写真を「座標を入れると、その場所の色が返る関数」として表す。音なら、時刻を入れると波形の振幅が返る関数です。こうした暗黙的ニューラル表現（INR）へ量子回路を組み込む研究で、回路の各段が小さな量子メモリーを共有する方式が提案されました。2026年11月3日公開のSpectral Quantum Memory Model（SQMM）は、前の段が捉えた周波数成分を、後の段の計算へ引き継ぐことを狙います。［1］
簡単にまとめると？
- SQMMは、座標を繰り返し入力する量子回路の各段を、共有する量子メモリーでつなぐ方式です。
- 小規模な音・画像の再構成では、理想的な測定を仮定したシミュレーションで比較対象より小さい誤差を報告しています。
- 測定回数を有限にすると誤差は増え、画像では順位も変わります。実機での高速化や量子優位性を示した結果ではありません。
輪郭や音の細かな変化を、どう表すか
画像には、空のように緩やかに色が変わる部分も、細い線のように急に変わる部分もあります。音にも、ゆっくりした変化と速い振動が重なっています。INRがこうした信号をうまく再構成するには、異なる周波数成分を十分に表せることが大切です。
量子INRでは、座標から作った値を量子ビットの回転角などに入れ、学習する回路の操作と組み合わせます。同じ入力情報を何度も回路へ入れる「データ再アップロード」によって、少ない量子ビットでも表現できる関数を豊かにします。最後に測定量の平均値を取り出し、通常のニューラルネットワークが色や振幅へ変換します。
ベングリオン大学のDaniel A. Moroz-BroitmanとEliya NachmaniによるSQMMは、この量子回路を複数の段に分け、段どうしを量子状態のままつなぎます。従来の比較対象であるQIRENが測定後の古典的な特徴量を次の層へ渡すのに対し、SQMMには、後段が読み出せる共有の量子メモリーが加わります。
同じ座標の計算を、量子メモリーで引き継ぐ
実験設定では、各段が2個のデータ用量子ビットを使い、5段で2個のメモリー量子ビットを共有します。ある座標を評価するとき、まずその座標に応じたメモリー状態を用意します。各段はメモリーと相互作用し、自分の座標入力を使って計算し、その結果の一部をメモリーへ書き戻します。最後の段では後へ渡す必要がないため、書き戻しを省きます。
このメモリーが引き継ぐのは、一つの座標を評価する計算の途中状態です。音声の過去の時刻を永久に記憶したり、画像データ全体を保存したりする装置という意味ではありません。後の段が前の段の計算に依存できるため、各段で別々に作った特徴を最後に集めるだけの場合と、表現の組み立て方が変わります。
理論上の要点は、メモリーへの読み書きに使う結合が、入力座標そのものに依存しないことです。この条件で、メモリーと各段の出力に現れる周波数は、入ってきたメモリーの周波数と、その段の入力が作る周波数を足し合わせた集合の範囲に収まります。たとえば、それぞれにμとνという周波数があれば、組み合わせとしてμ＋νが候補になります。自由な新しい基本周波数を、メモリーの結合だけで追加できるわけではありません。
ここで変わるのは、各周波数成分の係数、つまりどの成分をどれほど表すかです。有限のフーリエ展開が成り立つ場合には、この関係を厳密に示せます。一方、実装で使う正弦波の位置符号化などを座標と合成した関数は、有限の周波数格子への射影や打切りで扱います。理論上の有限展開と、実装で解像できる周波数の範囲は分けて読む必要があります。
メモリーに何を残すかも学習する
SQMMは、最終的な色や振幅の誤差を小さくするだけでなく、途中までの段が出力した特徴のスペクトルと、メモリーから読み取れるスペクトルを近づける補助的な損失を使います。これが「スペクトル・メモリー・アラインメント」です。どの周波数にどれだけ成分があるかを有限の格子上で比べ、前段の特徴を後段で利用しやすい形へ促します。
補助損失は学習時だけの処理です。実装では段を順に追加する学習期間に使い、最後の段を加えると停止します。また、合わせるのは選んだ格子で捉えられるスペクトルです。格子より細かい変化や、標本化によって別の周波数に見える成分まで、正しく保存する保証にはなりません。
測定回数を入れると、画像の順位は変わる
著者らは、CPU上の混合状態シミュレーターで音と画像の再構成を比較しました。一つの信号や画像ごとにモデルを当てはめる実験で、未知の画像を一つの学習済みモデルが汎用的に認識する試験ではありません。下表は、チェロ音源の1,000点と、32×32画素へ加工したAstronaut画像について、論文の表1から抜き出した結果です。
| 方式 | チェロのMSE | AstronautのMSE |
|---|---|---|
| SQMM・期待値を正確に計算 | 0.48 ± 0.08 | 1.12 ± 0.10 |
| SQMM・各期待値を2,048回の測定で推定 | 0.76 ± 0.06 | 2.86 ± 0.53 |
| QIREN | 6.79 ± 0.35 | 5.90 ± 0.49 |
| SIREN | 5.02 ± 0.08 | 2.15 ± 0.22 |
MSEは平均二乗誤差で、小さいほど再構成の誤差が小さい指標です。表の値はすべて10−3倍で、平均±標準偏差を示します。SQMMの学習パラメーター数は音で642、画像で654。比較対象も小規模なモデルで、QIRENはそれぞれ649と657、SIRENは673と687です。各モデルの構成や学習率にも条件があるため、この比較をあらゆる規模の古典モデルへの優越と読むことはできません。
チェロでは2,048回に制限した場合も誤差が小さい一方、AstronautではSQMMの誤差がSIRENより大きくなります。量子回路の測定は毎回同じ値を返すわけではなく、平均値を推定するには繰り返しが必要です。理想的な期待値を直接得られるシミュレーションの成績だけを見ると、この負担が見えにくくなります。
共有メモリーだけの効果も、最終結果とは分ける必要があります。チェロの比較では、メモリーを共有しないよう各段に追加量子ビットを置いた方式が0.53±0.06、共有メモリーのみが0.52±0.08、補助損失を加えたSQMMが0.48±0.08でした。同程度の資源を与えた対照実験での差は、QIRENとの差ほど大きくありません。個々の改善をすべてメモリーの有無だけへ帰すことはできません。
実装を試すときは、精度と測定の負担を一緒に見る
各段から取り出す特徴は、測定結果そのものではなく、繰り返した測定の平均値です。実機で後の段の特徴を求めるときには、必要なところまで回路を別に実行し直し、メモリーの経路を保ちます。一度測定した結果に応じて変わった状態を、そのまま後段へ流す方式としては定義されていません。
さらに、学習時にメモリー全体を詳しく調べる測定の種類は、メモリー量子ビット数mに対して4mに増えます。メモリーを増やせば表現の自由度は広がり得ますが、測定とシミュレーションの負担も増します。本研究では実量子デバイスを使った実験は行われておらず、測定回数の有限性や、制御されたゲートのずれをシミュレーションで調べています。
著者による実装コードも公開されています。［2］ただし、公開されていることと、第三者が数値や実機性能を再現できたことは別です。SQMMを検討する際には、同じパラメーター規模での再構成精度、使う測定回数、学習時間、雑音を加えたときの変化を並べて見ると、共有メモリーが役立つ条件を判断しやすくなります。今回の進展は、その比較に使える具体的な回路構成と、周波数成分が引き継がれる仕組みを示した点にあります。
出典
- Daniel A. Moroz-Broitman, Eliya Nachmani, Spectral Quantum Memory for Implicit Neural Representations, arXiv:2611.04574v1、2026年11月3日公開。第3〜7節、表1・2、付録11・13・14.4・14.5。公開原稿を参照しています。
- 著者によるSQMM実装リポジトリ。2026年11月5日確認。コード公開の確認であり、本記事で学習実験を再実行したものではありません。