大阪大学大学院教授・藤井啓祐氏に聞く
（３）古典の常識を超える量子AI──量子機械学習のインフラ課題
量子機械学習には既存の古典コンピューターが解くことができない「量子課題」の解決が期待されている。物理現象の根幹がもともと量子的（ミクロ）であるのに、私たちはコンピューターによる計算を古典力学（マクロ）の常識でしか考えていないという落とし穴が見えてくる。むしろ不自然なのは古典コンピューターなのだ。
量子機械学習（Quantum Machine Learning）は、古典コンピューターの限界を超え、量子ICTインフラと量子データ活用の進展にかかっています。本記事ではその要件と将来展望を、大阪大学・藤井啓祐教授が解説します。
藤井 啓祐（ふじい けいすけ）
大阪大学大学院基礎工学研究科システム創成専攻教授。大阪大学量子情報・量子生命研究センター副センター長。
2011年3月京都大学大学院工学研究科博士課程修了。博士（工学）。理化学研究所量子コンピュータ研究センター量子計算理論研究チームチームリーダー、東京大学工学系研究科物理工学専攻客員教授、情報処理推進機構（IPA）未踏ターゲット事業プログラムマネージャー、量子技術の普及のための一般社団法人 Quantum Research Institute 理事を兼任。量子コンピュータのソフトウェアベンチャー、株式会社QunaSys、最高技術顧問。
専門分野は量子情報、量子コンピューティング。特に、量子誤り訂正、誤り耐性量子計算、測定型量子計算、量子計算複雑性、量子機械学習。著書に『驚異の量子コンピュータ：宇宙最強マシンへの挑戦』（岩波科学ライブラリー) など。
目次
- 量子のICTインフラが普及しない限り量子機械学習は普及しない
- 量子データに対する量子による量子のための機械学習
- 古典力学をベースとした常識から量子的思考へ
- 量子性が絡んでいる環境問題を量子コンピューターで解決
- 量子情報科学の時代の始まりを告げたノーベル物理学賞
量子のICTインフラが普及しない限り量子機械学習は普及しない
桐原 「量子機械学習」についてお尋ねします。現状で、AIと量子コンピューターは、どのような部分で研究が連携されているのでしょうか。なかなかイメージしにくい部分なので、そこをお伺いできれば──。
藤井 量子機械学習の現在のフェーズをイメージしていただくために、図でご説明いたします。これはAIの歴史を簡単に第１次、第２次、第３次にまとめたものです。第１次はパーセプトロンの原理とかが出てきた1950年代で、思考する機械を考えましょうということだったのですが、当時はトイプロブレム1しか解けないというので批判されて冬の時代が訪れました。次に1980年代、第２期AIブームが訪れます。いわゆるエキスパートシステムですね。人間がルールを定義したらそのルール通りに機械が動くことを目指しました。ただし、学習という観点ではAIは発達しませんでした。その原因は良質なデータとそれを処理する計算資源がなかったからです。いいラベルが付いた膨大なデータがなかったのでうまくいきませんでした。現在の第３次AIブームで、やっと産業に応用され大きな飛躍を遂げたわけですが、大きな要因としてはICTインフラの普及があります。
藤井啓祐氏作成の図による
桐原 インターネットでデータが集められるようになり、さらに計算資源も増大しましたね。
藤井 インターネット上でラベルが付いた意味のあるデータが膨大に集まるようになりました。さらにGPUが発達してコンピューターのなかにアクセラレータというかたちでGPUが搭載されて、計算資源が一気に普及しました。さらにディープラーニングという枠組みが出てきたことによってAIが猛烈に進化したわけです。AIの進化の歴史と比較して、量子コンピューターの進化を考えてみると、だいたい第１次ブームに相当するのは量子コンピューターという原理が提唱された1980年代から90年代だと思います。純粋な物理学者の興味で研究がされていた時代ですね。第２次の量子ブームは2010年代ですね。マルティニスが精緻なエンジニアリングをして、量子コンピューターというシステムをつくっていこうというフェーズに入った。それこそ「量子超越とかクラウドで量子コンピューター使えますよ」という、実際に使用できるように量子コンピューターを進化させていった時代ですけど、残念ながら今の量子コンピューターは性能がかなり制限されているのでトイプロブレムしか解けないと言われているフェーズです。
桐原 社会に実装されるにはまだまだ時間がかかるということですね。
藤井 おそらく量子AI、量子機械学習が本当に使われるのは、2030年代以降ではないかと見られています。量子のICTインフラが普及しない限り、第３次AIブームみたいなかたちで広がるのは難しいと思います。というのも、そもそもAIとは目的ではなく手段、道具なのです。何かをやりたいっていうときの手段、道具です。その「何か」という材料がないとAIは動かないわけです。画像データがなければ画像認識をやりたいというモチベーションが湧かなかったように、量子の機械学習が普及するためには、量子コンピューターが処理能力として進化する必要があり、さらに量子センサーが普及することによって、いろんなところから量子データが取れるようにならないといけない。さらに量子通信が進むことによって、そうした量子データのやりとりがされるようになり、量子コンピューターのなかでの仮想的な実験に対するモチベーションが出てきます。こういう物質をシミュレーションしようとか、ああいう物質をシミュレーションしようとか、量子データを使って何かしたいという欲望が出てくるわけですね。このフェーズにならないと、量子機械学習が生きる時代にはならないと思います。
量子データに対する量子による量子のための機械学習
桐原 どうしても今のコンピューター上で行われている機械学習を量子コンピューターにやらせれば高速化できるのではと短絡して考えてしまうのですが──。
藤井 それはなかなか難しいと思います。そもそも問題設定が古典コンピューターの言葉で書かれているので、そこに乗り込んでいって量子コンピューターが古典コンピューターと戦って勝つというのは相当、難しいんですね。それが実現するのはもっと先だと思います。もっと手前の段階で、量子ICTインフラが整って、そもそもデータが量子だから、そこから有益な情報を得るためには量子のAIじゃないといけないよねというのが量子の機械学習が使える時代だと思います。
桐原 データが量子であるというのは、どういうふうに理解すればいいのでしょうか。
藤井 たとえば、古典コンピューターでは、必要なデータをロードしてきて、それを機械学習にかけたりするわけです。それと同じように量子コンピューター内部に、ある化学物質の状態を計算すると、計算が終わったときには、化学物質の電子の状態になっているような量子データがあるわけですね。これがある化学物質Ａのデータです。これが化学物質Ｂのデータです。Ａの物質かＢの物質、どっちがいいですかとか、それが増えたときに特定の機能を持っている物質はどれですかとか。そういうのを学習したいと思ったときに、それをわざわざ古典のデータに焼き直してから古典の機械学習かけるんだったら、量子コンピューター内部でそのままパイプライン的に量子AIのアルゴリズムで処理すればいいですよねということになります。
桐原 なるほど！ 量子を量子のまま計算するということですね。古典のデータにする必要はないですもんね。量子コンピューターなら、そっちのほうが、都合がいい。
藤井 たとえば化学物質って量子力学で表されるので、たとえばH₂Oとかそうですね。原子があって電子が飛びまわっていて。これはそもそも量子的なものなんですね。量子コンピューターのなかで量子的なものとして保存をする。そういう量子的なものが身の回りに増えないと。たとえばセンサーからセンシングした量子状態であったりとか、量子的なデータを通信やりとりして受け取った量子的なデータであったりとか量子的な対象物が増えないと、それを使った機械学習とか学習分類推論っていうのがそもそも必要ないわけですよね。
桐原 よく分かりました。言われてみればその通りでミクロの世界がもともと量子の世界であるのだから、そのままデータとして取り込めればいいっていうことですよね。
藤井 そうです。今は古典コンピューターしかないので、わざわざ古典のデータにして計算しているわけですよね。
桐原 われわれが扱いやすいように、一回マクロな状態で古典コンピューターに取り込んでいるわけですが、そういうことをしないでも済むということですね。
藤井 そうですね。量子コンピューターのなかで仮想的な化学実験をして、そこから得られたデータでどういうふうな物質設計をすればいいかというのを量子機械学習のアルゴリズムで処理する。そうなるともう古典コンピューターとの比較自体が意味をなさないのです。
桐原 本当ですね。
藤井 古典コンピューターにできないことをさせる。そういう方向で問題を設定しないと、今のAIのようには使えないと思います。古典化したデータに対してこの行列計算は量子コンピューターにやらせようみたいな、せこい使い方をしている限りはなかなか勝てないんじゃないかなと思っています。そもそも問題設定を根本的に変えて、量子データに対する量子による量子のための機械学習を目指すべきです。
桐原 今のお話は目から鱗ですね。たしかに自然の世界は量子でできているのに、われわれは理解するために、古典物理の世界に持っていこういとするんですけど、その必要はなくなるということを理解しないといけないわけですね。
