機械学習の適用による量子アルゴリズムの実装性向上に関する研究
2023年度研究会推薦博士論文速報
［量子ソフトウェア研究会］
手塚 宙之
（ソニーグループ（株） 先端研究部 リサーチャー）
■キーワード
量子コンピュータ／量子計算／機械学習
【背景】次世代の計算機として量子コンピュータへの期待の高まり
【問題】入力・処理・読出の一連の流れを効率的に行う実装性の高い方法が未成熟
【貢献】計算にかかる実時間を大幅に短縮するアルゴリズムを提案
アルゴリズム開発の花形は，何らかの問題の解法を開発・実装することである．現に多くの研究が新たなアプリケーションの提案や解法の高速化に焦点を当てている．しかし，いくら目的の計算だけが高速化しても，ユーザーの利益に繋がるとは限らない．すなわち，データの入力・処理・結果の読み出しの一連の流れのどこかにボトルネックがあると，結局のところ高速化の恩恵は受けられない．歴史上の特筆すべき高性能なデバイスも，前述の課題により広く普及しなかったものが多くある．
本研究では，実際に量子計算を行う際に直面する課題について，その解決に資する3つのアルゴリズムを提案した．そのうちの1つを紹介する．
ここでは量子機械学習のモデル学習にかかる実時間を大幅に削減するアルゴリズムについて簡単に説明する．量子機械学習（QML）は，その表現力の高さからある種の問題では古典機械学習の性能を凌駕することが期待されている．しかし，その反面，モデルの学習には多くの手間を要する場合がある．特に，実際の量子デバイスを用いる際には，何度も結果の観測とパラメタのアップデートを繰り返す必要がある．ここで留意すべきが，量子デバイスの動作速度は古典デバイス（例：CPUやGPU）に比べて数万倍遅いという点である．実際には，これにさらに通信オーバーヘッドが加わるため，学習には途方もない時間がかかる．そこで提案したのが，量子／古典デバイスの各々が得意な役割に特化するハイブリッドモデルである．一般的なQMLモデルはデータエンコードからモデル構築まですべてを量子回路で表現するが，提案方式では量子デバイスはデータの量子状態へのエンコード（量子カーネルの構成）のみに用い，比較的少数の乱択的観測により，特徴量を抽出することに特化する．得られた特徴量を使って（古典）機械学習モデルの学習を古典計算機上で高速に行う．結果として，量子カーネルの非線形関数で表現される複雑なモデルが手に入るという算段である．原理的には任意の古典モデルを適用できるが，論文中では高速な収束性が理論的に示されている幅広かつ浅いニューラルネットワーク（Neural Tangent Kernel）を用いて，検証を行った．結果として，提案モデル（量子-古典ハイブリッド方式）が純量子／純古典モデルよりも圧倒的に少ないリソース，コストで高い性能を得られることを数値実験で示した．
このように量子デバイスを実際の産業で活用することを考えると，いまだ解決すべき課題は多い．すなわち机上の理論と実用の間には大きな隔たりがある．しかし，新たに生まれてくるテクノロジーを組み合わせて，それらの課題を解決することは非常にエキサイティングである．特に最近は，数学・物理・情報・統計・素粒子論などさまざまな専門性を持った研究者が力を合わせて時代を切り開いている．今後は，1つの専門性（を持つことはもちろん重要だが，それ）だけでなく，広い視野と適応性を持ったオープンマインドな研究者がより一層活躍する時代になるだろう．
（2024年5月14日受付）
（2024年8月15日note公開）
ー ー ー ー ー ー ー ー ー ー ー ー ー ー ー ー ー ー
取得年月：2024年3月
学位種別：博士（工学）
大学：慶應義塾大学
ー ー ー ー ー ー ー ー ー ー ー ー ー ー ー ー ー ー
推薦文［コンピュータサイエンス領域］量子ソフトウェア研究会
量子物性解析を機械学習で行いたいとき，機械学習器そのものを量子デバイスに置き換えてしまう方法論が最近活発に研究されています．本研究は，新しい定式化でこの研究領域に重要な貢献をするものです．具体的には，最適輸送距離や接神経核（NTK）の量子版を初めて提案し，訓練法などの詳細な解析法を与えています．
研究生活 修士を修了してから10年以上を経て，社会人博士として進学しました．修士時代は固体物性の研究室で実験系，本業はアナログ半導体の回路／システム開発ということで，心機一転，量子アルゴリズムの研究を始めるのは大きな挑戦でした．しかし，昨今の機械学習の興隆と量子コンピュータの目覚ましい発展を見るにつけ，じっとしていられず両者を同時に学べる量子機械学習の領域で研究を始めました．コロナ禍真っ只中の進学で，当初は直接会ってのコミュニケーションが取れず残念でしたが，在宅のお陰で研究時間が取りやすくなったと前向きに捉えて論文をたくさん読みました．後半はさまざまな方と会話する機会も増え，得られた多くの貴重な繋がりは財産です．学生のころはこのような形で博士を取得するとは夢にも思いませんでしたが，一度社会に出たからこそ／専門分野を変えたからこそ見えた景色もあるように思います．