研究所の静かなハミングの中で、科学者たちは量子世界の奇妙な規則に基づいて動作する機械を構築しています。量子プロセッサとして知られるこれらのデバイスは、現在私たちが使用しているスーパーコンピュータよりもはるかに速く特定の問題を解決するという約束を秘めています。これらの機械をテストするための最も一般的な方法の一つに、量子近似最適化アルゴリズム（QAOA）と呼ばれるアルゴリズムがあります。このアルゴリズムを、スケジュールの調整や配送トラックのルート作成といった複雑なパズルのための、たった一つの最善の解を見つけ出す検索エンジンだと考えてください。この機械は単に一つの答えを吐き出すだけではありません。それは、最善の答えが他の答えよりも頻繁に現れることを期待しながら、可能性のある答えの雲を生成するプロセスを実行します。長年、研究者たちは、これらの機械が生成するすべての答えの平均的な質を見ることで、それらが機能しているかどうかを確認してきました。もし平均的な答えが良ければ、機械は役割を果たしていると想定されてきました。しかし、このアプローチには盲点があります。高い平均値は、パズルを解くために真に重要な唯一の要素である「実際に最善の解を見つけている頻度」が低いという事実を隠してしまう可能性があるのです。
ある研究チームは最近、超伝導量子プロセッサの内部で実際に何が起きているのかを見るために、その平均の先を見据えることに決めました。彼らは、ニューヨークの施設にあるIBM製の特定のタイプの機械を使用し、12個の変数を持つパズルの一連のテストを実行しました。彼らは、新しいパズルごとに機械に最適な設定を学習させるのではなく、「転送角度（transferred angles）」と呼ばれる戦略を用いました。これは、少数の小さな例に対して一度機械を訓練し、その同じ設定をより大きく困難なパズルに適用することを意味します。このアプローチは、機械がその場で学習する必要を避けるため効率的であり、あらゆる試行を潜在的な解にすることができます。研究者たちはこれらの回路を数千回実行し、機械が実際にどの答えを見つけたかという生のデータを収集しました。そして、機械の挙動（既知のエラーやノイズを含む）を模倣するように設計されたコンピュータ・シミュレーションと、これらの現実世界の結果を比較しました。
結果は、機械が何をしているように見えるかと、実際に何を達成しているかの間の驚くべき乖離を明らかにしました。研究者が答えの平均的な質を見たとき、機械は、完璧でノイズのない世界で見せるはずの改善の30〜46パーセントを維持しており、比較的良好に機能しているように見えました。この平均スコアは、これまでの多くの研究が成功を宣言するために依拠してきたものです。しかし、機械が実際に単一の最善の解をどれくらいの頻度で見つけたかをカウントするためにズームインすると、状況は劇的に変化しました。機械は、その完璧な答えを見つける確率をわずか5〜15パーセントしか保持していませんでした。言い換えれば、機械はひどい、あるいは役に立たない答えを回避することには成功していましたが、まさに最善のものへと努力を集中させることには失敗していたのです。平均スコアは、最悪の結果から遠ざかるという機械の能力によって支えられており、最適解へのレースに敗北している事実を覆い隠していました。
この発見は、平均的なパフォーマンスをシミュレーションと比較することによる、量子コンピュータの検証という一般的な慣行に疑問を投げかけています。研究者たちは、実機の誤差に一致するように設計されたコンピュータモデルは、平均スコアをかなり正確に予測できる一方で、機械が最善の解をどれくらいの頻度で見つけるかを大幅に過大評価することを突き止めました。あるケースでは、モデルは機械が完璧な答えを実際よりも5〜8倍多く見つけると予測していました。この研究は、これらの機械におけるノイズは、結果を一様にぼやけさせるだけでなく、最善の答えの上に位置するはずの鋭い確率のピークを特異的に破壊し、一方で悪い答えを回避する能力は比較的維持するということを示唆しています。これは、機械が紙の上では成功しているように見えても、現実世界のアプリケーションに必要な特定の解を提供できていない可能性があることを意味します。
研究者たちはまた、干渉を打ち消すために追加のパルスを加える、あるいは信号をかき混ぜてエラーを均一にするなど、機械をエラーから保護するためのさまざまな方法もテストしました。これらの手法のいくつかはわずかながら効果がありましたが、シミュレーションと現実の間のギャップを埋めることはできませんでした。実際、特に険しく複雑なパズルを対象とした場合、現実世界のノイズが導入されると、機械の標準的な古典的コンピュータの手法に対する優位性は完全に消失しました。静かな研究所の世界において、量子機械は、そのタスクに合わせて調整された古典的アルゴリズムに勝つことができなかったのです。研究は、量子コンピュータが最適化の準備ができているかどうかを真に理解するためには、平均を見るのではなく、勝利を数え始める必要があると結論付けています。難しい問題を解くためには、平均が適切であることは不十分であり、機械がどれくらいの頻度で最善の答えを見つけるかを知る必要があるのです。
技術要約：平均ギャップを超えて
問題提起
量子近似最適化アルゴリズム（QAOA）は、デバイスの平均コスト（または平均正規化ギャップ）をノイズレスまたはノイズありのシミュレーションと比較することで、ハードウェア上での検証が行われることが頻繁にある。しかし、最適化タスクにおいて重要な指標は、最適解をサンプリングする確率であり、これが直接的に解への時間（TTS）を決定する。平均に基づく比較は、確率分布の偏りを隠蔽してしまう可能性があり、平均コストの一致を示しながらも、最適解の消失を見逃す恐れがある。本論文では、グローバルなデポラリゼーション（脱分極）ノイズを仮定した場合に、ハードウェアとシミュレーション間の平均ギャップの一致が、最適解の確率保持を予測できるかどうかを調査する。
手法
本研究では、混合バイナリ最適化における交互方向増幅法（ADMM）フレームワーク内のバイナリ部分問題として設計された、深さ2のQAOA回路を利用している。
- 回路: 著者らは「転送された角度（transferred angles）」を採用している。これは、一度小規模なホールドアウト・インスタンスで学習させたパラメータを、より大きな問題に再利用する手法である。これにより、デバイス上での最適化ループを排除し、すべてのショットが候補解となることを保証している。ランダムな角度はコントロール群として使用される。
- ハードウェア: 実験は、IBM Heronプロセッサ
ibm_marrakesh（超伝導量子ビット）を用いて行われた。
- 問題ファミリー: 12量子ビット（および検証用の8量子ビット）の2つの問題ファミリーを使用した：
- メイン・ファミリー: ランダムな二次無制約バイナリ最適化（QUBO）問題。
- プランテッド・ファミリー: Wishartアンサンブルによって生成された、既知の最適解を持つ険しいランドスケープを持つ問題。
- 誤差抑制: 動的デカップリング（DD）およびゲート/測定トウィリング、ならびにリードアウト・ミティゲーションの影響を評価した。
- 指標:
- 平均ギャップ保持率 (η): 一様サンプリングに対するノイズレスな改善の割合のうち、ノイズを含む出力に生存している割合。
- フロア補正済み最適解保持率 (ηq): （一様フロアに対して補正された）ノイズレスな最適解の確率のうち、生存している割合。
- 解への時間 (TTS): 99%の確率で最適解を見つけるために必要な評価回数。
- シミュレーション: デバイスに適合させたノイズモデル（ゲート、リードアウト、緩和エラーのスナップショットモデル）を使用して比較を行った。
主な貢献
- 理論的予測: 本論文は、グローバルなデポラリゼーションの下では、任意のビット列（最適解を含む）の平均ギャップ保持率とフロア補正済み保持率は同一になることを確立した。したがって、平均ギャップによる検証は、ノイズがグローバルにデポラリゼーションする場合にのみ、最適解の保持を予測できる。
- 8量子ビットの検証: 8量子ビットの研究において、著者らはランダムな角度（出力がほぼ一様になる場合）では、平均ギャップの一致はほとんど情報を持たないことを示した。転送された角度については、デバイスに適合させたノイズモデルは90%の改善を保持すると楽観的に予測したが、実際のハードウェアでは49〜73%しか保持されなかった。
- 12量子ビットの乖離: 12量子ビットの回路において、著者らはグローバル・デポラリゼーションの予測からの著しい逸脱を発見した。平均ギャップ保持率は29〜46%であったのに対し、最適解の確率保持率 (ηq) はわずか5〜15%であった。
- 閾値解決分析: コストの閾値ごとに保持率を分析することで、本研究は、準最適ビット列が最適解と同様の割合で失われる一方で、デバイスは「悪い」ビット列（一様な推測よりも劣るもの）を回避することには長けていることを明らかにした。これは、平均ギャップが主に「悪い解の回避」を測定しており、「良い解の保存」を測定していないことを示唆している。
- モデルの限界: デバイスに適合させたノイズモデルは ηq<η というパターンを再現したが、最適解の保持率を5倍から8倍過大評価した。
結果
- 最適解の保持: メイン・ファミリーにおいて、ハードウェアは1インスタンスあたり4096ショット中、中央値で5.5〜14個の最適ショットを配置したが、平均ギャップ保持率に基づくグローバル・デポラリゼーションの予測では23〜33個であった。
- 解への時間 (TTS): ハードウェアのTTSは、ノイズレスな値の5〜14倍であった。最初の提出において、ハードウェアのTTSは、すべてのインスタンスにおいて3つの調整済み古典的ヒューリスティック（シミュレーテッド・アニーリング、タブー探索、パラレル・テンパリング）のTTSを上回った。
- プランテッド・ファミリー: ノイズレスなシミュレーションでは、転送されたQAOAは険しいプランテッド・ファミリーにおいてローカル・ヒューリスティックを凌駕した。しかし、ハードウェア上ではこの優位性は消失し、デバイスは62%のブロックで最適解を見つけた（ノイズレスでは98%）。これはローカル・ヒューリスティックと同等、あるいはそれ以下の性能であった。
- 抑制効果: 動的デカップリングは一般に保持率を向上させたが、トウィリングは低下させた。これらを組み合わせた場合、単一の設定による性能向上を一貫して示すことはなかった。デバイスのドリフトは、抑制設定の効果と同程度の大きさであった。
- ADMMとの統合: QAOAステップをADMLループ内に組み込んだ小規模な研究では、ハードウェアのエラーが分解プロセスに伝播し、ノイズレスなサンプリングと比較して最終的な軌跡と解の質を変化させることが示された。
意義と主張
本論文は、量子最適化回路の検証を平均ギャップや平均コストの比較のみで行うことは不十分であり、誤解を招く可能性があると論じている。なぜなら、平均ギャップはデバイスが「悪い解を避ける能力」に支配されているため、最適解や準最適解の集合の保持を予測できないからである。これらこそが最適化の真のターゲットである。
著者らは以下のことを主張している：
- 平均ギャップの一致は、最適解の確率が保持されていることを保証しない。
- デバイスに適合させたノイズモデルは、失敗の「パターン」（平均保持率より低い最適解保持率）を再現することはできるが、損失の「大きさ」を予測することにはしばしば失敗し、性能を大幅に過大評価する。
- 最適化のベンチマークにおいては、最適解および準最適解のフロア補正済み保持率を、観察された最適ショット数とともに報告する必要がある。
- 現在の超伝導ハードウェアにおいて、QAOAの解への時間は古典的ヒューリスティックを上回ることがあり、ノイズレスなシミュレーションで見られた優位性が実行時に生き残らない可能性がある。
本研究は、将来のベンチマークは平均的な指標を超え、高品質な解の具体的な生存率を評価すべきであり、局所的なノイズが集中した確率分布を平均が示唆するものよりも脆弱にする事実を認めるべきであると結論付けている。
毎週最高の 量子物理学 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録