Googleが「AlphaQubit」発表：AIで量子エラーを特定、誤り率を30%削減

量子コンピュータを実用化する上で最大の壁は、量子ビットがあまりにも壊れやすいことです。

わずかな熱や振動、さらには宇宙線が飛び交うだけで、繊細な量子状態はあっさり崩れてしまいます。そこで研究者たちは複数の物理量子ビットを束ねて1つの「論理量子ビット」を作り、補助ビットで頻繁に整合性チェックを行いながらエラーを監視する量子誤り訂正を進めてきました。

Google DeepMindとGoogle Quantum AIは、この誤り検出に大規模言語モデルと同じTransformer技術を応用した「AlphaQubit」を発表し、科学誌Natureに論文を掲載しました。

Transformerを量子エラーの診断役に

量子誤り訂正におけるデコーダは、エラー検出信号を読み解いてどこに狂いが生じたかを突き止める役割を持ちます。

従来の手法には一長一短がありました。テンソルネットワーク法は非常に高精度ですが計算が重すぎて大規模化できず、相関マッチング法は高速でスケーラブルなものの精度で劣ります。

AlphaQubitはニューラルネットワークによってこの課題に挑みました。シミュレータで生成した数億件のデータで基本パターンを学習させた後、Googleの超伝導量子プロセッサ「Sycamore」の実機データ数千件でファインチューニングを行っています。

Sycamoreの実機（49物理ビット）で検証したところ、AlphaQubitはテンソルネットワーク法と比べてエラーを6パーセント削減し、実用的な相関マッチング法と比べると30パーセントものエラー削減を達成しました。さらに241量子ビットまでのシミュレーションや、10万ラウンドに及ぶ長時間の誤り訂正テストでも高い汎用性を示しています。

精度は最高だが、速度が追いつかない

ただし、今すぐ量子コンピュータが完成するわけではありません。最大の課題はスピードです。

超伝導量子プロセッサでは、整合性チェックが1秒間に100万回という超ハイペースで実行されます。エラーが連鎖して全体が破綻する前に修正を間に合わせるには、マイクロ秒未満のリアルタイム処理が求められます。

現在のニューラルネットワークによる推論は、この速度でリアルタイムに動かすには重すぎます。また、将来的に実用的な計算を行うには数百万ビット規模が必要とされており、AIをスケールさせるためのデータ効率も今後の宿題として残っています。

なぜ重要か

私たちは、AlphaQubitが量子物理学における長年のアプローチを大きく変えるきっかけになると考えています。

従来のデコーダは人間が数式ベースでエラーモデルを組んでいましたが、現実の量子チップには微細なハードウェア欠陥や複雑なノイズが存在し、理論通りには動きません。データから直接学習するAIを導入したことで、現実の泥臭い物理現象を正確に捉えられることが証明されました。

一般の開発者や企業にとって、今すぐ触って恩恵を受けられるツールではありません。超伝導チップのリアルタイム制御に組み込むハードウェア側の進化が必要なため、現段階では理論的な限界値を探るための高精度な評価ツールという位置づけにとどまります。

それでも、現在のAI技術が未来の量子コンピュータの誕生を後押しするという構図は極めて興味深いと言えます。古典コンピュータ上で動く最先端AIが、最も古典的で困難なハードウェアの壁を突破する鍵になりつつあります。