21世紀の10年間のテクノロジーの展望を説明する上で、人工知能（AI）、ビッグデータ、クラウドコンピューティング、そしてモノのインターネット（IoT）は避けて通れない用語です。テクノロジーのトレンドを論じる記事では、これらの用語を抜きにして議論を展開することはほぼ不可能です。

今後10年間で、量子コンピューティングは、この長い革命的技術のリストに加わるかもしれません。人工知能がビッグデータの投入によって成熟し、クラウドコンピューティングによって豊富な計算能力を獲得し、モノのインターネット（IoT）との統合によってあらゆるものがインテリジェント化できるようにしたように。

では、人工知能と量子コンピューティングの相互作用は、どのような劇的な反応を生み出すのでしょうか?

2017年、チューリング賞を受賞した姚其志教授は講演でこう述べた。「量子コンピューティングとAIを組み合わせることができれば、自然界でさえ考えつかなかったことが可能になるかもしれない。」

「世界の様相を一変させる」ような技術的展望は、一般の人々にとってはまだ少し遠いように思えるかもしれません。しかし、量子コンピューティングと量子機械学習の研究は、世界中の多くの研究機関やテクノロジー大手の研究所で既に根付き、開花しています。基本的なアルゴリズムツールとリソースを外部や技術者に提供することで、量子と知能の魔法の力を人々に実感してもらうことができます。

最近、百度のPaddlePaddleは量子機械学習開発ツール「Paddle Quantum」のリリースを正式に発表しました。これにより、Paddle Quantumは中国で唯一の量子機械学習対応ディープラーニングプラットフォームとなりました。Paddle Quantumは、量子ニューラルネットワークの構築とテスト、そして量子人工知能の研究を行うための研究者向けの量子機械学習ツールセットを提供します。

量子粒度の出現が量子機械学習にどの程度大きな進歩をもたらすかはまだ分からないが、我が国における量子機械学習の普及をある程度促進し、AIと量子コンピューティングの研究者に新たな学習の道を提供したことは確かである。

学習意欲を抑えられないのであれば、量子コンピューティングと人工知能技術の交差点を探り、量子機械学習の秘密を垣間見て、参加する可能性を検討したいと考えているのではないでしょうか。

なぜ量子コンピューティングは人工知能に適しているのでしょうか?

本題に入る前に、理解を深めるために量子コンピューティングの基本的な背景を簡単に見てみましょう。

まず、量子力学がなぜ計算が可能なのかを見てみましょう。

20世紀における主要な物理学的発見の一つは量子力学であり、その主要な発見は、素粒子が二つの状態、すなわち重ね合わせと量子もつれ（エンタングルメント）で存在するというものでした。簡単に言えば、重ね合わせとは、量子粒子が同時に一つの状態と別の状態にあることを意味します。観測または測定されると、いずれかの状態へと遷移します。これは有名な「不確定性原理」です。一方、量子もつれとは、二つの量子粒子対が、たとえ非常に遠く離れていても、微妙で神秘的な相互作用を起こす可能性があることを意味します。これは有名な「量子もつれ」です。

「重ね合わせ」は量子力学における並列計算の基礎を決定づけ、「もつれ」は量子テレポーテーションの基礎を決定づけます。量子力学のこれらの性質を計算に適用することで、極めて複雑なデータ計算を処理できるようになります。

古典的なコンピューティングの基本単位はビットであり、0 と 1 の 2 つの状態の間でのみ切り替えられることは周知の事実です。古典的なコンピューティングでは、0 と 1 を切り替えることによって線形計算しか実行できません。しかし、現在のコンピューティング能力は非常に大きく、1 秒あたり数十億回以上の計算を実行できます。

量子コンピューティングの基本単位は量子ビットであり、重ね合わせ効果により、0 と 1 の特性を同時に持つことができます。量子ビットの数が増加すると、量子ビットの計算能力は指数関数的に増加します。

言い換えれば、量子ビットは同時に2つの状態（0と1）をとることができます。したがって、相互作用する2つの量子ビットは、4つの2進値すべてを同時に保存できます。通常、「n」個の量子ビットは「2のn乗」個の古典的な2進値を同時に表現できます。

古典コンピューティングと量子コンピューティングの違いを理解するために、「トウモロコシ畑の迷路」の例えを用いましょう。古典コンピューティングは、トウモロコシ畑で出口を探している人のようなものです。人はまず道を見つけてそれをたどり、障害物に遭遇すると引き返し、別の道を見つけてまた歩き始め、これを繰り返して出口を見つけます。一方、量子コンピューティングは、複数のクローンを持つようなもので、トウモロコシ畑の迷路のすべての道を同時に探索し、一発で出口を見つけることができます。

このように、高度な並列コンピューティング能力を構成する量子コンピューティングにおけるエンタングルメント状態の重ね合わせと崩壊は、人工知能、特に機械学習に必要なデータ処理とアルゴリズムのトレーニングに新たな可能性をもたらします。

量子コンピューティングと人工知能も絡み合い、切り離せない関係を築きつつありますが、これは量子コンピューティングと機械学習を組み合わせることで直ちに大きな成果が得られるということを意味するものではありません。

量子機械学習はまだ初期段階にあります。

量子機械学習（Quantum ML）は、量子コンピューティングと機械学習を組み合わせた学際的な分野であり、両者の組み合わせにより相互に有益な結果を生み出すことができます。

量子コンピューティングの主要な目標の一つは、量子特性を活用して高性能な量子機械学習アルゴリズムを開発し、人工知能の応用シナリオを加速・拡大することです。一方、量子コンピューティングが広く応用されるまでには、解決すべき多くの困難な科学的・工学的課題が残されており、量子コンピューティングの研究開発におけるボトルネックを克服するためには、AI技術をはじめとする多くの高度なコンピューティングツールが必要です。

機械学習と量子コンピューティングは、アルゴリズムとデータに基づいて、CC、QC、CQ、QQの4つの異なるタイプに分類できます。CCは従来の機械学習を指し、QQは量子コンピューティングのオープンドメインに属します。CQは主に機械学習アルゴリズムを使用して、量子システムの制御対象のモデル化や、摂動やノイズなどのパラメータ特性の特定など、量子物理学の問題を解決し、量子コンピューティングの発展を促進します。

QC（量子コンピューティング）は、量子理論を活用して機械学習を改善し、機械学習アルゴリズムの量子化を促進します。一つのアプローチは、量子コンピューティングを用いて、従来は古典的コンピューティングでは計算不可能だった問題を計算可能にし、機械学習アルゴリズムの計算量を大幅に削減することです。もう一つのアプローチは、量子コンピューティングの並列加速の利点を機械学習アルゴリズムに深く統合し、全く新しい量子機械学習アルゴリズムモデルを生み出すことです。

従来のニューラルネットワークでは、単一のネットワークに多くのアルゴリズムパターンしか格納できません。一方、量子ニューラルネットワークは、量子重ね合わせによってもたらされる並列性により、複数のネットワークに多くのアルゴリズムパターンを格納できます。しかし、量子ニューラルネットワークの実装は容易ではありません。なぜなら、これらのアルゴリズムが真に機能するには、最終的には量子コンピュータ（プロセッサ）のサポートが必要になるからです。

報道によると、2018年にイタリアのパヴィア大学の研究チームは、わずか4量子ビットの量子コンピューター上に世界初の単層ニューラルネットワークを実装した。

（4量子ビットの人工ニューロンを備えた量子回路）

このモデルは単一ニューロンの挙動を正確にシミュレートでき、このような単層モデルは単純なパターンを認識できます。しかし、多層ニューロンで構成される深層ニューラルネットワークにはまだ拡張されていません。それでも、これは量子ハードウェア上で量子ニューラルネットワークを効果的に学習するための第一歩です。

従来のニューラル ネットワークと比較して、量子ニューラル ネットワークには、指数関数的なメモリ容量、学習および処理速度の高速化、サイズの小型化、安定性と信頼性の向上など、多くの利点があります。

量子ハードウェアの進歩はやや遅いものの、理論的なアルゴリズムモデルは事前に開発可能です。GoogleのQuantum AIチームは、量子コンピュータで学習可能なディープニューラルネットワークの理論モデルを既に構築していました。

Googleは今年3月、量子モデルの学習用機械学習ライブラリであるTensorFlow Quantum（TFQ）のオープンソース化を発表しました。TFQには、量子ビット、ゲート、回路、測定演算子など、特定の量子コンピューティングに必要な基本構造が含まれています。ユーザーが指定した量子コンピューティングは、シミュレーションまたは実機上で実行できます。

現在、量子機械学習の開発はまだ初期段階にあります。現在の応用例としては、量子ニューラルネットワークを用いて全く新しい音を生み出す新しい楽器を生成することが挙げられます。

量子機械学習の将来の応用はさらに刺激的です。例えば、指数関数的な記憶・検索能力を持つ量子ニューラルネットワークは、人間の脳やブラックホールをシミュレートし、人類が世界の最も深い本質を真に探求するのを助ける可能性があります。これは、量子機械学習と量子コンピューティングが究極の価値を発揮できる分野かもしれません。

量子機械学習の開発における「ハードル」

量子コンピューティングはそれ自体が複雑な技術であり、学際的な技術である量子機械学習の開発は、当然のことながらその難易度をさらに高めます。量子機械学習アルゴリズムの成熟度は、ソフトウェアとハ​​ードウェアの同時的な改善に依存しており、どちらの分野にも克服すべき課題が依然として残っています。

まず、従来の機械学習言語を量子コンピューティングに直接移植することはできないことを理解する必要があります。量子ニューラルネットワークを構築するには、量子ビットを用いて既存の機械学習コードを量子状態に変換する必要があります。

これは量子機械学習におけるいわゆるI/Oボトルネックです。I/Oボトルネックとは、現在の量子機械学習アルゴリズムのほとんどが、大規模なデータセットを量子状態にエンコードするか、問題の解を量子状態で生成する必要があることを意味します。そのため、入力段階の前処理と情報抽出段階の後処理に多くの時間がかかり、量子アルゴリズムによって節約される時間を相殺してしまうことになります。

（IBM 50量子ビットコンピューティングシステムの中心構造）

第二に、真に汎用的な量子コンピュータはまだ登場していません。数千量子ビットを有する現在の量子コンピュータは、ノイズ耐性とデコヒーレンス分解能に依然として課題を抱えており、DiVincenzo基準をまだ満たしていません。これは、量子機械学習アルゴリズムの実用的な検証を支えるハードウェアが不足していることを意味し、研究者はマルチ量子ビット演算の実装において主に量子シミュレータに頼らざるを得ない状況にあります。

例えば、GoogleのTFQは、量子機械学習研究のためのツールを提供しています。約50～100量子ビットを備えたノイズ中間量子プロセッサ（NISQ）は、自然または人工の量子システムの制御／モデリングを可能にします。これに基づき、TFQの量子機械学習モデルは量子データモデルや量子・古典ハイブリッドモデルを扱えるようになり、開発者が既存の量子アルゴリズムを改良したり、新しいアルゴリズムを発見したりするのに役立ちます。

ソフトウェアとハ​​ードウェアの両方における実際的な困難のため、量子機械学習アルゴリズムのブレークスルーはまだ遠い道のりです。

さらに、量子機械学習アルゴリズムが特定の計算問題において古典的アルゴリズムよりも高速化の優位性を持つかどうかは依然として疑問視されています。2018年、量子レコメンデーションアルゴリズムに着想を得た18歳の中国系アメリカ人学生、エウィン・タンは、量子アルゴリズムと同等の速度でレコメンデーション問題を解くことができる古典的アルゴリズムを設計しました。このアイデアは研究者たちに刺激を与えました。量子アルゴリズム的思考は古典的アルゴリズムの発展を促進できるという点であり、これは量子コンピューティング研究の重要性を示すもう一つの証です。

量子機械学習は、昨年のGoogleの「量子超越性」の主張ほどの注目を集めておらず、人工知能の広範な現実世界の応用において同レベルの成功を収めているわけでもないが、むしろ未来に向けたコンピューティング製品と言えるだろう。

数十年前、量子コンピューティングと機械学習のためのニューラルネットワークはどちらも不可能と考えられていました。しかし、両者が実現し、現在では融合しつつあるという事実は、人類の技術における驚くべき成果です。

そのため、現在では、百度やグーグルのような量子コンピューティングプラットフォームの開放を通じて、一般の技術愛好家も自ら量子アルゴリズムを開発し、テストすることができるようになり、これは間違いなく一生に一度あるかないかのチャンスであり、非常に幸運なことである。