現在の人工知能技術は、ネットワークの層を深くし、パラメータ数を天文学的な規模へと拡大することで予測精度を向上させてきた。膨大な計算資源と電力を消費するこのスケールアップ志向は、フォン・ノイマン型アーキテクチャに内在するメモリとプロセッサ間のデータ転送の遅延、すなわち物理的な限界に直面している。この計算コストの壁を突破する理論的枠組みとして、動的システムそのものに計算と記憶を同時実行させる「リザーバーコンピューティング（RC）」という概念が2000年代初頭から発展してきた。エコー状態ネットワーク（ESN）を筆頭とするこの手法は、無作為かつ複雑に結合された内部ネットワーク（リザーバー）の非線形なダイナミクスを利用して、時系列の入力信号を高次元状態空間へ投影する。学習過程では内部の重みを固定し、線形な出力層の重みのみを最適化するため、訓練コストを劇的に引き下げつつ、カオス的な時系列データの予測において強力なモデリング能力を発揮してきた。
この情報処理の潜在能力を極限まで引き上げるため、量子力学系が持つ指数関数的に広大なヒルベルト空間を利用する「量子リザーバーコンピューティング（QRC）」が近年考案された。しかし、実用化の前に立ちはだかっていたのは、量子計算のパラダイムそのものに根ざす基礎的な前提だ。1990年代以降の量子情報科学において、計算の正確性を担保するためには、環境との相互作用によって生じるデコヒーレンス（量子状態の喪失）を徹底的に排除し、誤り耐性を持つ深層量子回路を構築しなければならないという枠組みが支配的であった。現在稼働しているノイズあり中規模量子（NISQ）デバイスでは、量子回路の深さが増すにつれてゲート操作の誤差や散逸が蓄積し、計算結果が急速に無意味なものへと劣化する。
さらにリザーバーコンピューティングの運用においては、予測タスクの性質上、系が過去の入力を適切な速度で忘却しながら新しい入力を取り込む「フェーディング・メモリ」のメカニズムが要求される。散逸のない純粋なユニタリ発展に基づく量子回路では、初期状態や過去のすべての入力履歴が系内に永遠に保存されてしまい、情報の飽和と干渉を引き起こす。完全な誤り耐性を求める量子計算のドグマと、時系列予測に不可欠な情報の動的忘却という要件は、長きにわたって強固な理論的矛盾を生み出していた。科学者たちが直面した大きな問いは、エラーの原因として忌避されてきた自然のノイズや散逸現象そのものを、リザーバーの記憶を制御する計算資源として逆利用できないかという点にある。
量子多体ダイナミクスにおける散逸のリソース化
中国科学技術大学（USTC）や復旦大学などの合同研究チームは、この矛盾を解消する革新的なアーキテクチャを実験的に証明した。彼らは深層量子回路による精密なゲート制御を放棄し、核磁気共鳴（NMR）技術によって制御される9スピンの結合量子システムを計算基盤として採用した。NMRは1990年代後半にショアの素因数分解アルゴリズムを小規模に実証するなど初期の量子計算を牽引した技術であるが、スケーラビリティの制約から超伝導回路などに主役を譲っていた経緯がある。しかし、室温の液体サンプルにおけるスピンダイナミクスの高度な制御技術は、他のプラットフォームの追随を許さない成熟度を誇る。
実験の媒体として用いられたのは、\(^{13}\text{C}\) 同位体で標識されたクロトン酸分子（C\(_4$H$_6$O$_2\)）の液体サンプルである。この分子内の4つの炭素核と5つのプロトン核は、化学シフトとスピン間のスカラー結合（J結合）によって生じる自然な多体相互作用を内包している。系全体の実効的な時間発展は、内部ハミルトニアン \(\mathcal{H}\) によるコヒーレントな相互作用と、緩和チャネル \(\mathcal{R}\) を含むリンドブラジアン超演算子 \(\dot{\rho} = -i[\mathcal{H}, \rho] + \mathcal{R}[\rho]\) によって記述される。
予想外の発見として注目すべきは、量子状態の破壊者として扱われてきた縦緩和（\(T_1\)緩和）が、系のフェーディング・メモリを形成するための推進力として作動したことである。スピンがエネルギーを放出しながら熱平衡状態へと回帰する\(T_1\)緩和は、系全体のエントロピーを低下させ、古い入力履歴の過剰な蓄積を防ぐ。位相緩和（\(T_2\)緩和）のみが支配的な環境下では、スピン間のコヒーレンスが無秩序化して系全体が最大限に混合された状態へと陥り、情報が完全に消失する。エントロピーを減少させる非ユニタリ過程（振幅減衰チャネル）を計算プロセスに組み込むことで、リザーバーはカオス的になりすぎず、外部からの新しい時系列入力を受け入れる最適な情報処理容量を獲得した。
| 比較項目 | 従来の深層量子回路モデル | 提案されたスピンダイナミクスモデル（QRC） |
|---|---|---|
| 計算法の前提 | 精密に設計されたユニタリゲート操作 | 自然なスピン相互作用と緩和ダイナミクス |
| ノイズの扱い | エラーの根源として極限まで排除・訂正 | 過去の記憶を適切に消去するフェーディング・メモリ |
| 情報の抽出 | 単一時間での局所的な射影測定 | 連続的なFID信号による時分割読み出し |
| 実装要件 | 長いコヒーレンス時間と高いゲート忠実度 | 室温環境下の既存NMRハードウェアで稼働可能 |
時分割読み出しによる情報抽出空間の拡張
研究チームは読み出しの段階においても、測定可能な自由度の少なさという物理的制約を打ち破る新たなアプローチを採用した。通常の量子状態トモグラフィは系の規模に対して指数関数的な回数の射影測定を要求し、大規模化への決定的な障壁となっている。本研究では、自由誘導減衰（FID：Free Induction Decay）信号を用いた時分割読み出し（Time-Multiplexed Readout）スキームが導入された。
FID信号は、横磁化されたスピンが静磁場中で歳差運動を行いながら減衰する過程で生じる誘導電流であり、量子系に対する連続的な弱測定に相当する。この微小な測定バックアクションを伴うプロセスにより、ハイゼンベルク描像で時間発展する一連の観測量 \({O(t_i)}\) を単一の実験サイクルでサンプリングすることが可能となる。研究チームは取得したFID信号をフーリエ変換し、溶媒（H\(_2\)O）由来の強力なバックグラウンドノイズを周波数領域で排除したうえで、プロトンの特定のスペクトル振幅群を連結させ、653次元の読み出しベクトルを生成した。数式化すれば、出力は \(y = \sum_i w_i \mathrm{Tr}[\rho O(t_i)] + b\) となり、単一の静的な局所測定では到達できないクリロフ部分空間の高次元な特徴量へとアクセスしている。
時系列ベンチマークと実世界カオスにおける圧倒的性能
ハードウェアの特性を極限まで引き出したこの設計は、非線形自己回帰移動平均（NARMA）タスクにおいて既存の記録を大きく塗り替える性能を示した。過去の入力履歴の複雑な非線形結合をモデル化するNARMAベンチマークにおいて、量子リザーバーは入力間隔 \(\tau = 0.01\mathrm{s}\) の条件で、次数 \(n=2\) から \(20\) の広範なテストでほぼ完璧な予測軌跡を描き出した。
最難関のNARMA20タスクにおいて、本スキームは正規化平均二乗誤差（NMSE） \(4.34 \times 10^{-5}\) を達成している。これは超伝導量子ビットを用いた従来の量子リザーバーコンピューティングの実験結果と比較して、予測誤差を1〜2桁（10倍から100倍）低減する数値である。同一のタスクを9つの古典的なスピン系シミュレーションで実行した場合、決定係数 \(R^2\) は平均0.75未満で頭打ちとなった。古典スピン系では表現不可能な量子もつれと高次相関が、時分割読み出しを通じて引き出され、演算精度を決定的に引き上げている。
この基礎的な予測能力は、カオス的で不確実性の高い現実世界のデータ処理へ直接的に適用された。研究チームはインド・デリー地域で収集された実気象データ（2013年〜2017年の日次データ）を使用し、気温と湿度の多変量時系列予測を行った。入力は正規化されたのち、無線周波数（RF）パルスの回転角として \(\tau = 0.03\mathrm{s}\) の間隔でプロトンおよび炭素核へエンコードされる。
最大45日先の予測地平 \(h\) に向けた多段階予測において、9スピンの量子システムは、10,000ノードを保有する巨大な古典的エコー状態ネットワークの精度を上回った。古典ESNはノード数を5,000から10,000へと倍増させても予測精度の向上が飽和し、高次元空間特有のデータポイント間の距離が判別できなくなる次元の呪いに陥る限界が見られた。対照的に、量子リザーバーの出力に対して動的非線形性を補完するRBF（動径基底関数）カーネルベースのサポートベクター回帰（SVR）を組み合わせることで、気温予測における軌跡の乖離を最小限に抑制し、10,000ノードの古典モデルを凌駕する高度なモデリングを実現している。わずか9個の原子という極小の物理系が、数千の人工ニューロンと同等以上の複雑な特徴空間を生成した事実が実証された。
予測の物理的限界と量子多体系に遺されたリサーチギャップ
温度変動の長期的なトレンド予測で圧倒的な性能を示した一方で、湿度の多段階予測においては精度低下が観測され、実世界モデリングにおける物理的限界が明示されている。気温が日周サイクルや海洋・大気の結合といった大規模で緩やかな物理過程に支配されるのに対し、湿度は局所的な対流、気圧摂動、降水といった高周波の確率的変動因子に強く依存する。現在の実験データセットには気圧や降水量のパラメータが含まれておらず、システムに与えられていない隠れた変数によって駆動される急激な変動を自己回帰的に予測することには根源的な限界がある。多変量データの拡充なしに、大気システム特有の急速なエラー増大を完全に抑え込むことは極めて困難である。
本アーキテクチャの大規模化に関しても具体的な未解明の領域が残されている。現在のNMRベースのシステムを、今後開発が進む数十から数百量子ビット規模の超伝導量子回路や中性原子アレイへと拡張した際、システム内の多体相互作用がどのようにスケーリングするかは実証されていない。とくにリュードベリ原子配列において観測される量子多体スカー（Quantum Many-Body Scars）や時間結晶（Time Crystals）といった非エルゴード的な動的相転移現象をQRCに統合した場合、リザーバーの記憶容量や予測精度にどのような相乗効果をもたらすかは、これからの物理学が解明すべき重要な課題として設定されている。
気象インフラと産業界が迎えるパラダイムシフト
完全な誤り耐性量子コンピュータの実現にはまだ数十年単位の時間を要すると予想される中、本研究はノイズや自然の散逸を計算プロセスへと組み込むという現実的なパラダイムシフトを提示した。この成果は、近い将来の産業界におけるデータ処理基盤のあり方に直結する。現在、各国の気象庁や民間気象サービスは、膨大な流体力学の偏微分方程式を解くために数万基のCPUやGPUを並列稼働させ、莫大な電力を消費している。
自然の物理ダイナミクスそのものを計算リソースとして活用するQRCは、演算に必要なエネルギーを極限まで圧縮する可能性を秘めている。スーパーコンピュータの横にNISQデバイスをコプロセッサとして併設し、線形な大規模空間計算は古典的なHPCインフラに任せつつ、カオス的な時系列トレンドの非線形モデリングを省電力な量子リザーバーに委譲するハイブリッドアーキテクチャは、現実的な社会実装の道筋となる。物理世界の自然なダイナミクスをアルゴリズムと調和させるこのアプローチは、気候変動の予測モデルの高度化や、金融市場の変動解析、複雑なサプライチェーンの最適化など、リアルタイムの時系列処理が求められるあらゆる領域において、量子優位性を証明する強固な足がかりとなる。
論文
- Physical Review Letters: High-Accuracy Temporal Prediction via Experimental Quantum Reservoir Computing in Correlated Spins
参考文献
