのシミュレーションに成功しました。彼らは、量子ガイド付きのアプローチが、現在のデバイスに共通する問題であるハードウェアのノイズが存在する場合でも、化学的精度を達成できることを見出しました。機械学習モデルは堅牢であり、ノイズをフィルタリングして正しい物理的信号を抽出することができ、基礎となる量子データが不完全であっても、この手法が機能することを証明しました。

この研究の重要な洞察は、機械学習モデルが、複雑すぎる量子状態全体を再構成する必要はなかったという点にあります。代わりに、モデルは特定のオーバーラップ（量子状態とシミュレーションで使用される構成との間の数学的な関係）を学習するだけで済みました。これらの特定の関係性に焦力することで、モデルはシンプルかつ効率的なままでした。研究者たちはまた、粗い古典的な推測から始めて量子データを用いてそれを精緻化することも、あるいはゼロから始めて量子データにモデルが必要なすべてを教えさせることもできることを実証しました。鉄硫黄クラスターの場合、量子データに基づいて訓練されたモデルが、同じタスクに対して最適化された古典的手法よりも優れた性能を示すことを明らかにし、量子ハードウェアから直接学習することの独自の価値を浮き彫りにしました。

この研究の意義は、これら特定の分子だけに留まりません。研究者が対処したボトルネック、すなわち量子データの処理速度の問題は、量子コンピュータがより強力でエラーのないものになっても存続する根本的な問題です。機械学習が量子情報を効率的に圧縮し再利用できることを示すことで、チームは、ハイブリッドアルゴリズムがいかにして現実世界の課題を解決するためにスケールアップできるかという設計図を提示しました。40量子ビットでの成功は、複雑な材料のシミュレーションや新薬のデザインへの道が、もはや計算コストによって阻まれてはいないことを示唆しています。この研究は、量子コンピューティングと古典的コンピューティングの間に適切なインターフェースがあれば、以前は手の届かなかったスケールのシミュレーションが可能になり、化学や材料科学における新たな発見の時代への扉が開かれることを証明しています。