フック基底測定を用いたアナログボソニック量子ニューラルネットワークにおけるパラメトリック相互作用の訓練

量子波によるスマートな学習

現代の人工知能はトランジスタとデジタルコードで構成されたニューラルネットワーク上で動作することが多い。本研究は、量子力学に従う微小な振動する電磁場から構築される、非常に異なる種類のハードウェアがどのようにデータのパターンを学習できるかを探る。研究はそのような量子ニューラルネットワークを実用的に設計して訓練する方法を示し、将来的には量子機械内部で直接情報処理を行う助けとなり得ることを示している。

新しいタイプの量子ブレイン

著者らは、マイクロ波や光共振器に格納されたボソンと呼ばれる光に似た励起からなる系に注目する。これらの共振器はエネルギーを交換したり、外部駆動によって粒子対を生成したりできる。これらの相互作用自体は線形方程式で記述され、通常は強力な学習を行うには単純すぎる。本研究の要は物理的な時間発展を線形のまま保ちつつ、光子計数による読み出しを行うことで自然に非線形な応答を得る点にある。共振器の駆動と結合の方法を慎重に選ぶことで、量子デバイスは入力データを有用な出力特徴に写像するアナログニューラルネットワークのように振る舞う。

難しい部分は古典コンピュータに任せる

通常のニューラルネットワークの訓練は、損失関数の勾配に従って効率的にパラメータを調整するバックプロパゲーションに依存する。大規模な量子系にこれを直接適用することは、全ダイナミクスのシミュレーションがすぐに難解になるため通常は不可能である。本研究の革新は、いわゆるガウス状態という特別な構造を利用する点にある。ガウス状態では平均値やゆらぎの進化をコンパクトに記述できる。量子ハードウェアはフォワードステップ（物理場の時間発展）を実行し、その同じガウス力学の古典的モデルは容易にシミュレートできるため、勾配の計算に使える。このハイブリッド戦略により、量子デバイス自身から勾配情報を取り出す必要なく、物理的な駆動強度や結合をエンドツーエンドで訓練できる。

デバイスにパターンを認識させる

手法を検証するため、研究者たちは難易度を上げていくつかの学習課題をシミュレーションした。まず、小さな二共振器ネットワークに短時間系列として与えられる正弦波と方形波を識別させる。各入力ごとに一方の共振器が光子ゼロである確率のみを測定し、物理パラメータに対して勾配に基づく訓練を行うことで、モデルは完全な分類を達成する。出力読み出しを多数用いる未訓練の「リザバー」版ハードウェアと比べて、訓練済みネットワークは必要な測定量がはるかに少なく、同じ精度に到達するために要する実験ショット数も大幅に少ない。

データを取り込む最良の方法を見つける

チームは次に、平面上の点を二つの互いに絡み合った渦巻きのいずれかに割り当てるという古典的で難しい問題を研究する。この課題は強い非線形性を要求する。4つの結合共振器を用いて、入力の二座標を駆動トーンの振幅や位相、異なる結合過程の制御など複数の方法で物理的にエンコードする方式を比較した。データを光子対を生成する特別な相互作用の強さや位相に埋め込む方式が特に効果的であることを見出し、単一の光子確率の読み出しだけで完全な分類を可能にした。他のエンコーディング選択肢ははるかに多くの読み出しを必要としたり、完全な精度に到達しなかった。これは、データの書き込み方がデバイスの有効な非線形性を強く規定することを示している。

手書き数字から将来のデバイスへ

最後に、著者らは8×8ピクセルで表された手書き数字という小規模な画像認識課題に取り組む。6つの共振器と複数の対生成プロセスを用い、ピクセルを複数の時間スライスにわたって入力する手法を採る。これは同じ量子回路に新しいデータを繰り返し提示する戦略と類似している。数百の物理パラメータと古典パラメータを訓練した後、モデルは限定的な光子計数の測定のみで未見の数字を97パーセント超の精度で分類した。対照的に、同じハードウェアを未訓練のリザバーとして使うと、より多くの測定を行っても性能ははるかに低く飽和し、物理的相互作用を最適化する利点が強調される。

量子技術にとっての意義

本研究は、線形に進化するボソンモードと非線形な光子計数を組み合わせることで、表現力があり訓練可能なネットワークが得られることを示している。現在の作業は訓練を導くために古典シミュレーションに依存しており規模に限界があるが、基礎となる要素は可変パラメトリック結合を既にサポートする超伝導やフォトニクスのプラットフォームと良く適合する。これにより、情報を量子的に処理するだけでなく、今日のニューラルネットワークのように訓練可能な現実的な量子ハードウェアへの道が開かれ、将来の量子センサーやプロセッサのインテリジェントなフロントエンドとしての活用が期待される。

引用: Dudas, J., Carles, B., Gouzien, E. et al. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Sci Rep 16, 14997 (2026). https://doi.org/10.1038/s41598-026-45038-7

キーワード: 量子ニューラルネットワーク, ボソンモード, ガウス力学, 光子計数, 量子機械学習