第5章: スケーリングの課題

誤り訂正のオーバーヘッド、制御配線、モジュール化、そしてベンチマークの読み方

📖 Reading Time: 20-25 minutes 📊 Difficulty: Beginner 💻 Code Examples: 0 📝 Exercises: 0

ビデオ講義

このビデオは以下のテキストと同じ内容をカバーしています。お好みの学習形式をお選びください。

🌐 JP | 🇬🇧 EN | Last sync: 2026-08-16

量子コンピューティング道場 > 量子コンピュータのハードウェア > 第5章

5.1 量子ビットの数だけでは進歩ではない

第2章から第4章では、物理プラットフォームを1つずつ辿ってきました。超伝導回路、イオントラップと中性原子、光子、スピン、そしてトポロジカルな提案です。どの章も同じ場所に行き着きました。物理は成り立っている、しかし工学は未完成である、という場所です。この最終章のテーマはその工学です。なぜなら、この分野の次の10年が実際に決まるのは、そこだからです。

まず、量子コンピューティングにおいて最も読み違えられている数値から始めましょう。量子ビット数です。

量子コンピュータ入門 シリーズは、この制約を一行で示しました。2量子ビットゲートが確率 \(\epsilon\) で失敗するとき、\(m\) 個のゲートからなる回路はおよそ \(e^{-m\epsilon}\) で生き残ります。したがって利用可能な 回路深さ は \(1/\epsilon\) 程度になります。これがNISQの議論のすべてです。この式に 現れない ものに注目してください。量子ビットの数です。量子ビットを増やせば回路は横に広がりますが、深さの予算には何の効果もありません。

📚 幅、深さ、そしてその積

有用な心的モデルは、デバイスが計算空間の長方形を提供する、というものです。幅（量子ビットが何個あるか）と 深さ（状態が崩れるまでに何層のゲートが生き残るか）の積です。有用なアルゴリズムには、ある最小限の面積 と ある最小限の形状の両方を備えた長方形が必要です。

ハードウェアの発表が量子ビット数を見出しに掲げ、誤り率については脚注で触れる（あるいはまったく触れない）とき、懐疑的になるべき正直な理由がここにあります。脚注のほうが見出しなのです。

5.2 誤り訂正の算術

深さの予算から抜け出す道は量子誤り訂正であり、入門シリーズで概念的に紹介しました。ここでは、それが何を 代償 とするのか、そしてより重要なこととして、なぜその代償がそもそも支払い可能なのかを見ていきます。

📚 論理量子ビットは量子ビットではなく機械である

1個の 論理量子ビット とは、多数の 物理量子ビット からなるブロックと、そこで絶えず走り続けるプロセスの組み合わせです。

  1. 符号化する。 論理状態はブロック全体にわたって非局所的に存在し、どの単一の物理量子ビットもそれを保持していません。
  2. シンドロームを測定する。 注意深く選ばれた多量子ビット演算子を繰り返し測定します。これらの演算子は、符号化された状態を明かすことなく、誤りが起きたかどうかと、どこで起きたか を明らかにします。状態そのものを測定すればそれは収縮してしまいますが、誤りのパターンだけを測定すれば重ね合わせは保たれます。
  3. 復号する。 古典アルゴリズムがシンドロームビットの流れを取り込み、どの訂正を施すべきかを推定します。それをリアルタイムに、誤りが蓄積するよりも速く行います。

ステップ3は忘れられやすいので強調しておく価値があります。誤り耐性（フォールトトレラント）量子コンピュータの内部には、シンドローム測定のレートで復号器を走らせる相当な規模の 古典 コンピュータが含まれているのです。誤り訂正はハードウェアの問題であり、制御の問題であり、同時に古典計算の問題でもあります。

表面符号 は、固体素子ハードウェアにおいて最もよく研究されている方式です。そのシンドロームチェックが2次元格子上の隣接する量子ビットだけを関与させるからで、これは平面チップが提供する接続性とちょうど一致します。その しきい値 は比較的寛容です。物理誤り率をおよそ1パーセントの水準より下に押し下げられれば、論理量子ビットあたりの物理量子ビットを増やすほど論理誤り率が下がっていきます。

代価は高くつきます。符号化の オーバーヘッド の見積もりは、物理誤り率と、要求する論理誤り率とに強く依存しますが、大規模なアルゴリズムを走らせる場合には論理量子ビット1個あたり物理量子ビット1000個程度という数字がよく引用されます。これは仕様ではなく、桁のオーダーであり、かつ動いている的だと捉えてください。ハードウェアと符号の改良がまさに減らそうとしているのが、この数だからです。

📚 誤り耐性を可能にする非対称性

誤り訂正を単なる好奇の対象から計画へと変える洞察が、ここにあります。

符号はその 符号距離 \(d\) によって特徴づけられます。おおまかには「論理情報が壊れるまでに、いくつの個別の誤りが結託しなければならないか」を表す量です。距離 \(d\) の表面符号パッチは最大 \((d-1)/2\) 個の誤りを訂正します。重要な2つの量は、\(d\) に対してまったく異なるスケーリングを示します。

\[ p_L(d) \approx A \left( \frac{p}{p_{\text{th}}} \right)^{(d+1)/2} \]

\(p < p_{\text{th}}\) のとき、このべき乗の底は1より小さいので、\(p_L\) は \(d\) について指数的に抑制される一方、量子ビットの請求書は \(d^2\) でしか増えません。指数は多項式に勝ちます。この1つの不等式こそが、誤り耐性マシンが単に定義可能なだけでなく実際に建造可能だと考えられている理由のすべてです。

裏返しの側面は容赦がありません。\(p > p_{\text{th}}\) のときには底が1を超え、量子ビットを増やすほど事態は 悪化 します。部品が増え、誤りが増え、抑制は働きません。しきい値より上で動作するデバイスを救うような規模は存在しないのです。しきい値を下回ることは最適化ではなく、前提条件です。

しきい値とは何であり、何ではないか

しきい値は、符号 と ノイズモデル と 復号器の組についての性質であって、ハードウェアだけの性質ではありません。この3つのいずれかが変われば引用される値も動きますし、表面符号についての「1パーセントの水準」という数字は、ある見積もりの一群を丸めた数であって自然定数ではありません。推論のための桁のオーダーとして使い、正確に満たすべき仕様としては決して使わないでください。

5.3 実践: NumPyで見るしきい値のふるまい

この非対称性を具体的に見てみましょう。以下のコードは、上に挙げたおもちゃのスケーリング則を、しきい値より下の物理誤り率と、しきい値より上の物理誤り率のそれぞれについて評価します。

これは教育用のおもちゃの式であり、実在する符号の性能ではありません。 \(p_L = A(p/p_{\text{th}})^{(d+1)/2}\) という表式が捉えているのは、しきい値のふるまいの 形 だけです。現実の論理誤り率は、ノイズモデル、復号器、シンドローム抽出回路、そしてこの一行の式がまったく無視している相関誤りの機構に依存します。ここでは説明のためだけに \(A = 1\)、\(p_{\text{th}} = 0.01\) と固定します。

import numpy as np

# --- 誤り訂正しきい値の教育用おもちゃモデル ---
# p_L(d) = A * (p / p_th)^((d+1)/2)
# p    : 1操作あたりの物理誤り率
# p_th : しきい値誤り率（表面符号の約1%という数字を用いる）
# d    : 符号距離（奇数）。この符号は (d-1)/2 個の誤りを訂正する
# A    : O(1) の前置因子。ここでは1とする
#
# これはしきい値のふるまいの「形」を捉えたものであり、実在する符号の
# 正確な性能ではない。現実の数値はノイズモデル、復号器、そして
# シンドローム回路の詳細に依存する。

p_th = 0.01
A = 1.0


def logical_error_rate(p, d, p_th=p_th, A=A):
    """Toy scaling law for the logical error rate of a distance-d code."""
    return A * (p / p_th) ** ((d + 1) / 2.0)


def physical_qubits(d):
    """Surface-code cost grows only polynomially: roughly d^2 data qubits
    (plus a comparable number of syndrome qubits)."""
    return d * d


distances = np.array([3, 5, 7, 9, 11, 13])

print("Threshold p_th = 1.0e-02   (toy model, prefactor A = 1)")
print()

for p, label in [(0.001, "BELOW threshold"), (0.02, "ABOVE threshold")]:
    print(f"Physical error rate p = {p:.0e}   ({label}, p/p_th = {p/p_th:.2f})")
    print(f"  {'d':>3}  {'physical qubits ~ d^2':>21}  {'logical error p_L':>20}")
    for d in distances:
        pL = logical_error_rate(p, d)
        print(f"  {d:>3}  {physical_qubits(d):>21d}  {pL:>20.3e}")
    print()

# --- 誤り耐性を可能にする非対称性 ---
p = 0.001
d_small, d_large = 3, 13
pL_small = logical_error_rate(p, d_small)
pL_large = logical_error_rate(p, d_large)
print(f"Going from d = {d_small} to d = {d_large} at p = {p:.0e}:")
print(f"  cost      x {physical_qubits(d_large) / physical_qubits(d_small):>10.1f}   (polynomial, ~d^2)")
print(f"  error     x {pL_large / pL_small:>10.3e}   (exponential in d)")
print()

# --- 目標の論理誤り率に到達するために必要な符号距離 ---
target = 1e-12
print(f"Distance needed for p_L < {target:.0e} (odd d only):")
for p in [0.005, 0.002, 0.001]:
    d = 3
    while logical_error_rate(p, d) >= target and d < 199:
        d += 2
    print(f"  p = {p:.0e}  ->  d = {d:>3}   physical qubits ~ {physical_qubits(d):>6d}   p_L = {logical_error_rate(p, d):.2e}")

出力:

Threshold p_th = 1.0e-02   (toy model, prefactor A = 1)

Physical error rate p = 1e-03   (BELOW threshold, p/p_th = 0.10)
    d  physical qubits ~ d^2     logical error p_L
    3                      9             1.000e-02
    5                     25             1.000e-03
    7                     49             1.000e-04
    9                     81             1.000e-05
   11                    121             1.000e-06
   13                    169             1.000e-07

Physical error rate p = 2e-02   (ABOVE threshold, p/p_th = 2.00)
    d  physical qubits ~ d^2     logical error p_L
    3                      9             4.000e+00
    5                     25             8.000e+00
    7                     49             1.600e+01
    9                     81             3.200e+01
   11                    121             6.400e+01
   13                    169             1.280e+02

Going from d = 3 to d = 13 at p = 1e-03:
  cost      x       18.8   (polynomial, ~d^2)
  error     x  1.000e-05   (exponential in d)

Distance needed for p_L < 1e-12 (odd d only):
  p = 5e-03  ->  d =  79   physical qubits ~   6241   p_L = 9.09e-13
  p = 2e-03  ->  d =  35   physical qubits ~   1225   p_L = 2.62e-13
  p = 1e-03  ->  d =  25   physical qubits ~    625   p_L = 1.00e-13

結果の読み方。 重要な順に4つの観察点を挙げます。

\(p_{\text{th}}\) を変えて、必要な符号距離が符号のしきい値にどれほど敏感かを確かめてみてください。あるいは現実的な \(A > 1\) の前置因子を加えて、必要な符号距離がどう動くかを眺めてみるのもよいでしょう。

5.4 制御エレクトロニクス: すべての量子ビットに配線が要る

物理が解決したとしましょう。それでもなお、1つ1つの量子ビットと対話しなければなりません。そしてここで、スケーリングは静かにシステム工学の問題へと姿を変えます。

📚 配線問題

標準的なアーキテクチャでは、各量子ビットは少なくとも1本の制御チャネルを必要とし、読み出しチャネルを共有するか専有します。制御信号は室温のエレクトロニクス（プラットフォームに応じて任意波形発生器、マイクロ波源、レーザーと変調器）で生成され、物理的な配線によって量子ビットまで届けられます。

厄介なのは、配線の本数が量子ビット数に比例して増える一方で、空間も冷却能力も予算もそうはならないことです。

この制約の形に注目してください。「より大きなチップを作れない」のではなく、「熱バジェットを破らずに、より大きなチップとの間で信号をやり取りできない」のです。量子ビットの製造（微細加工）と量子ビットへの アクセス とでは、スケーリングの仕方が違います。

📚 多重化とクライオCMOS

量子ビット1個あたり配線1本というスケーリングを打破するために、2つの方向が追求されています。

周波数多重化 は読み出し側ですでに効果を上げています。共振周波数の異なる多数の量子ビットが1本の配線を共有でき、その信号は周波数によって分離されます。うまく機能しますが、製造精度とのトレードオフがあり（周波数が十分に散らばり、かつ十分に制御されている必要があります）、また個別制御の必要性をなくすものでもありません。

極低温制御エレクトロニクス（クライオCMOS） はより野心的な発想です。信号生成そのものを冷凍機の内部、量子ビットの近くへ移し、室温から渡るのは少数のデジタル配線だけにする、というものです。物理的には魅力的で、試作回路も存在します。障害は概念的なものではなく熱力学的なものです。トランジスタは電力を散逸し、その最低温ステージにおける電力こそが不足している資源だからです。したがって現実的な設計では、冷却能力がはるかに大きい 中間の 温度ステージにエレクトロニクスを置き、信号品質と発熱とを天秤にかけます。このトレードオフが大規模化した先で成立するかどうかは、この分野に残された本当に未解決な工学的問いの1つです。

イオントラップと中性原子の系は、同じ問題を光学的な形で抱えています。多数のサイトを個別にアドレスするということは、多数のビームを用意するか、高速なビームステアリングを行うか、あるいは集積フォトニクスでチップ上に光を届けるか、を意味します。語彙は違いますが、スケーリングの圧力は同一です。

📚 較正の負担

見出しになることはめったにない、もっと微妙なコストがあります。すべての量子ビットとすべてのゲートには較正（キャリブレーション）されたパラメータ（周波数、パルス振幅、パルス長、位相、読み出しのしきい値）が必要であり、これらは数時間から数日のうちにドリフトします。

較正すべき項目の数は量子ビット数に対して少なくとも線形に増え、2量子ビットゲートの較正は 接続 の数とともに増えます。クロストークが事態をさらに悪くします。パラメータが完全には独立ではなく、ある量子ビットを調整すると隣の量子ビットがずれてしまうからです。ある規模を超えると、実験の合間に手作業で較正することは端的に不可能になり、マシンが自分自身を較正しなければなりません。すなわち、自動化されたルーチンが絶えず走り、何をいつ再調整するかを人間の監督なしに判断するのです。

量子コンピューティングの企業が制御ソフトウェアのエンジニアを大量に雇っているのはこのためです。自分自身の較正を保てないマシンは、調子のよい日の量子ビットがどれほど優秀であっても、大規模には使えません。

5.5 モジュール性: 小さなものから大きなものを組み上げる

単一のデバイスを好きなだけ大きくできないのであれば、代わりの道は小さなものを多数作って接続することです。これは、単一プロセッサの高速化が止まり、マルチコアとネットワーク接続されたマシンが主役になったときに、古典コンピューティングが数十年前に到達したのと同じ答えです。

📚 モノリシックとモジュラーの対比

モノリシック なプロセッサは、すべての量子ビットを1枚のチップ、あるいは1つのトラップに収めます。すべての相互作用が直接的かつ高速であり、アルゴリズムのコンパイルにとっては理想的な場合です。しかし面積が大きくなるほど歩留まりは落ち（1個の不良量子ビットが大きなデバイス全体を台無しにしかねません）、5.4節の配線と熱の制約がここで最も強く効いてきます。

モジュラー なプロセッサは、確実に製造できる程度に小さな単位から組み立てられ、異なるモジュールの量子ビットどうしが相互作用できるように結ばれます。その代償として、モジュール間の操作はモジュール内の操作より遅くノイズも大きくなるため、マシンはコンパイラが尊重しなければならない接続性の 階層 を持つことになります。これもまた、古典的な高性能計算におけるメモリ階層やインターコネクトのトポロジーとまったく同じです。

📚 モジュールはどのように結ばれるか

フォトニック・インターコネクト は、固体素子のモジュールにも原子系のモジュールにも共通の有力候補です。静止した量子ビットが、自らの状態と量子もつれ状態にある光子を放出します。2つのモジュールから来た光子がビームスプリッタで干渉し、検出されます。検出パターンが成功を示せば、離れた場所にある2つの静止量子ビットは量子もつれ状態になっています。この方式は ヘラルド型（成功を自ら通知する方式）であり、確率的でありながら実用に耐えるのは、まさにこの性質のおかげです。失敗したことは分かるので、単に再試行すればよいのです。光子の捕集と損失が容赦ないため、1回の試行あたりの成功確率は低く、工学的な努力は放出効率、光子の識別不可能性、検出器の性能に集中しています。超伝導モジュールにはさらに難点が加わります。量子ビットが話す言葉はマイクロ波である一方、低損失なリンクが話す言葉は光であるため、コヒーレントなマイクロ波-光変換器が必要になるのです。これ自体が独立した活発な研究領域です。

いったんモジュールどうしが量子もつれ状態になれば、その量子もつれは 資源 になります。共有された量子もつれ対と古典通信があれば、離れた量子ビット間のゲートを実行でき、量子状態をモジュール間でテレポートできます。これは 量子ネットワーク とまったく同じ物理です。すなわち、距離を隔てた量子もつれの配送、中間ノードを介した量子もつれ交換、そして最終的には直接的な光子損失の限界を超えて到達距離を延ばす量子中継器です。大規模なモジュラー量子コンピュータと量子ネットワークは、アーキテクチャの観点では長さスケールが異なるだけの同じ対象です。だからこそ、一方の進展はもう一方を助ける傾向があります。

イオンシャトリング はイオントラップにおけるモジュール化の道であり、量子もつれではなく 量子ビットそのもの を動かす点で好対照をなしています。イオンの鎖は長くなるほど動作が遅くなり、スペクトル的にも混み合ってきます。そこで1本の長い鎖にする代わりに、トラップを役割の決まったゾーン（保管、ゲート相互作用、読み出し）に分割し、時間変化する電極電圧によってイオンをゾーン間で物理的に輸送します。難しいのは、イオンの運動を加熱せずにこれを行うことです。運動モードこそが2量子ビットゲートの使う当のものだからです。シャトリングはすべてを1つの真空系の内部に保つので、1本の鎖よりは遠くまでスケールしますが、無限にというわけではありません。別々のトラップどうしを結ぶフォトニック・リンクが、その次の階層になります。

中性原子は興味深い中間の立ち位置を占めています。原子を光ピンセットのサイト間で移動させられるので、モジュール間リンクをまったく用いずに、1つの配列の内部で再構成可能な接続性が得られるのです。

5.6 自分を欺かないベンチマーキング

本章から1つだけ習慣を持ち帰るとしたら、これにしてください。単一の数値には十分に注意する、という習慣です。

📚 量子ビット数が比較にならない理由

入門シリーズでも指摘した点ですが、ハードウェアの詳細を背景に置いたうえで繰り返す価値があります。量子ビット数が同じ2台のデバイスでも、計算できることは桁違いに異なりえます。この数値は、次のいずれについても何も語らないからです。

量子ビット数は能力の 上限 であって、能力の尺度ではありません。

📚 ランダム化ベンチマークと全体論的指標

ランダム化ベンチマーク は、ゲート品質を測る標準的な方法です。長さを次第に伸ばしながらランダムなゲート列を印加します。この列は、理想的な結果であれば量子ビットが既知の状態に戻るように選ばれています。そして、成功確率が列の長さとともにどれだけ速く減衰するかを測定します。減衰率から、ゲート1個あたりの平均誤りが得られます。

その長所は本物です。結果は状態準備と測定の誤りにほとんど影響されず、日常的な運用に耐えるだけのスケーラビリティがあります。しかし限界も同じくらい本物です。これはランダムなゲートについての 平均 を報告するもので、実際のアルゴリズムが走らせる構造化された回路に対してよりも甘い値になりえます。ランダムな列の中で部分的に打ち消し合うコヒーレントで系統的な誤りは、過小に報告されることがあります。そして、意図的にそう設計しない限り、クロストークについては何も語りません。単独でベンチマークした量子ビットは、隣接量子ビットが動作している最中に同じ量子ビットをベンチマークした場合よりも、しばしば良く見えます。

ゲートごとの数値が誤解を招きうるため、この分野では 全体論的指標 が試みられてきました。量子ビット数、接続性、ゲート忠実度、コンパイラの品質を1つの数字にまとめるもので、統計的に意味のある結果を出せるランダム回路の大きさはどこまでか、を問う形をとります。量子ボリューム はこの種の試みとして最もよく知られたものです。その美点はトレードオフに対して正直なことです。幅と深さが同時に要求されるため、質の悪い量子ビットを足しても数字を水増しできませんし、部品ではなくコンパイラを含めた システム を測ります。

とはいえ、全体論的指標にもそれ自身の但し書きが付きます。多次元の対象を1次元に圧縮するものであり、そうした圧縮は必ず情報を捨てます。用いるのはランダム回路であって、実際に走らせたい回路ではありません。目標として掲げられれば、それに向けて最適化されえます。そして正方形の回路形状を軸に定義されているため、アーキテクチャによって向き不向きがあります。アプリケーションレベルのベンチマーク（実際のアルゴリズムのクラスを走らせ、答えの品質を報告するもの）は別の弱点に対処しますが、こちらにも固有の弱点があり、とりわけ問題インスタンスをまたいだ比較が難しい点が挙げられます。

実践的な読み解きチェックリスト

ハードウェアに関する主張に出会ったら、5つの問いを立ててください。(1) 物理量子ビットか、論理量子ビットか。(2) 2量子ビットゲートと読み出しの誤り率はいくらで、それはデバイス全体を動作させた状態で測定されたのか。(3) 接続性はどうなっており、報告された回路はその上へのコンパイルを織り込んでいるのか。(4) その指標はランダムなインスタンスに対する平均か、それとも最悪値か。(5) 勝とうと本気で取り組む人が実行したとき、同じタスクに対して最良の古典手法は何を達成するのか。この5つすべてに耐える主張なら、真剣に受け取る価値があります。

5.7 正直な見通し

今日のノイズの多いデバイスと誤り耐性量子コンピュータとの隔たりは、ブレークスルー1つ分の幅ではありません。それは工学のマラソンであり、その本質的な特徴は すべての層が足並みをそろえてスケールしなければならない ことにあります。

どれか1つの層の弱さが、システム全体の上限を決めます。時間軸の予測が難しい正直な理由はここにあります。スケジュールはその時点で最も弱い層によって決まり、そしてどの層が最も弱いかは変わり続けるのです。

すべての答えを持つプラットフォームは存在しません。これが第2章から第4章の公平な要約です。超伝導回路は高速なゲートと、背後に控える製造産業を持ち、その前には配線と熱の問題が立ちはだかっています。イオントラップは卓越した制御性と接続性を持ち、そしてゲートの遅さと険しいスケーリングの道のりを抱えています。中性原子は大規模で再構成可能な配列を持ち、ゲートと読み出しの性能も成熟しつつあります。フォトニクスは室温での伝送とネットワーキングを持ち、そして光子どうしを相互作用させることの難しさを抱えています。スピン量子ビットは最小のフットプリントと、原理的には半導体の製造基盤を持ち、そして均一性を実証しなければなりません。トポロジカル量子ビットはハードウェアの水準での保護を約束しますが、まず使える量子ビットとして存在することを示す必要があります。

これは気を落とさせる描像ではありません。正確な描像であり、勝者の分かりきった競馬よりもはるかに興味深い分野の姿です。読者に求められるのは、どこかへの忠誠ではなく較正された目です。次の発表が現れたとき、あなたはもうそれに問いかけるべき問いを持っています。これはどの層を改善したのか、他の層にどんな代償を払ったのか、そしてどう測定されたのか。情報に基づいた目でこの分野を眺めれば、ニュースは読み解けるものになります。

🎯 演習問題

  1. 幅と深さ : あるデバイスが、2量子ビットゲートの誤り率を一定に保ったまま量子ビット数を倍増させました。どのアルゴリズムが恩恵を受け、どのアルゴリズムが受けないでしょうか。5.1節の幅と深さの長方形の枠組みで答えを組み立ててください。
  2. しきい値への感度 : コードを \(p_{\text{th}} = 0.005\) を使うように書き換え、\(p = 10^{-3}\) において \(p_L < 10^{-12}\) を満たすために必要な符号距離を再計算してください。しきい値が半分になることの代償がなぜこれほど大きいのか、物理的に説明してください。
  3. オーバーヘッドの算術 : 論理量子ビット1個あたりおよそ \(2d^2\) 個の物理量子ビット（データ用とシンドローム用の合計）を仮定して、\(d = 25\) で論理量子ビット100個を必要とするアルゴリズムの物理量子ビット数を見積もってください。「論理1個あたり物理1000個程度」という経験則と比較し、両者がなぜ近似的にしか一致しないのかを論じてください。
  4. 熱バジェット : 制御エレクトロニクスを冷凍機の中へ移しても配線問題が自動的には解決しない理由と、どれだけの量を中へ移せるかを最終的に制限する物理量が何かを説明してください。
  5. モジュール性のトレードオフ : あるアルゴリズムが、異なるモジュールにある量子ビット間のゲートを頻繁に必要とし、モジュール間の操作はモジュール内の操作よりはるかに遅くノイズも大きいとします。コンパイラは何をしなければならず、そこからどのようなアルゴリズムがモジュラーマシンに向いていると言えるでしょうか。
  6. ベンチマークの批判的検討 : 公開されているハードウェアの発表を1つ見つけ、5.6節の読み解きチェックリストの5つの問いに答えてみてください。その発表では答えられない問いがどれかにも注意してください。

まとめ

本章では、量子コンピュータのスケーリングが量子ビット数の問題ではなくシステムの問題であることを論じました。量子ビットの数だけでは進歩ではありません。\(1/\epsilon\) 程度という深さの予算は幅が増えても改善せず、大きなデバイスはクロストーク、不均一性、較正の負担を通じて忠実度をむしろ劣化させる傾向があります。誤り訂正 は高い代価と引き換えに深さを買います。論理量子ビットとは、物理量子ビットのブロックに、継続的なシンドローム測定と、リアルタイムの古典的な復号器を加えたものであり、そのオーバーヘッドは論理量子ビット1個あたり物理量子ビット1000個程度（桁のオーダーであり、かつ動いている的）に及びます。それでも誤り訂正が成り立つのは、スケーリングの非対称性があるからです。およそ1パーセントの水準というしきい値より下では、論理誤り率が符号距離に対して 指数的に 下がる一方、コストは 多項式的に（\(\sim d^2\)）しか増えません。NumPyのおもちゃモデルはこの非対称性を可視化し、同時に裏面も示しました。しきい値より上では、量子ビットを増やすことは事態を悪化させるだけです。次に 制御エレクトロニクス が固有の限界を課します。量子ビット1個あたり配線1本という方式は、固定された空間と冷却能力に対してスケールせず、多重化とクライオCMOSがその応答であり、較正の負担は量子ビットと接続が増えるたびに膨らみます。モジュール性 は構造的な答えです。より小さな単位をフォトニック・インターコネクトで結び、量子ネットワークと同じヘラルド型の量子もつれの物理を用います。イオンシャトリングはそのイオントラップ版にあたります。ベンチマーキング には規律が要ります。量子ビット数はプラットフォームをまたいで比較できず、ランダム化ベンチマークは実力より良く見せうる平均を報告し、量子ボリュームのような全体論的指標は単一部品の数値よりは改善であるものの、なお多次元の現実を1次元へ圧縮しています。

これで 量子コンピュータのハードウェア シリーズは完結です。量子ビットが物理的に何を提供しなければならないか、6つのプラットフォーム系統がそれをどう提供しようとしているか、そして残された仕事がなぜすべての層に同時にまたがる工学のマラソンなのかを見てきました。仕様の数値はこれからも動き続けます。それこそが定性的な扱いの狙いです。しかしここで扱った原理は、これからの10年の発表と、その背後にある論文とを、情報に基づいた目で読むための助けになるはずです。

← 第4章: 光子・スピン・トポロジカルの各プラットフォーム シリーズトップ →

免責事項

シリーズトップへ戻る