IBM Heronで量子回路を学習するGQE:70量子ビットの分子計算と残る計算負担

淡い色の長いリボンが短い緑の帯へ集まり、紫の台と分子を思わせる桃色の球を配した抽象画。

量子コンピューターで分子のエネルギーを求めるとき、どんな量子回路を動かすかは大きな問題です。複雑な状態を表そうとして操作を増やすと、装置のノイズに影響されやすくなります。反対に、回路を短くするだけでは、計算に必要な電子の配置を十分に集められるとは限りません。

IBM、三菱ケミカル、慶應義塾大学、NVIDIAの研究者らは、回路を生成するモデルの学習にIBM Heronの実機を組み込み、学習に使っていない有機スズ分子のエネルギー計算へ応用しました。2026年11月10日公開、11月11日改訂のプレプリントで報告された、Generative Quantum Eigensolver(GQE、生成モデルを使う量子固有値計算)の研究です。最大70量子ビットで試した成果を、選ばれた回路の短さと、計算全体にかかる負担に分けて見ていきます。

簡単にまとめると?

  • 生成モデルが量子ゲートの並びを提案し、実機の測定結果を使って学習します。新しい分子では、10本の回路を測定してから古典計算で候補を選び、エネルギーを求めます。
  • 主設定では、46〜70量子ビットの28回の試行のうち27回で、古典計算の参照値との差が15 mHa以内でした。測定データの修復と部分空間の計算を含む結果です。
  • 選ばれた回路の2量子ビットゲートは比較対象より少なくなりましたが、10本を試すため量子処理時間は増えています。総計算時間の短縮や量子優位性を示した段階ではありません。

GQEは「次のゲート」を選ぶモデル

GQEが生成するのは説明文ではなく、量子回路を構成する操作の列です。文章生成で次の単語を選ぶように、あらかじめ用意した操作群から次の量子ゲートを選びます。入力には分子の特徴を表す数値などを与え、分子に応じた回路を出力させます。

今回の学習は二段階です。まず、32量子ビット以下の分子を古典シミュレーターで扱い、その後、IBM Heronを搭載する「ibm_kobe」で46量子ビットと70量子ビットの回路を動かしました。実機でどんな測定結果が得られ、そこからどこまでよいエネルギーを求められるかを、モデルの更新に反映します。

ただし、学習中に生成された回路を無条件で採用するわけではありません。エネルギーや回路の深さなどを点検し、所定の条件を満たした場合にモデルを更新します。回路の深さとは、並行して行える操作をまとめたときに、操作が何段続くかを表す量です。ゲートの総数とは区別します。

この条件設定も成果の一部です。70量子ビットでは、エネルギーの許容条件が厳しすぎると更新が進まず、条件を緩める必要がありました。また、学習にはCCSD(T)という古典的な量子化学計算による近似エネルギーを参照しています。参照値を用意できない分子でも同じように学べるかは、まだ確かめられていません。

測定結果から、古典計算がエネルギーを仕上げる

学習済みモデルを新しい分子に使う際は、モデルを再学習せずに10本の回路を生成し、それぞれを実機で10万回測定します。合計100万回の測定で得た0と1の並びを保存し、その後の順位付けやエネルギー計算は、保存したデータを使って行います。「再学習なし」は、量子装置での測定も不要という意味ではありません。

ここで使うのが、Sample-Based Quantum Diagonalization(SQD、測定で得た標本に基づく量子対角化)です。分子の電子が取り得る配置をすべて扱う代わりに、測定結果を手掛かりに重要そうな配置を選び、その範囲で分子のエネルギーを表す行列を古典コンピューターで解きます。量子装置が候補の配置を集め、古典計算がその配置の組み合わせを詳しく調べる、という分担です。

ノイズによって電子数などの条件に合わなくなった測定値には、推定した電子の分布を使う修復処理も施します。さらに、電子のスピンごとに得た配置を組み合わせるため、最終的な計算には、実機でそのまま測定された配置以外も含まれます。報告された最終エネルギーは、量子回路を一度測って出てきた値そのものではありません。

順位付けでは小さな計算空間を使い、選んだ回路にはより大きな計算空間と反復処理を割り当てます。この方法で量子装置への追加の呼び出しは抑えられますが、古典側の仕事は残ります。小さな空間で付けた順位が、詳しく計算した後の順位と常に一致するわけでもありません。

70量子ビットで何を計算したのか

対象は、スズを含むSn(OH)3-Meと、水分子を一つまたは二つ付けた分子です。研究では、半導体の微細加工に使う有機スズ系フォトレジストを考えるための小さな分子モデルとして扱っています。実際のレジスト材料の性能や製造工程を、そのまま再現したものではありません。

計算では、注目する電子軌道の範囲である「活性空間」を段階的に変え、32〜70量子ビットを使いました。70という数は、この電子状態の表現に使う量子ビット数です。70個の原子を計算した、あるいは材料中の電子をすべて厳密に扱った、という意味ではありません。

主設定の46〜70量子ビットの試行では、28回中27回で、DMRGという古典計算法による参照エネルギーとの差が15 mHa以内でした。報告された差の中央値は4.5 mHaです。mHaは、電子のエネルギーを表す単位ハートリーの1,000分の1を意味します。この参照値との差は計算精度の指標であり、材料の実測値に対する誤差とは異なります。

残る1回では、最初の10本の候補から十分な測定結果を持つ回路を一つしか得られず、所定の順位付けを完了できませんでした。候補を引き直した計算でも差は約200 mHaとなり、主設定の集計から除外されています。どの回路を生成できるかによって結果が変わる点は、今後の検証が必要です。

短い回路と、少ない総計算量は別に比べる

56〜70量子ビットで選ばれた回路の2量子ビットゲート数は64〜160個でした。論文中のLUCJという回路方式の見積もりに対して、34〜72分の1に相当します。ただし、これは特定のLUCJ設定とオフラインでの回路変換条件に対する比較です。生成した10本すべてが短いわけではなく、長い回路も含む候補群から選んだ結果です。

計算に必要な資源を比べるには、選ばれた1本だけでなく、選ぶまでに使った測定や学習も数える必要があります。主設定の実績を、比較する対象ごとに整理すると次のようになります。

論文の主設定における処理と資源。平均値や合計値の対象を分けて整理。
段階 報告された量 比べるときの注意
実機を使う学習 4系列合計で1億2,000万回測定、QPU時間648分 学習済みモデルを作るための負担。新しい分子1件ごとの値ではない
新しい分子の測定 1試行10本×10万回。平均QPU時間429秒 比較したLUCJは1本×10万回で平均38秒。測定本数が異なる
選んだ回路の古典処理 上位・次点の回復計算86ジョブで、平均137分/ジョブ 各ジョブでGPUを2基使用。QPU時間には含まれない

QPU時間は、論文がIBMの実行記録から集計した量子処理時間です。待ち時間や古典側の計算を含む、開始から終了までの経過時間とは一致しません。上の測定段階では、GQEのQPU時間はLUCJの約11倍です。短い回路を見つけた成果を、そのまま計算全体の高速化と読むことはできません。

一方、一度学習したモデルを多くの分子へ使えるなら、学習の負担を複数の計算に分けて考えられます。その利点が測定回数や古典計算の増加を上回るかが、実用性を判断するうえでの次の比較点になります。

実機で学べた先に残る検証

今回の研究は、70量子ビット規模の実機を学習の中に入れ、生成した回路を別の分子の計算に使う手順を示しました。ただし、各学習系列の乱数初期値は一つで、各回路の測定も基本的に一度です。生成モデルの学習条件を変えたときの再現性や、幅広い化学系へ応用できる範囲は、まだ限定的な検証にとどまります。

また、小さな活性空間では、古典側で扱える配置数の上限が十分に大きく、比較対象の回路からも高精度な答えが得られました。そこでの精度だけを見ても、生成モデルや量子装置がどれだけ寄与したかは判断しにくくなります。より大きな問題で、同じ測定予算と古典計算資源をそろえた比較が求められます。

回路を実機の測定結果から学ぶこと、得られた配置をSQDで活用すること、そして候補選びを含む費用を測ること。この三つを一緒に示した点に、この研究を読む価値があります。今後は、回路の短さが、同等の精度を得るまでの総負担の軽減につながるかを見ていきたいところです。

研究に関わる企業の事業全体については、CyclewaveのIBMの解説、NVIDIAの解説、三菱ケミカルの素材・機能製品事業の解説も参考になります。

出典