第5章: NISQ時代と化学・材料への応用

ノイズの多いハードウェア、変分アルゴリズム、そして有用な量子シミュレーションへの道

📖 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 > 量子コンピュータ入門 > 第5章

5.1 「NISQ」が意味するもの

第4章では、Groverの探索やShorの素因数分解のような、劇的な高速化を約束するアルゴリズムに出会いました。これらのアルゴリズムは、居心地の悪い1つの仮定を共有しています。計算の全体を通じて量子ビットが完全にコヒーレントであり続ける、という仮定です。実機はそのようには振る舞いません。第3章の理想化された回路と今日のハードウェアとの隔たりこそが、本章の主題です。

John Preskillは2018年、この状況に NISQ — Noisy Intermediate-Scale Quantum（ノイズあり中規模量子）という用語で名前を与えました。

📚 頭字語の2つの半分

中規模（Intermediate-Scale）: 古典コンピュータでのシミュレーションが高くつく程度の量子ビットを備えているが、その大半を誤り訂正に費やせるほど多くはない、という状態です。Preskillはこの領域をおよそ数十から数百量子ビットに位置づけました。

ノイズあり（Noisy）: あらゆるゲート、あらゆる測定、そして単に待つことさえも誤りを持ち込み、それを覆い隠す完全な誤り訂正層はありません。したがって、結果がノイズに溶けてしまう前に適用できるゲート数には限りがあります。

実際的な帰結は厳しい予算制約です。2量子ビットゲート1回の成功確率が \(1 - \epsilon\) なら、そのようなゲート \(m\) 個からなる回路の成功確率はおおよそ

\[ P_{\text{success}} \approx (1 - \epsilon)^m \approx e^{-m\epsilon} \]

となり、有用な 回路深さ は \(1/\epsilon\) 程度になります。この1つの不等式が、NISQ時代のアルゴリズム設計の大半を説明します。私たちが浅い回路のアルゴリズムを探すのは、深い回路が単純に生き延びられないからです。

5.2 量子ビットは実際どう作られているか

いくつかの物理プラットフォームが並行して開発されており、まだ明確な勝者はいません。それぞれが速度・コヒーレンス・接続性の間で異なる取引をしています。以下の表は意図的に 定性的 にしてあります。公表されるデバイス仕様は月ごとに変わるので、ここに数字を書けば読まれる頃には古くなっているからです。

プラットフォーム 物理量子ビット 強み 主な課題
超伝導回路 チップ上のマイクロ波回路（例: トランズモン） 非常に高速なゲート、半導体産業由来のチップ製造技術、レイアウトの拡張が容易 希釈冷凍機の温度（ミリケルビン）が必要、コヒーレンス時間が比較的短い、通常は隣接量子ビットしか直接結合しない
イオントラップ 電磁トラップに捕捉した個々のイオンをレーザーで操作 長いコヒーレンス時間、高いゲート・測定忠実度、鎖の中のすべてのイオンが互いに相互作用可能（全結合） ゲートが超伝導方式よりずっと遅い、長い鎖の大規模化が難しく、アーキテクチャはイオンを領域間で移送する
光子 導波路中または自由空間中の単一光子 光子は環境とほとんど相互作用しないためデコヒーレンスが非常に小さい、ネットワークや通信に自然に適する 光子は 互いにも ほとんど相互作用しないため2量子ビットゲートが難しい、光子損失が支配的な誤り、高効率の検出器には依然として極低温が必要
中性原子 光ピンセットで捕捉した中性原子をRydberg状態を介して結合 配列の幾何が再構成可能、同一な原子の大規模配列を比較的容易に組める、柔軟な接続性 原子の損失と再装填、ゲート忠実度と読み出しはイオントラップに比べてまだ発展途上

この表の読み方。 接続性は初学者が思うより重要です。全結合を前提に書かれたアルゴリズムは、SWAPゲートを挿入して最近接結合のチップにコンパイルしなければならず、SWAPのたびに払う余裕のない深さを消費します。ゲート速度が重要なのも同じ理由です。本当に効いてくるのは秒単位のコヒーレンス時間ではなく、その中に何個のゲートが収まるか です。

5.3 ノイズと誤り訂正の考え方

📚 誤りはどこから来るのか

デコヒーレンス とは、量子情報が環境へ失われることです。これを記述するのに慣習的に2つの時間尺度が使われます。

ゲート誤り は制御パルスそのものの不完全さです。\(\pi/2\) のつもりの回転がわずかに大きくなったり、2量子ビット相互作用が計算部分空間の外の状態にわずかに漏れ出したりします。測定誤り は最後の層を加え、\(|0\rangle\) を \(|1\rangle\) と誤って報告します。

古典計算との非対称性に注意してください。古典ビットは0か1のどちらかなので、わずかな電圧のずれは単に丸め落とされます。量子ビットは重ね合わせの連続体の上に住んでいるので、小さな誤りは小さいままですが、決して消えません。蓄積していくのです。

📚 論理量子ビットと物理量子ビット

量子誤り訂正は、情報を単一の量子ビットに保存することを拒むことでこれを解決します。代わりに、1つの 論理量子ビット を多数の 物理量子ビット にわたって符号化し、注意深く選んだそれらの組み合わせを繰り返し測定します。

これを可能にする仕掛けが シンドローム測定 です。符号化された状態そのものを一切明かすことなく、誤りが起きたかどうか、どこで起きたか を明らかにする演算子を測定します。状態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無傷のまま残ります。

近未来のハードウェア向けに最もよく研究されている方式が 表面符号（surface code）です。物理量子ビットは2次元格子上に配置され、各シンドローム検査には隣接する量子ビットしか関与しません。これは超伝導チップの最近接結合と相性が良く、論理情報は格子全体に非局所的に保存されます。その魅力は、比較的寛容な 誤り閾値 にあります。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ります。

その代償は大きなものです。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あたり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、桁の目安であり動く標的だと捉えてください。まさにこの数字こそ、ハードウェアと符号の改良が縮めようとしている対象なのです。

この捉え方が重要な理由

「その機械は量子ビットを何個持っているのか」という問いは、それ単独では正しい問いではありません。ノイズのある物理量子ビット1000個と、誤り訂正された論理量子ビット1000個の間には、何世代もの工学的隔たりがあります。ハードウェアの発表を読むときは、どちらが数えられているのかを必ず確認してください。

5.4 変分アルゴリズム: それでも有用な仕事をする

深い回路が高くつくなら、浅い回路でも価値あることができるでしょうか。変分 アルゴリズムの一族が、その有力な答えです。

📚 変分量子固有値ソルバ（VQE）

VQEは、化学と材料科学の中心にある問題を対象とします。ハミルトニアン \(\hat{H}\) の 基底状態エネルギー、すなわち系がとりうる最低のエネルギーを求める問題です。

これは 変分原理 に立脚しています。量子力学で見覚えがあるかもしれません。任意の 規格化された試行状態 \(|\psi\rangle\) に対して、

\[ E(\psi) = \langle \psi | \hat{H} | \psi \rangle \geq E_0 \]

が成り立ちます。ここで \(E_0\) は真の基底状態エネルギーです。どの試行状態も 上界 を与えるので、多くの試行状態を探索して最小値を保持していけば、真の値に近づくことはあっても、それを下回って行き過ぎることはありません。

VQEはこれを 量子・古典ハイブリッドループ に変えます。

  1. 準備: 量子コンピュータ上で、アンザッツ と呼ばれる浅いパラメータ付き回路を使って試行状態 \(|\psi(\boldsymbol{\theta})\rangle\) を準備します。パラメータ \(\boldsymbol{\theta}\) は単なる回転角です。
  2. 測定: エネルギー \(E(\boldsymbol{\theta}) = \langle \psi(\boldsymbol{\theta}) | \hat{H} | \psi(\boldsymbol{\theta}) \rangle\) を測定します。実際には \(\hat{H}\) はPauli項の和として書かれ、各項を別々に測定してから古典的に足し合わせます。
  3. 更新: ノートPC上で動く通常の古典最適化アルゴリズムで \(\boldsymbol{\theta}\) を更新します。
  4. 反復: エネルギーが下がらなくなるまで繰り返します。

この分業こそが要点です。量子コンピュータは、指数的に大きな空間の中の状態を保持しサンプリングするという、それが唯一得意なことだけを行い、しかも 短い 回路を何度も実行します。帳簿づけと最適化はすべて古典側で行われ、そこではノイズは問題になりません。

有限差分によらない勾配。 第3章の回転ゲートで作られた回路では、エネルギーの角度に関する微分を、同じ回路 を2つのずらした角度で評価することによって厳密に得られます。

\[ \frac{\partial E}{\partial \theta} = \frac{1}{2}\left[ E\left(\theta + \frac{\pi}{2}\right) - E\left(\theta - \frac{\pi}{2}\right) \right] \]

これが パラメータシフト則 です。有限差分近似と違って厳密であり、小さな刻み幅を必要としません。評価のたびにノイズを含む測定を行う状況では、これは実質的な利点です。

正直な制約。 VQEはただ飯ではありません。精度はアンザッツの表現力に上限を課されます。真の基底状態が \(|\psi(\boldsymbol{\theta})\rangle\) の到達できる族の外にあれば、どんな最適化アルゴリズムもそれを見つけられません。多数のPauli項を化学的精度で測定するには、非常に多くの回路の繰り返しが必要です。そして古典側の最適化地形は 不毛の台地（barren plateau）に苦しむことがあります。これは系のサイズとともに勾配が指数的に消失する領域で、探索が止まってしまいます。

📚 QAOAを一段落で

量子近似最適化アルゴリズム（QAOA） は、同じハイブリッドの処方を組合せ最適化に適用します。Max-Cut、スケジューリング、ポートフォリオ選択のように、答えが分子のエネルギーではなくビットの選択である問題です。コスト関数は、その基底状態が最適なビット列となるハミルトニアンとして符号化され、「コスト」層と「ミキサー」層が交互に並ぶ浅い回路を古典最適化アルゴリズムが調整します。QAOAが実際の問題例で優れた古典ヒューリスティクスを上回るかどうかは、いまだ未解決の研究課題です。最適化における優位性の主張は、他のNISQ時代の主張と同じ慎重さで扱ってください。

5.5 ハンズオン: NumPyによるおもちゃのVQE

考えうる最小の例、すなわち 単一の量子ビット でループを具体化しましょう。ハミルトニアンとして

\[ \hat{H} = 0.4\,Z + 0.3\,X \]

をとります。これは分子ハミルトニアンを量子ビットに写像した後にとる形そのもの、すなわちPauli演算子の重み付き和です。アンザッツは \(|0\rangle\) を \(y\) 軸のまわりに回転させるものにします。

\[ |\psi(\theta)\rangle = R_y(\theta)|0\rangle = \cos\frac{\theta}{2}|0\rangle + \sin\frac{\theta}{2}|1\rangle \]

このアンザッツは \(|0\rangle\) と \(|1\rangle\) の任意の実の重ね合わせに到達でき、かつハミルトニアンが実なので、厳密な基底状態はこの族の 中に あります。したがって最適化が成功すれば厳密な答えに到達するはずです。これは完璧なテストケースになります。VQEの結果を numpy.linalg.eigh と照合できるからです。

import numpy as np

# --- 1. 問題設定: Pauli基底で書いた1量子ビットハミルトニアン ---
X = np.array([[0, 1], [1, 0]], dtype=float)
Z = np.array([[1, 0], [0, -1]], dtype=float)

# H = 0.4 Z + 0.3 X （量子ビットに写像した分子ハミルトニアンの代用）
H = 0.4 * Z + 0.3 * X

# --- 2. アンザッツ: |psi(theta)> = Ry(theta)|0> ---
def ry_state(theta):
    """|0> をy軸まわりに角度theta回転して得られる状態。"""
    return np.array([np.cos(theta / 2.0), np.sin(theta / 2.0)])

def energy(theta):
    """<psi(theta)|H|psi(theta)> — 量子コンピュータが測定する量。"""
    psi = ry_state(theta)
    return float(psi @ H @ psi)

# --- 3. ハイブリッドループ、ステップ1: 粗いグリッド走査 ---
grid = np.linspace(0.0, 2.0 * np.pi, 25)
values = np.array([energy(t) for t in grid])
i_best = int(np.argmin(values))
theta = grid[i_best]
print("Grid scan over 25 angles")
print(f"  best theta  = {theta:.4f} rad")
print(f"  best energy = {values[i_best]:.6f}")

# --- 4. ハイブリッドループ、ステップ2: パラメータシフト則による勾配降下 ---
# このアンザッツでは厳密な勾配が [E(theta+pi/2) - E(theta-pi/2)] / 2 で与えられ、
# これは「同じ回路」を2つのずらした角度で評価する式である。
def parameter_shift_gradient(theta):
    return 0.5 * (energy(theta + np.pi / 2) - energy(theta - np.pi / 2))

learning_rate = 0.4
for step in range(200):
    theta -= learning_rate * parameter_shift_gradient(theta)
vqe_energy = energy(theta)
print("Gradient descent (200 steps, parameter-shift rule)")
print(f"  optimal theta = {theta:.6f} rad")
print(f"  VQE energy    = {vqe_energy:.9f}")

# --- 5. 参照値: 厳密対角化 ---
exact_values, exact_vectors = np.linalg.eigh(H)
print("Exact diagonalization")
print(f"  eigenvalues   = {exact_values[0]:.9f}, {exact_values[1]:.9f}")
print(f"  ground energy = {exact_values[0]:.9f}")
print(f"  |VQE - exact| = {abs(vqe_energy - exact_values[0]):.2e}")

# --- 6. 基底エネルギーだけでなく、基底「状態」も見つけられたか？ ---
overlap = abs(ry_state(theta) @ exact_vectors[:, 0])
print(f"Overlap with true ground state = {overlap:.9f}")

出力:

Grid scan over 25 angles
  best theta  = 3.6652 rad
  best energy = -0.496410
Gradient descent (200 steps, parameter-shift rule)
  optimal theta = 3.785094 rad
  VQE energy    = -0.500000000
Exact diagonalization
  eigenvalues   = -0.500000000, 0.500000000
  ground energy = -0.500000000
  |VQE - exact| = 0.00e+00
Overlap with true ground state = 1.000000000

結果の読み方。 注目すべき点が3つあります。

ハミルトニアンの係数を変えてみたり、基底状態に到達 できない アンザッツに \(R_y\) を置き換えてみたりしてください。エネルギーが \(E_0\) より上で頭打ちになるのが見えるはずです。これは、良すぎる誤答からあなたを守っている変分原理そのものです。

このおもちゃが隠していること。 ここでは \(\langle \hat{H} \rangle\) を状態ベクトルから厳密に計算しました。実機は有限回の測定ショットからこれを推定するので、どのエネルギー値にも統計的なノイズが乗り、最適化アルゴリズムはそれに対処しなければなりません。また単一量子ビットは古典的に自明にシミュレートできます。面白い領域は、状態ベクトルがメモリに収まらなくなったところから始まります。

5.6 化学と材料: 自然なキラーアプリケーション

📚 Feynmanの議論

1980年代初頭、Richard Feynmanは、いまなおこの分野全体を枠づける指摘を行いました。量子系を古典コンピュータでシミュレートすることが難しいのは構造的な理由による、というものです。相互作用する \(n\) 個の量子粒子の状態は、\(n\) とともに指数的に増大する量の古典データを必要とします。彼が提案した処方は率直でした。シミュレータの方も量子力学で作ればよい のです。

これが、電子構造が最もよく引き合いに出される応用である理由です。私たちは量子コンピュータに、自分にとって異質なものを模倣させようとしているのではありません。ある量子系を別の量子系で表現させようとしているのです。この対応は自然であり、厳密な古典手法を止めてしまう指数の壁は、量子デバイスにとっては壁ではありません。

もちろん古典的な量子化学は途方もない成功を収めています。密度汎関数理論（DFT）は数百原子を日常的に扱いますし、結合クラスター法は素直な分子に対して高い精度に達します。困難が集中するのは 強相関 系 — 遷移金属錯体、結合の解離、一部の磁性材料や触媒材料 — であり、そこでは波動関数を1つの支配的な配置で十分に近似できず、厳密な手法は指数的にスケールします。

📚 H₂: 定番の実証

水素分子は、量子コンピュータ上の量子化学にとって、プログラミングにおける「Hello, World」に相当します。最小基底系では、H₂の電子ハミルトニアンは少数の量子ビットに写像され、Pauli項の重み付き和になります。これは上のコードの \(0.4Z + 0.3X\) と構造的に同じ対象で、項が増えただけです。核間距離を変えながらVQEを実行すると、平衡結合長に最小値を持つ ポテンシャルエネルギー曲線 が描き出されます。

2014年にVQEが提案されて以来、H₂や、LiH、BeH₂といった他の小分子が、複数のハードウェアプラットフォームでベンチマークとして使われてきました。これらは実験的制御の本物の達成です。ただし何を実証しているのかは明確にしておきましょう。これらの分子はいずれも、ノートPC上でより高い精度で、より速く解けます。実証しているのは手法の妥当性であって、計算上の優位性ではありません。

📚 正直な現状報告

では、私たちはどこに立っているのでしょうか。正直な要約は3つの部分からなります。

これは悲観の理由ではありませんが、較正が必要な理由ではあります。化学における量子優位性の主張に接したら、こう問うてください。同じ問題に対して、本気で勝とうとしている人が回した最良の古典手法は何か、と。

📚 マテリアルズ・インフォマティクスとのつながり

AI寺子屋のマテリアルズ・インフォマティクスや機械学習の側から本シリーズに来た方のために、両方向に効くつながりを明確にしておく価値があります。

データ源としての量子コンピューティング。 材料の機械学習モデルはデータで訓練されます。通常はDFT計算、ときには実験データです。モデルの精度はそのデータの精度に上限を課されます。もし量子シミュレーションが、DFTがうまく扱えない強相関系に対して信頼できるエネルギーを供給するようになれば、それは1つの計算だけでなく 訓練データ集合そのもの を改善します。これはてこの効いた効果です。

ベンチマークとしての古典手法。 一方で、MIのワークフローの規律がここにそのまま当てはまります。テストセットを取り分け、強いベースラインと比較し、正直な誤差を報告することです。最良の古典手法と比較されていない量子計算の結果は、ほとんど何も教えてくれません。ベースラインなしに報告された機械学習モデルと同じ教訓です。

ハイブリッド思考が共通のスキルです。 VQEは、古典最適化ループに包まれた量子サブルーチンです。「高価な評価器を安価な最適化アルゴリズムの内側に置く」というこのアーキテクチャは、材料探索におけるベイズ最適化や能動学習の背後にあるパターンとまったく同じです。一方の分野で培った直観は、もう一方に転移します。

🎯 演習問題

  1. 回路深さの予算: 2量子ビットゲートの誤り率が \(\epsilon = 10^{-3}\) のとき、成功確率が1/2を下回るまでに何個のゲートを適用できるか見積もってください。\(\epsilon = 10^{-2}\) についても繰り返し、ゲート忠実度の1桁の違いが何をもたらすかを論じてください。
  2. 変分的な上界: コード中のアンザッツを \(\theta \in [0, \pi/2]\) に制限した \(|\psi(\theta)\rangle\) に置き換えてください。最適化されたエネルギーが厳密な基底エネルギーより 上 にとどまることを数値的に示し、変分原理がなぜそれを保証するのかを説明してください。
  3. パラメータシフト則: \(\hat{H} = aZ + bX\) と \(R_y\) アンザッツについて、\(E(\theta) = a\cos\theta + b\sin\theta\) となることを解析的に示し、パラメータシフトの公式が \(dE/d\theta\) を厳密に再現することを確認してください。
  4. プラットフォームの選択: あるアルゴリズムが、離れた量子ビット間の多数のゲートを必要とするとします。5.2節の表を使って、どのハードウェア方式が有利かを論じ、他の方式ではどんなコストがかかるかを述べてください。
  5. 主張を批判的に読む: 量子化学計算に関する公開発表を1つ見つけ、(a) 物理量子ビットか論理量子ビットか、(b) 分子と基底関数系、(c) 古典的ベースラインが報告されているか、を特定してください。

まとめ

本章では、理想化された回路から実際に存在する機械へと降りてきました。NISQ は今日の領域 — 完全な誤り訂正を持たない数十から数百のノイズのある量子ビット — を表し、その中心的な制約は \(1/\epsilon\) 程度に限られた回路深さです。主要な ハードウェア方式 を比較し、超伝導回路・イオントラップ・光子・中性原子がそれぞれゲート速度をコヒーレンスと接続性と引き換えにしており、まだ勝者がいないことを見ました。量子誤り訂正 は、多数の物理量子ビットに符号化された論理量子ビットによって出口を提供し、近未来では表面符号が有力な方式ですが、符号化オーバーヘッドは分野全体のタイムラインを決めるほど大きなものです。変分アルゴリズム、すなわちVQEやQAOAが実践的な応答です。量子デバイス上の浅いパラメータ付き回路を古典最適化ループで包み、変分原理に守られます。NumPyによるおもちゃのVQEは、\(0.4Z + 0.3X\) の厳密な基底状態エネルギーを機械精度で再現し、ハイブリッドループ全体を50行足らずで示しました。最後に、化学と材料の量子シミュレーション が最も自然な応用であること — 量子系は量子機械でシミュレートすべきだというFeynmanの議論 — を確認し、H₂を定番の実証として取り上げ、真に有用で古典的に手に負えない計算は、私たちの後ろではなく前方にあることを見ました。

これで 量子コンピュータ入門 シリーズは完結です。あなたは文献を読むための語彙と、数学を追うための線形代数、そして同じくらい重要なこととして、本物の結果とプレスリリースを見分ける較正を手にしました。量子ビットの下にある物理をより深く学びたければ 量子力学入門 シリーズが自然な次の一歩です。応用をより深く学びたければ、マテリアルズ・インフォマティクスのシリーズが、今日のデータ駆動型材料探索の姿を示してくれます。

← 第4章: 量子アルゴリズム シリーズトップ →

免責事項

シリーズトップへ戻る