データを作るAIに、元のデータと同じ「一緒に変わりやすさ」を覚えさせたい。二つの値が同じ方向へ動くのか、逆方向へ動くのか。その関係を、光の組み合わせ方から読み解ける生成モデルが提案されています。
2026年11月3日公開のプレプリント「Interpretable Quantum Photonic Generative Models」は、光の量子状態を使って複数の数値を生成するモデルを、コンピューター上で検証した研究です。光学操作とデータの相関を結び付ける設計が特徴です。ただし、相関が合うことと、珍しい極端な変動まで再現できることは別でした。［1］
簡単にまとめると？
- 光の対を作る、位相を変える、光を混ぜるという操作に、相関を調整する役割を持たせます。
- 20変数の例では、190組の相関の正負が平均93.8％一致しました。過去の同じデータへの適合であり、将来の値を予測した正解率ではありません。
- 分布の裾や計算上の優位性は未解決です。今回のガウス型のモデルは、通常のコンピューターでも効率よく模擬できます。
光の測定から、複数の数値を取り出す
このモデルが扱うのは、0か1かという二値だけではありません。光の場には連続的に変わる成分があり、それを参照光と比べるホモダイン測定で読み取ります。一つの光モードから一つの実数を得るため、20モードなら一回の測定で20個の値を組にして取り出す構成です。
モードとは、ここでは光の独立した成分を数える単位です。値を一つずつ無関係に発生させるのではなく、モード間に作った関係が、生成する数値の関係に現れます。光子の個数を数えて整数を得る測定とは異なり、出力は連続的な数値です。
たとえば二つの変数が同時に大きくなる傾向を持つなら、正の相関があります。一方が大きいときに他方が小さくなる傾向なら、負の相関です。ただし相関は、片方がもう片方を引き起こすという因果関係までは示しません。
三つの操作に、相関を調整する役割を持たせる
出発点は、光の対に関係を作る二モードスクイージングです。単独の光の揺らぎだけを見るのではなく、対としての揺らぎ方を制御します。この操作の強さを変えると、測定値の相関の強さが変わります。
次に局所的な位相回転を加えます。測定する成分と光の状態の向きの関係が変わり、同じスクイージング強度でも、相関の大きさや正負を調整できます。論文の二モード例では、位相の変化に応じて相関が正からゼロを通り、負へと変わります。
最後に、ビームスプリッターを並べた干渉計で各モードを混ぜます。最初に対として作った関係を、より多くの出力へ配り直す役割です。提案モデルでは混合部の内部位相を固定し、実数の直交変換に相当する範囲で混ぜています。光学回路なら何でも自由に学習する、という構成ではありません。
「どの部品の調整が、何を変えるのか」を説明できることが、この設計の読みやすさです。もっとも、各部品の役割が分かることは、学習した金融データの変動原因が分かることを意味しません。
学習したのは、値そのものではなく相関の行列
学習では、元データから計算したピアソン相関係数を表に並べ、モデルが作る相関の表を近づけます。ピアソン相関は、二つの値の線形な関係を−1から1で表す尺度です。ここではシミュレーションから計算できる共分散を使い、通常のコンピューター上の最適化で回路のパラメーターを調整しています。
したがって、毎回量子装置で大量の測定を繰り返して学習した実験ではありません。また、この損失関数は、生成される確率分布の形を隅々まで元データへ一致させるものでもありません。相関を合わせる目的を先に絞った設計です。
| 比較する点 | 5モードの例 | 20モードの例 |
|---|---|---|
| 元データ | 株式、金・国債のETF、ビットコインの計5系列。251日分の対数収益率 | 20銘柄の株式。48日分の対数収益率 |
| 調整するパラメーター | 18個 | 220個 |
| 回路の条件 | 極めて弱いKerr非線形性を設定 | Kerr非線形性なしのガウス型 |
| 主な結果 | 代表例の相関係数のずれは絶対値で4.1×10−5以内 | 190組の正負の一致率は平均93.8％。初期値5通りの間の標準偏差は0.9ポイント |
5系列の期間は2020年3月2日から2021年3月1日、20銘柄の期間は2019年11月1日から2020年1月13日です。研究の公開は2026年でも、学習対象が現在の相場に更新されているわけではありません。これらは固定された過去の期間内の関係を再現する試験です。
20モードの結果は、変数が増えても相関を調整できることを示します。ただし元の株式データには正の相関が多く、すべて「正」と答えるだけでも一致率は50％を大きく上回ります。93.8％という数字だけで難しさを判断せず、相関係数のずれの分布も併せて見る必要があります。論文では約86％の組で、そのずれの絶対値が0.1未満でした。
さらに、20変数に対して観測は48日分です。目標となる相関行列自体にも標本の少なさによる揺らぎがあります。目標をよく再現できることと、その目標が長期間安定した関係を表すことは、分けて考える必要があります。
相関が合っても、極端な値の出方は合わない
ここで重要になるのが、各変数の分布の形です。同じ平均、同じばらつきでも、極端な値がまれに大きく出る分布と、中央付近へなだらかに集まる正規分布は違います。相関係数だけでは、その違いを十分に指定できません。
研究では5モードの生成値に、正の倍率と一定の値の足し算を施し、各変数の平均と分散を合わせる後処理も行いました。この変換はピアソン相関を保つ一方、分布の裾の形までは直しません。
実際、分布の食い違いを測る全変動距離の資産平均は、後処理で0.370から0.245へ小さくなりましたが、ゼロにはなりませんでした。ビットコインの系列では0.330が残り、金ETFの系列では0.165から0.225へ逆に大きくなりました。全体として平均や幅が合いやすくなっても、どの変数にも同じ改善があるわけではありません。
この分布比較では、付録に従ってデータの先頭70％を使うなど、相関行列の全期間での評価とは手順が異なります。一つの数字にまとめて「全データを再現した」と扱うことはできません。将来の未観測期間に対する予測性能を調べた結果でもありません。
光を使う価値と、計算上の優位性はこれから分かれる
今回の20モード例はガウス型の状態をホモダイン測定するモデルです。この組み合わせは、通常のコンピューターでも効率よく計算し、標本を生成できます。量子光学の構成であるという理由だけで、古典計算を上回ることにはなりません。
著者らは、より強い非ガウス性を持つ操作を使えば、分布の表現力を広げられると考察しています。Kerr非線形性はその候補ですが、強くするほどシミュレーションも難しくなります。表現できる分布を増やしたときの精度、学習の費用、光の損失、実機で標本を得る速さを、同じ条件で比較する段階が残ります。
この研究からまず受け取れるのは、相関の強さ、符号、配り方を、光学操作の役割として分ける設計です。用途を検討するなら、必要なのが相関行列の再現なのか、極端な値まで含む分布なのかを先に定める。そのうえで古典的な生成方法と比べると、報告された結果の価値と、まだ足りない検証が見えやすくなります。