概要

量子人工知能（量子AI）とは

　量子AIとは、処理の一部または全てを、量子状態によるデータの表現や量子回路を用いて行うというAIです。従来のAIにおけるどのような処理を量子状態データや量子回路（量子計算）により行うかについては、現時点では専門家達の間で統一の見解はありません。量子優位性の確立を求めて、学習データやモデルなど、AIの構成要素へ量子計算を適用する様々な研究が行われています。
　量子AIにおける量子優位性とは、従来のAIと同様の分類や回帰、最適化などの問題に量子AIを活用した場合に、何らかの点で従来のAIを上回ることです。より少量のデータを用いた学習や学習時間の短縮、精度の更なる向上といった性能の改善や、実行環境における運用コストの削減など、性能や運用の指標で量子優位性が期待されています。
　量子コンピューティング技術に関して、現在多くの研究機関や企業が、量子コンピュータ自体の性能を底上げする研究開発の他、量子回路の設計や量子ソフトウェアの構築といった実利用に向けた研究開発が行われています。特に、実利用の対象としてユースケースの検討が盛んに行われており、量子AIは量子コンピュータのキラーアプリケーションになり得ると言われている分野の一つです。

要素技術

　AIの計算に適用可能な複数の量子アルゴリズムが考案されています。例えば、Harrow-Hassidim-Lloyd（HHL）アルゴリズムは、従来の古典コンピュータのアルゴリズムよりも更に指数関数的に少ない計算量で行列の計算を実行できます。但し、HHLアルゴリズムは、動作に幾つかの厳しい条件があり、現在の量子コンピュータの性能では実行ができないため、実用化には時間がかかると考えられています。
　現行の量子コンピュータ（NISQと呼ばれます、こちらのnoteもご参照ください）で量子優位性を示すためには、古典コンピュータを併用した分担が不可欠で、この手法を量子古典ハイブリッドアルゴリズムと呼びます。以下では、AIモデルの訓練を量子古典ハイブリッドアルゴリズムで行う方法として、変分量子アルゴリズム（Variational Quantum Algorithm, VQA）に基づく手法と量子カーネル法と呼ばれる手法を紹介します。

変分量子アルゴリズム（VQA）

　VQAとは、量子回路においてパラメータを調整しながら計算を繰り返し、目的に近づけるように量子回路の振る舞いを最適化していく手法です。

VQAは汎用性が高く、行列の固有値を推定する方法（Variational Quantum Eigensolver,VQEと呼ばれ、量子化学計算へ活用が見込まれています）や確率分布を近似する方法（Quantum Circuit Born Machine, QCBM）、特定の処理に対する量子ゲートを近似により推定する方法（Fixed Input State Compiling, FISC）などへ展開されています。量子回路学習（Quantum Circuit Learning, QCL）もVQAに基づく手法であり、量子状態によってデータの特徴量を表現し、データの分類などに役立てることが可能です。特徴量の情報を上手に高次元化することで、元の次元では分離が難しいデータの集合の中から類別が可能になります。しかし、VQAを用いた量子状態による表現に関して、問題サイズ（量子ビット数）の増大などの影響により、指数関数的に学習性能が低下していってしまう勾配消失問題（Barren-Plateaus問題）という現象が広く影響を及ぼしており、この問題への対策が求められています。

量子カーネル法

　量子カーネル法とは、量子状態同士の内積をとった値を特徴量情報の次元の拡張に利用する方法です。予め決めておいた量子回路を用いて内積計算が効率よく実行できます。更に、前者のVQAによる手法と比べて回路設計を簡略化でき、実行後にパラメータの調整も必要ないという利点があります。一方で、量子カーネル法で用いる内積計算に対応した量子回路は現状、問題に対して試行錯誤と創意工夫によって決められています。様々な問題に汎用的に適用できる関数や、未探索の問題について量子カーネル法を適用するために適切な回路を自動で設計する方法のような、量子カーネル法の汎用的な利用を可能にする手段はまだ見つかっていません。また、量子カーネル法を実問題に適用してどれ程の性能が出るかは明確でないという懸念や、量子カーネル法による学習においてもVQAと同様に勾配消失問題の発生が示唆されており、学習対象の問題の模索や検証が現在進められています。

　AIモデルに関するアルゴリズムの研究の他にも、量子回路実行時の測定に伴うランダム性を利用してデータセットの生成に役立てる研究や、リザバーコンピューティングと呼ばれる計算装置にVQAの一部区間を置き換えてみるという研究など、量子AIの強みを引き出す様々な挑戦がなされています。

期待と課題

　量子AIに期待されることとして、主に「データの特徴を把握する能力の精密化」と「低コストで充分な学習精度を発揮すること」が挙げられます。量子AIの課題としては、「実用的な問題に沿った活用例を増やすこと」と「量子優位性を見出すこと」が挙げられます。
　シミュレーションなどの実用分野においては、量子状態の表現能力が注目を集めています。従来のコンピュータでは実現できない精度の表現が可能になることで、新技術の到来が期待されています。機械学習と結びつく汎用的な情報処理分野においては、少量のデータでも機能する学習能力の格段の向上や、量子コンピュータ自体が大規模コンピュータやスーパーコンピュータと比べて非常に小さな電力で動作するという、稼働効率の良さが期待されています。特に、昨今の機械学習においては、膨大なデータを非常に性能の良いコンピュータを使って巨大な学習モデルを構築し、その巨大な学習モデルを目的毎に沿って調整・適用し、運用を行うという傾向にあります。巨大な学習モデルの構築と計算処理には膨大な電力を必要とし、一説では2018年から2023年までの5年間で世界の機械学習に充てられる消費電力が30万倍に跳ね上がったとされています。より実用的な性能の量子コンピュータの普及に伴い、数多くのコンピュータが手軽に量子コンピュータと接続できるようになれば、小規模のコンピュータ同士が個別に通信を行い、個別に少量のデータを活用し、省電力で有効な精度のAIの恩恵を受けられることが可能となり、近年でのAIの傾向と言える大規模化による大量の電力消費とは異なる発展の道筋が量子AIに期待されます。
　対して、量子AIにおける勾配消失問題による実用性に対する障壁、それらを踏まえた上でもなお量子AIが従来のAIと比べて優位性を持つようなユースケースが、まだ確立されていないという課題があります。量子アニーリング計算や量子化学計算などの分野と比べて適用事例が明確に打ち出されていないため、量子AIの研究開発分野が現状のまま冬の時代を迎えないよう産官学が連携し、研究投資を維持していけるかどうかが、今後の焦点の一つと言えそうです。

未来像

　上記の量子状態を活用した表現能力の進化、少データ性、低消費電力に着目し、引き続き量子アルゴリズムの開拓と発見に期待しつつ、量子計算を備えたAIがどのような夢をもたらすかについて考えてみましょう。

・未病の早期発見
生活に組み込まれた小規模のIoT機器が個人の体調に関するデータを個別に収集し、量子コンピュータと通信接続することで短期間の少量データでも分析が可能になる。これにより、自覚症状として振り返ることが難しい数日間の微細な体調変化の傾向を予測し、日々の健康管理や病院での診察に役立てる。

・未知のサイバー攻撃への対処
件数が多く挙がっていない新規のサイバー攻撃について、攻撃に関する少量の監視データや影響を示すデータを元に量子AIを用いた分類モデルを作り出すことが可能になる。これにより、同種の攻撃による被害が拡大する前に検知の体制を整え、反射的な防御と対応を行う。

・高精度シミュレーションによる核融合技術の実現
既存の技術では機械制御の難しいプラズマの状態について、量子計算を活かした、より精細な情報を扱うシミュレーション技術を用いて捉えることが可能になる。また、シミュレーションの精細な情報に対応する制御技術の発展によって核融合の実現が近づき、エネルギー問題・環境問題の解決とサスティナブルな世界への貢献に向けて飛躍的に前進する。

活用事例

　国内外の研究機関や企業によって、量子AIにまつわるアルゴリズムの改良・提案、ユースケースの開拓が行われています。勾配消失問題に関しては、問題自体について発生の様子や取扱いの理解を進める基礎研究の他、overparametrizationと呼ばれる現象を利用した機械学習における処理手法や量子畳み込みニューラルネットワーク（Quantum Convolutional Neural Network, QCNN）と呼ばれる学習モデルの適用検証など、学習効率低下の回避・軽減に向けた様々なアプローチによる取組みが始められています。量子計算の性能を検証し力を引き出していくためにはどういう条件下における問題を設定すべきか、実問題を如何にして適用していくかといった検討も進められています。
　近年、量子AIに関する研究開発を専門とする機関も国内に設立され、量子機械学習や、より現実に沿ったシミュレーションの手法、量子埋め込み技術や量子最適化技術など、理論と実用に関して様々な研究が行われています。

TOPPANの取り組み

　TOPPANは量子AIに関する基礎研究や事例開拓などを実施しています。量子カーネル法については、設備の異常検知用の学習モデルを構築する過程の研究や、出荷物の不良検知を行う研究を行っています。

　また、2022年より東京大学素粒子物理国際研究センター（ICEPP）との共同研究を開始し、量子計算において発生する現象に関する研究や適用例の検討、量子優位性の検証を行っています。

　以上をはじめとした取り組みをもとに、量子AIの活用促進を目指し、事業活動に向けて進めていきます。

TOPPAN有識者コメント

　量子AIの研究はまだ基礎的な段階ですが、AIの歴史を振り返ると、第一次、第二次ブームを通した研究で得た技術や知見がそのまま現在に活かされており、量子AIに今から取り組むことは非常に重要です。
　第三次AIブームは、コンピュータの大幅な性能向上が主因のひとつとなり、本格的なAIの活用をもたらしました。同様に、量子コンピュータの実用化、性能向上によって、量子AIには革新的発展が起こると考えています。
　第三次ブームによって画像認識技術が実用レベルに達したことから、機械が「目を手に入れた」とも言われています。量子AIによって、機械がまさに「知能」を、更には「予知」を手にするかもしれない。そんな未来を、そしてそんな未来に我々の技術が貢献することを、楽しみにしています。

■編集者