量子ニューラルネットワークの学習をまとめ送りで進める:ショット数とジョブ数の比較

薄緑の半透明の封筒型容器に、向きの異なる紫色と桃色の小さな棒をまとめて収め、右側に金色の受け皿を置いた抽象画。

クラウド上の量子コンピューターを使うとき、待つ時間は量子回路の実行だけでは決まりません。計算を送信し、順番を待ち、結果を受け取るたびに時間がかかります。何度も結果を見ながら条件を更新する学習では、この往復をどう使うかが効いてきます。

2026年11月12日公開のプレプリントで、LUMSとKAUSTのMuhammad Faryad氏、KAUSTのRabab Alomairy氏は、小さな量子ニューラルネットワークを「一回のジョブからどれだけ学べるか」という観点で比較しました。測定回数の予算をおおむねそろえ、複数の回路条件を一度に送ることで、目標の訓練損失までに必要な往復を減らせるかを調べています。[1]

簡単にまとめると?

  • 一つのジョブに、学習パラメーターを少しずつ変えた回路をまとめて送り、各方向の勾配を求めます。結果を見てから次を決める処理まで一度に送れるわけではありません。
  • IBMの量子プロセッサーで行った6・8量子ビットの3試行では、比較手法SPSAの最終訓練損失に、まとめ送り側が4・20・8ジョブで到達しました。
  • 未知のデータへの正答率の差が明確だったのは8量子ビットの試行です。小規模な分類課題での比較であり、量子優位性や、すべてのクラウド利用方式での高速化を示すものではありません。

ショット数とジョブ数は、別の費用を表す

量子回路の測定結果にはばらつきがあるため、同じ条件で繰り返し実行します。この一回をショットと呼びます。一方、クラウドへ計算をまとめて送り、結果をまとめて受け取る単位がジョブです。

一つのジョブには、複数のパラメーター設定と入力データの組を入れられます。論文では一つのPUBという実行単位にこれらを配列として収めています。送る設定の数を増やしても、総ショット数を増やさなければ、各設定に割り当てられる測定回数は減ります。まとめ送りは、無料で測定情報を増やす仕組みではありません。

それでも意味があるのは、送信や待ち行列に入る手間を分担できるからです。特に、前の計算結果が返るまで次の条件を決められない学習では、順番に必要となる往復数が重要になります。研究者らは、同じジョブ数と一ジョブ当たりのショット数の下で、その中身をどう配分するかを比較しました。

二点から探るSPSAと、全方向を調べるパラメーターシフト

量子ニューラルネットワークは、回路内の回転角などを調整し、入力データから分類結果を出すモデルです。調整すべき方向を知るために、出力の誤差を表す損失が、各パラメーターを変えるとどう増減するかを調べます。この変化の傾きが勾配です。

比較対象のSPSAは、多数のパラメーターをランダムな一方向にまとめて動かし、その方向のプラス側とマイナス側の二点を評価します。必要な設定は少なくて済みますが、一回のジョブで見ているのは一つのランダムな方向です。その二点を何度も測っても、同じジョブ内で別の方向まで測ったことにはなりません。

対して、パラメーターシフト法は、回路が一定の条件を満たすとき、角度をずらした二つの回路の期待値から微分を求めます。今回の回路では、各学習角度が一度だけPauli回転として現れるため、この関係を利用できます。すべての角度についてプラス・マイナスの設定を用意し、現在の設定も加えて、一つのジョブで送ります。

角度がP個なら、用意する設定は2P+1個です。研究の6量子ビット・3層の例は36パラメーターなので73設定になります。それぞれを32個の訓練データに適用し、2,336行の実行条件として送りました。一方、SPSAは2設定を64個のデータに適用する128行です。

6量子ビットでの一ジョブ 評価の配分
SPSA 2設定×64データ×176ショット=22,528ショット。少数の設定を多く測ります。
パラメーターシフト+Adam 73設定×32データ×9ショット=21,024ショット。多くの方向へ測定を配分します。

ショット数は整数に丸めるため完全には一致せず、まとめ送り側のほうが最大約7%少なくなっています。また、データを抜き出すミニバッチの大きさも異なります。学習条件が何もかも同じなのではなく、ジョブと測定の予算をそろえたうえで、それぞれの配分を比較する設計です。

測定を増やすだけでは、ランダムな方向の誤差は消えない

論文の解析では、現在のパラメーターとミニバッチを固定すると、パラメーターシフトによる勾配推定の平均二乗誤差は、主要項として総ショット数に反比例して減ります。SPSAでは測定のばらつきに加えて、一つのランダム方向で全体の勾配を代表させることによる誤差が残ります。

これは「SPSAは学習できない」という意味ではありません。ジョブを重ねれば違う方向を試せますし、一ジョブ内で複数のランダム方向を平均する方法もあります。研究では18方向をまとめたSPSAもシミュレーションで比較しています。

また、パラメーターシフトの微分関係が正確であることと、有限回の測定から計算する損失の勾配が誤差なしになることは別です。論文の近似式は現在点の測定雑音などを一部省いており、少ないショット数では実際のサンプリング誤差が予測を上回りました。ミニバッチを選ぶばらつきも両手法に残ります。

実機では何を確かめたのか

実機比較にはIBMのibm_fezを使い、6量子ビットで初期値を変えた2試行と、8量子ビットの1試行を行いました。実行日は公開リポジトリによると2026年10月16〜17日です。各試行で両手法を50ジョブずつ実行し、装置のゆっくりした変動が片方だけに有利にならないよう、A1、B1、A2、B2という順に交互に送りました。[1][2]

まとめ送り側は、SPSAが50ジョブを終えたときの訓練損失に、それぞれ4、20、8ジョブで到達しました。ただし、この訓練損失の比較は、実機の測定を使って更新したパラメーターを、雑音のない計算モデルで評価した値です。図の訓練曲線を、実機で直接測った正答率の曲線と取り違えないことが大切です。

同じ目標への最初の到達時点を比べると、SPSA側も必ず50ジョブ必要だったわけではなく、41、36、35ジョブで達していました。論文の費用比較はこの時点を使っています。例えば6量子ビットの第2試行では、まとめ送り側20ジョブ・QPU計量時間180秒に対し、SPSA側は36ジョブ・288秒でした。

一ジョブそのものは、まとめ送り側のほうが少し重くなります。計量時間はおおむね9秒対8秒、送信から結果までの中央値は23〜27秒対16秒でした。それでも目標までのジョブ数が減ることで、今回の試行では総計量時間も短くなりました。待ち時間を含む往復時間と、QPUに計上される時間は、分けて比較する必要があります。

訓練損失が下がることと、正答率が上がることを分ける

学習に使っていない300個のテストデータを実機で評価すると、8量子ビットの試行は、まとめ送り側の正答率が約79%、SPSA側が約71%でした。同じテスト点での対応を考慮した検定では差が確認されています。一方、6量子ビットの2試行では差は明確ではありませんでした。

3試行は同じテストデータを共有しているため、合わせて900個の独立したテストと見なすこともできません。また、この分類課題は古典的なモデルでも解きやすく、研究の目的は量子モデルが古典モデルを上回ることではありません。同じ小さな量子モデルを、どのように効率よく訓練するかを比較しています。

比較対象のSPSAの設定は事前のシミュレーションで調整されましたが、実機上で短い追加調整を行うと差が縮まる可能性も論文に挙げられています。さらに、新しく提案された正弦波の構造を読む探索法はシミュレーションのみの評価です。実機の結果を、その手法の実証として扱うことはできません。

自分の利用環境で、何を数えるか

今回の実機実験は、一台の装置のジョブモードを使った比較です。セッションやバッチなど、待ち行列の扱いが違う環境では、まとめ送りの利益も変わります。多数の回路を一度に送れる上限、通信するデータ量、古典側の更新時間も確認する必要があります。

実務で比べるなら、目標とする損失や正答率を決め、その目標に達するまでのジョブ数、総ショット数、QPUの計量時間、利用者が待った時間を別々に記録すると判断しやすくなります。ジョブを大きくすること自体が目的ではなく、同じ往復の中で、次の更新に役立つ情報を得られるかが要点です。

著者らは、実機の生の測定記録、ジョブID、検証用ノートブックなどを公開しています。コード公開と第三者による再現確認は別の段階です。本記事では資料と公開された検証結果を照合していますが、ノートブックを実行して結果を独立再現したものではありません。[2]

実機を提供するIBMの事業全体と量子計算への取り組みは、Cycle WaveのIBMの企業解説で整理しています。

出典

  1. Muhammad Faryad、Rabab Alomairy「Training quantum neural networks one job at a time」、arXiv:2611.16365v1、2026年11月12日提出。本文、Appendix A〜D、Figure 1〜8、Table I・II。
  2. 著者公開リポジトリ「qnn-job-budget」、README、データ構成、検証結果を参照。論文と同じ著者による公開資料であり、独立した追試報告ではありません。