1. 出発点:AIの電力需要と量子コンピューターへの期待

AIが大きくなるほど、計算に使う電力も増えます。国際エネルギー機関(IEA)によると、データセンターは2024年に415テラワット時(TWh)の電力を使いました。これは世界の電力消費の約1.5%にあたります。2030年には約945TWhと、2倍以上に増える見通しです。IEAは、この増加の最大の要因としてAIを挙げています。

こうした流れの中で、「量子コンピューターがAIの限界を解決してくれる」という期待がよく語られます。しかし物理学者のジョン・プレスキルは、NISQ(ノイズのある中規模量子)技術を扱った2018年の論文で、次のように書いています。ゲートのノイズは、安定して実行できる回路の大きさを制限します。また、100量子ビット級の量子コンピューターは「すぐに世界を変えることはないだろう」というのです。本稿では期待ではなく、論文や公式発表が実際に示したことをたどります。

超伝導量子ビットを絶対零度に近い極低温まで冷やし、量子状態を保つための量子コンピューター用希釈冷凍機の内部構造
超伝導量子プロセッサーを約15ミリケルビン(mK)の極低温環境で動かす、量子コンピューター用希釈冷凍機の実物 · PhOtOnQuAnTiQuE from Earth France · CC BY-SA 2.0 · ウィキメディア・コモンズ

2. 量子優位の実験が実際に示したこと

2019年、Googleの研究チームはNature(Arute他)で成果を発表しました。53量子ビットの超伝導プロセッサー「シカモア(Sycamore)」が、あるランダム量子回路を100万回サンプリングするのに約200秒かかったという内容です。同じ作業を最先端の古典スーパーコンピューターで行うと約1万年かかる、というのが当時のベンチマークでした。研究チームはこれを、「この特定の計算課題における」量子優位の実験的実現と表現しました。一方で論文は、シミュレーション手法が着実に進歩してきたことにも触れています。そして、ここで報告したよりも低いシミュレーションコストがいずれ達成されると予想する、と書きました。ただし、より大きな量子プロセッサーのハードウェア改良がその速度を上回り続けるだろう、という見通しもあわせて示しています。

反論はすぐに出ました。IBMの研究チームはarXiv:1910.09534で、次のように分析しました。補助記憶装置を活用すれば、オークリッジ国立研究所のスーパーコンピューター「サミット(Summit)」で、こうした回路を高い忠実度で数日以内にシミュレーションできるというものです。その後、Pan・Chen・ZhangはarXiv:2111.03011で、53量子ビット・20サイクルのシカモア回路について、相関のないサンプル100万個を生成したと報告しました。使ったのは512基のGPUクラスターで、かかった時間は約15時間でした。目標とした忠実度は約0.0037でした。

中国科学技術大学(USTC)の研究チームも、同様の実験を続けました。超伝導プロセッサー「祖沖之2.1」は66量子ビットを備えています。このプロセッサーは、60量子ビット・24サイクル規模のランダム回路サンプリングを約4.2時間で実行しました。研究チームは、同じ作業を古典的にシミュレーションすると約4.8×10⁴年かかると推定しました(Zhu他、arXiv:2109.03494)。この論文の要旨は、「改良が続く古典アルゴリズムやハードウェアとの競争に耐えるには」量子ハードウェアをアップグレードしなければならない、という一文で始まります。同じ研究グループの光量子コンピューター「九章」は、ガウシアン・ボソン・サンプリングの実験を行いました。その結果、最大76個の出力光子の検出信号を観測しました(Zhong他、arXiv:2012.01625)。

まとめると、これらの実験が示したのは、特定のサンプリング課題における量子装置と古典計算の競争です。AIモデルをより速く学習させた結果ではありません。

暗い背景の金属基板上に載った四角い量子プロセッサチップ
Googleのシカモア量子プロセッサチップ、Google動画より(2019年) · Google ( https://www.youtube.com/channel/UCK8sQmJBp8GCxrOtXWBpyEA ) · CC BY 3.0 · ウィキメディア・コモンズ

3. 量子機械学習は何を目指すのか

量子機械学習の代表的な出発点は、2019年にNatureに掲載されたHavlíčekらの論文(arXiv:1804.11326)です。研究チームはまず、サポートベクターマシン(SVM)のようなカーネル法が広く使われていると述べます。しかし、特徴空間が大きくなり、カーネル関数の計算コストが増えると限界が生じると指摘します。そのうえで、量子アルゴリズムが高速化を得る鍵は、もつれと干渉を制御して指数的に大きな量子状態空間を活用することにある、と説明しています。

この論文は、超伝導プロセッサー上で2つの手法を提案し、実証しました。1つは、変分量子回路で訓練データを分類する「量子変分分類器」です。もう1つは、量子コンピューターでカーネル関数を推定し、その値を使って分類器を最適化する「量子カーネル推定器」です。どちらの手法も、量子状態空間を分類問題の特徴空間として使います。

重要なのは、表現の強さです。論文は、量子コンピューターでしか効率的にアクセスできない特徴空間が、量子優位への「可能な道筋」を与えると書きました。論文が示したのは確立された利点ではなく、これから検証すべき方向性です。

量子状態空間が大きいという事実と、分類がよりうまくできるという結果は、別物だとわかります。「量子機械学習」という言葉を見るとき、この2つを分けて読む必要があるのはそのためです。

4. 現在の代表的な戦略:変分量子アルゴリズム(VQA)

Nature Reviews Physicsに掲載されたCerezoらのレビュー(2021年、arXiv:2012.09265)は、現状を次のようにまとめています。複雑な量子系のシミュレーションや大規模な線形代数の問題は、古典コンピューターにとって非常に難しく、量子コンピューターはその解決を約束しています。しかし、誤り耐性のある量子コンピューターが近い将来に登場するのは難しい状況です。現在の装置は量子ビット数が少なく、ノイズによって実行できる回路の深さも制限されています。

こうした制約に対応する代表的な戦略が、変分量子アルゴリズム(VQA)です。これは、パラメーターを持つ量子回路を古典的な最適化器で訓練する方式です。量子装置がコスト関数を推定し、古典コンピューターがその値を受け取って回路のパラメーターを更新します。勾配も、量子ハードウェア上で回路を追加で実行して求める「パラメーターシフト則」で推定できます。つまり、よく言われる「量子コンピューターが計算し、GPUが誤差逆伝播を回す」というイメージとは、構造が異なります。分子の基底状態エネルギーを求めるVQEや、組合せ最適化問題の近似解を探すQAOAが、この枠組みに含まれます。

レビューは、VQAが量子優位を得るための「最善の希望」に見えるとしています。そのうえで、訓練可能性・精度・効率という課題が残っていると明記しています。

VQAでは、量子装置と古典コンピューターが互いを置き換えるのではなく、1つの計算の中でかみ合っていることがわかります。「最善の希望」と残された課題が同じレビューに並んで書かれているのは、まだ初期の段階だという意味に読めます。

5. 学習を阻む壁:バレンプラトー

訓練可能性の問題を代表する例が、「バレンプラトー(barren plateau)」です。Nature Communicationsに掲載されたMcCleanらの論文(2018年、arXiv:1803.11173)は、次のことを示しました。パラメーター付き量子回路の初期値には、ランダムな回路がよく提案されます。しかし、ヒルベルト空間の次元が指数的に大きいことと勾配推定の複雑さのため、数量子ビットを超えるハイブリッドアルゴリズムには適していないというのです。

具体的には、幅広いパラメーター付き量子回路において、勾配が一定の精度でゼロでない確率が量子ビット数に対して指数的に小さくなるというものです。研究チームはこれをランダム回路の2-design性と結びつけ、解決策を研究する必要があると結論づけました。量子ビットを増やすだけでは、学習は良くなりません。むしろ初期化や回路構造を慎重に設計しなければ、学習そのものが行き詰まりかねないということです。

前の節のレビューが挙げた「訓練可能性」の課題が、抽象的な懸念ではないことを示しています。この後に出てくるハードウェアの数値も、量子ビット数だけでは判断しにくいことがわかります。

6. ハードウェア:3つの方式と公開された数値

超伝導方式は、GoogleのシカモアやIBMが採用している方式です。IBMのハードウェア・ロードマップのページによると、IBMの量子コンピューターには133量子ビットのHeron r1、156量子ビットのHeron r2・r3、120量子ビットのNighthawkがあります。Heron系列は、調整可能なカプラーを備えています。IBMはQuantum System Twoを、自社の主力システムであり「量子中心のスーパーコンピューティング」の中核だと紹介しています。

イオントラップ方式は、電磁気力でイオンを捕らえて量子ビットとして使います。IonQの技術紹介ページは、イオンを環境から隔離することで、ノイズやデコヒーレンスを減らせると説明しています。また、量子ビットが物理的な配線でつながっていないため、すべての量子ビットが互いに直接相互作用できるとしています。クォンティニュアムは2024年4月16日、商用システムH1-1のすべての量子ビットペアで、2量子ビットゲート忠実度99.914(3)%を達成したと発表しました。どちらも企業自身による発表である点は、考慮する必要があります。

中性原子方式は、電荷を持たない原子を並べて量子ビットとして使います。Natureに掲載されたBluvsteinら(ハーバード大学など)の論文(2023年12月オンライン掲載)は、論理量子ビットに基づくプロセッサーを報告しました。これは再配置可能な中性原子配列を使い、最大280個の物理量子ビットで動作します。研究チームは表面符号の距離を3から7に増やし、2量子ビット論理ゲートを改善しました。また、論理GHZ状態を誤り耐性のある方法で作り、最大48個の論理量子ビットでサンプリング回路を実装しました。

3つの方式の数値は、量子ビット数、ゲート忠実度、論理量子ビット数と、それぞれ異なるものを測っています。280個の物理量子ビットと48個の論理量子ビットの違いも、2つの数を区別して読む必要があることを示しています。

暗い室内のガラスケース内に設置された黒い円筒形の量子コンピューター
ドイツ・エーニンゲンのIBM Quantum System One(2021年) · IBM Research · CC BY 2.0 · ウィキメディア・コモンズ

7. 誤り訂正と、化学シミュレーションへの期待

Bluvsteinらの研究チームは、論文の最初の一文で次のように書いています。誤りの抑制は有用な量子コンピューティングの中心的な課題であり、大規模な計算には量子誤り訂正が必要だというのです。情報を複数の物理量子ビットに分けて持たせる「論理量子ビット」は、オーバーヘッドが大きいとも説明しています。そのため、大規模な論理量子計算にとって大きな挑戦になるというのです。先に見たCerezoらのレビューも、誤り耐性のある量子コンピューターが近い将来に登場するとは見ていませんでした。これと同じ文脈です。

量子コンピューターの「キラーアプリケーション」としてよく挙げられるのが、分子・材料の化学です。しかしLeeらの分析(arXiv:2208.02199)は、量子化学で最も一般的な課題である基底状態エネルギーの推定を対象に、証拠を集めました。その結果、化学空間全体で指数的な量子優位の証拠はまだ見つかっていない、と結論づけています。量子コンピューターが量子化学に役立つ可能性は、依然としてあります。ただ、この問題で指数的な高速化が一般に可能だと仮定しないほうが慎重だ、というのが著者らの立場です。

誤り訂正は、装置の課題です。一方、前の分析は、基底状態エネルギーの推定という問題そのものに向けられています。この2つを分けて見ることで、「キラーアプリケーション」という期待を落ち着いて読むことができます。

8. 各国と機関の取り組み

耐量子暗号。米国国立標準技術研究所(NIST)は2024年8月13日、量子コンピューターの攻撃に耐えるよう設計された暗号標準3種を確定し、発表しました。鍵カプセル化用のFIPS 203(ML-KEM)と、電子署名用のFIPS 204(ML-DSA)とFIPS 205(SLH-DSA)です。これらは、NISTの耐量子暗号標準化プロジェクトで初めて完成した標準です。

米国。国家量子イニシアチブ(NQI)は、2018年の国家量子イニシアチブ法によって始まりました。その後、2022会計年度国防権限法(NDAA)と2022年のCHIPS・科学法(CHIPS and Science Act)によって改正されています。連邦機関が実施しており、14の国家量子情報科学(QIS)研究センターと量子産業コンソーシアムが含まれます。

欧州連合。量子技術フラッグシップは、2016年の「量子マニフェスト」に続いて2018年に始まりました。10年間でEU予算約10億ユーロ(見込み)を投じ、量子コンピューティング・量子シミュレーション・量子通信・量子センシングと計測を支援します。初期段階の代表的なプロジェクトとしては、超伝導回路を使うOpenSuperQと、イオントラップシステムのAQTIONが紹介されています。

日本。理化学研究所(RIKEN)は、富士通などと協力して開発した64量子ビットの超伝導量子コンピューターを、2023年3月末に研究者向けクラウドとして公開しました(RIKEN)。同じ年の10月5日からは、理研と富士通が新たに開発した64量子ビットの量子コンピューターと、富士通の40量子ビット量子シミュレーターを組み合わせたハイブリッドプラットフォームを提供しています。提供先は、共同研究を行う企業・機関です(RIKEN)。

韓国。科学技術情報通信部は2023年6月27日、政府として初めての「量子科学技術戦略」を発表しました。2035年までに3兆ウォン規模を投資し、先導国と比べた技術水準85%を達成するとしています。あわせて、中核人材2,500人の育成、世界の量子産業シェア10%、量子企業1,200社の育成を目標に掲げました(大韓民国政策ブリーフィング)。韓国標準科学研究院(KRISS)は、2024年に開発した20量子ビットの量子コンピューティングシステムを、クラウドサービスとして産業界などに提供する予定です。50量子ビットシステムの開発計画も発表しています。

並べてみると、各国の取り組みは、法律と研究センター、長期予算、クラウド公開、投資目標に分かれます。暗号標準がすでに確定していることは、備えが装置の完成より先に進んでいることを示しています。

9. まとめ:置き換えではなく、検証の時期

「量子コンピューターがAIを変える」という文を原典に照らしてみると、3つに分けられます。第一に、量子優位の実験は実在します。ただし特定のサンプリング課題に限られ、古典計算との競争が続いています。第二に、量子機械学習は興味深い手法を提案しました。しかし実用的な利点はまだ「可能な道筋」にとどまり、バレンプラトーのような訓練の問題も確認されています。第三に、大規模な計算に必要な誤り訂正は、論理量子ビットの実験が進められている段階です。

だからこそ、今意味のある問いは「いつGPUを置き換えるのか」ではありません。「どの問題で、どんな条件のもとで古典的な手法より優れているのかを、誰が検証したのか」です。新しい発表を見るときは、課題が何だったのかを確認しましょう。比較対象の古典的手法が最新だったか、数値が論文によるものか企業の発表かも確かめます。そうすれば、誇張と進展を見分けることができます。