20量子ビットがAIに与えた20%の精度向上、UCLが示したカオス予測の実用的量子優位性

1. 何があったのか

UCLのMaida Wang、Xiao Xueら4名の研究チームが、量子コンピュータをAI訓練プロセスの一部に組み込む新しいハイブリッド手法を開発し、Science Advances誌に2026年4月17日付で発表した(DOI: 10.1126/sciadv.aec5049)。実験には、IQM Quantum Computers製の20量子ビット機を、ドイツのライプニッツ・スーパーコンピューティングセンターの古典スーパーコンピュータと接続して使用した。論文タイトルはQuantum-informed machine learning for predicting spatiotemporal chaos with practical quantum advantageで、実用的な量子優位性(practical quantum advantage)の実証を主張している点が特徴である。

2. なぜ今までできなかったのか

カオス系の長期予測は古典科学における長年の難題である。大気の対流や乱流のように、初期条件のわずかな違いが時間とともに指数関数的に拡大する系では、フルシミュレーションは数週間かかり実用的でなく、機械学習モデルは短期予測は得意でも時間が経つにつれ予測が崩壊しやすい傾向がある。一方で量子コンピュータ単独でこうした問題を扱おうとすると、現在のノイズや誤り、測定の繰り返しコストが障害となり、量子と古典の間でデータを何度も往復させる手法は実用性に乏しいとされてきた。

3. 既存手法との比較

4. どうやって実現したのか

研究チームは、データを最初に量子コンピュータで処理し、時間が経っても安定して保たれる統計的特徴(invariant statistical properties、不変統計性質)を抽出する。この量子由来のパターンを、古典スパコン上で動作するAIモデルの訓練に使う。量子ビット(qubit)は0と1の重ね合わせ(superposition、複数状態を同時に持てる性質)と、もつれ(entanglement、量子ビット同士が距離に関係なく相関する性質)を持ち、少数のビットでも広大な状態空間を表現できる。この性質がカオス系の背後にある物理を効率的に符号化することに適しているとみられる。重要なのは、量子コンピュータを訓練プロセスの一段階のみで使う設計で、ノイズの影響を抑える工夫が施されている点である。

5. 何ができたのか

著者のWangは、この手法が古典計算だけでは到達できない実用的量子優位性を示すものと位置づけており、共著者のXiao Xueは、量子計算と古典機械学習を意味のある形で統合し流体力学を含む複雑な動力学系を扱った最初の事例と述べている。

6. この技術が広がると何が起きるか

シニア著者のPeter Coveney教授(UCL化学および先端研究計算センター)が挙げた応用先は広範に及ぶ。気候予測、血流モデリング、分子相互作用シミュレーション、風力発電所の設計最適化などである。流体力学・乱流予測は科学の基礎課題であると同時に、産業面では航空機・自動車の空力設計、エネルギー、医療画像、創薬の分子動力学にまで波及する領域である。金融市場の非線形性や、気象を介した農業・保険・電力需給予測にも応用余地があると考えられる。

7. 関連企業・市場動向

本研究で実機を提供したIQMは未上場のフィンランド系量子ハードウェア企業である点に留意が必要である。量子機械学習(QML)領域は、ハードウェア企業に加えて古典スパコン側の役割も大きく、ハイブリッド構成が主流となる可能性がある。なお投資判断はあくまで自己責任で行われるべきであり、本記事は推奨ではない。

8. 課題と今後の展望

著者自身が次のステップとして、より大規模データセットへのスケールアップ、現実世界の複雑な問題への適用、そして証明可能な理論的枠組みの構築を挙げている。現時点での主な留保点は以下の通りである。

20量子ビットという規模は依然として小さく、産業応用に必要な系のサイズに耐えるかは未検証である可能性がある。実用的量子優位性の主張についても、より効率的な古典手法が後から見つかる余地があり、Wang自身が、この成果が新しい古典アプローチの開発を刺激する可能性に言及している。動作には絶対零度近傍までの冷却が必要で、現状ではクラウド経由の利用が現実的とみられる。それでも、量子ハードを訓練前段の一回のみに使う設計は、ノイズの多い現行NISQ機でも有意な結果を出せる現実的なアプローチを示した点で意義があると言える。