量子機械学習が目指すもの
量子機械学習（QML）は、古典データを量子状態へ符号化し、パラメーター化回路や量子カーネルで特徴を変換し、古典オプティマイザーがパラメーターを更新する方式が中心です。量子もつれと大きなヒルベルト空間により、少ないパラメーターで複雑な相関を表現できる可能性があります。
Discover Computingの2026年公開レビューは、エネルギー予測、金融、医療、材料、生成モデル、クラスタリングを比較しました。一部の小規模データでは少ないパラメーターで競争力のある精度を示しましたが、パラメーター効率は実行速度の優位性と同じではありません。
古典AIより速くない理由
- データ読み込み：大量の古典データを量子状態に変える費用が理論上の高速化を消す可能性があります。実用的なQRAMなど、前提となる装置も未完成です。
- ノイズと浅い回路：NISQ装置では深い回路を安定実行できず、barren plateauで勾配が消える問題もあります。
- 反復測定：一度の測定では十分な値を得られず、エラー緩和と勾配計算に多数のショットが必要です。
- 量子・古典通信：ハイブリッド学習はQPUとCPU・GPU最適化を交互に実行します。レビューでは通信と回路実行によりパラメーター効率が実時間短縮につながっていません。
- 強くなる古典基準：量子の発想を使う古典アルゴリズムが初期の理論差を縮めています。弱いモデルではなく最適化した最新古典モデルとの比較が必要です。
三つの発展シナリオ
短期—AIが量子を助ける。 QML応用より復号、校正、回路探索、実験自動化で機械学習の実用性が先に高まります。
中期—小さく構造的なハイブリッド問題。 化学・材料の量子ネイティブデータ、コンパクトな特徴写像、特殊な最適化でQPUを補助装置として試します。読み込みから最終出力まで全体を評価する必要があります。
長期—耐故障量子ネイティブ学習。 十分な論理量子ビット、深い回路、効率的な状態準備が実現すれば、量子線形代数、サンプリング、相関計算がAIパイプラインの一部を加速する可能性があります。すべてのTransformer学習を置き換える意味ではありません。
信頼できるQML主張には、符号化、ショット、エラー訂正、古典前後処理、通信を含む エンドツーエンドの時間・費用・エネルギー で、同品質の強い古典基準を上回る証拠が必要です。現在、一般的にその条件を満たす実証はありません。