量子人工知能とは何ですか? （下）

制作：中国科学普及協会

著者: ルアン・チュンヤン (清華大学物理学科)

プロデューサー: 中国科学博覧会

前回、量子人工知能は今日の量子コンピューティングと人工知能技術の最新の研究成果を統合し、多くの分野で大きな応用価値を示していると述べました。では、量子人工知能は現在どこまで発展したのでしょうか?

完璧な答えを見つける前に、まず正しい答えを見つけましょう

従来の人工知能の発展が古典的コンピュータのハードウェア性能によって制限されてきたのと同様に、量子人工知能の発展も量子コンピュータのハードウェア性能によって保証される必要があります。

しかし、現在の量子コンピュータが短期間で真に汎用的な量子コンピューティングの基準に到達することは困難です。言い換えれば、「量子コンピューティング」と「人工知能」の完璧な組み合わせを実現し、量子人工知能の潜在能力を真に引き出すには長い時間がかかるでしょう。

量子人工知能の模式図

（写真提供：Veer Gallery）

そのため、既存の量子コンピューティングハードウェア技術を短期的にどのように活用して人工知能が直面する実際的な問題を解決し、量子デバイスの計算能力を最大化するかは、科学者が常に考え続けている困難な問題です。

今日の量子コンピューティング デバイスにはすでに数十から数百の量子ビットが搭載されていますが、これは、既存の従来のコンピューターを置き換えて一般的な量子コンピューティングを実現できることを意味するものではありません。これは、量子コンピュータが計算プロセス中に外部からの干渉を非常に受けやすく、必然的に計算エラーが発生するためです。そのため、演算のエラー訂正機能を実現するためには、大量の追加量子ビットを導入する必要があり、このノイズの多い量子コンピューティングデバイスは、「ノイズの多い中間スケール量子（NISQ）」ステージとも呼ばれます。

量子コンピュータはまだ究極的かつ最も強力な形態に「進化」していませんが、NISQ デバイスに基づいて実用的な問題を解決することは可能です。たとえば、「ハイブリッド量子古典アルゴリズム」は、古典的なコンピュータを使用して複雑なアルゴリズムの問​​題を前処理し、それを量子デバイスに渡すことで量子コンピューティングの可能性を最大限に引き出すことができます。

人間の脳の計算を模倣する量子技術

（写真提供：Veer Gallery）

したがって、量子コンピューティングと人工知能を効果的に統合するためには、必ずしも最終形態にまで発展した汎用量子コンピュータは必要ありません。現状のNISQデバイスは、最も適切な選択肢であると言えます。

では、量子人工知能技術は現在、私たちの生活のどのような部分に応用されているのでしょうか?

量子ニューラルネットワーク - 人間の脳を模倣した量子人工知能

人間の知能は脳の複雑な生化学反応から生まれ、ニューロンは人間の脳の複雑な神経ネットワークを構成する基本単位です。一般的に、人間の脳は約 1,000 億個のニューロンで構成されており、ニューロン間の接続は最大 100 兆個あり、ニューラル ネットワークを形成しています。

ニューロン間の信号伝達

（写真提供：Veer Gallery）

各ニューロンは、抑制/興奮の 2 つの状態のみを取り得ます。これは、コンピューター計算における 0/1 コーディングに似ています。各ニューロンはマイクロスイッチのようなものです。近くのニューロンが多数活性化されると、それ自体も活性化され、神経信号の伝達と処理が完了します。

科学者たちは、人間の脳のニューラルネットワークにヒントを得て、量子人工知能技術を使って同様のプロセスを構築したいと考えています。人間の脳を模倣したこの思考方法は「量子ニューラルネットワーク」と呼ばれます。簡単に言えば、量子ニューラル ネットワークは、量子アルゴリズムの並列コンピューティングの利点を活用して、人工知能の認識パターンを最適化および高速化します。

ニューラルネットワーク図

（写真提供：veerフォトギャラリー）

私たちは現在、生活の中で、同じ製品、ラベル、植物などを識別するなど、周囲の物事を識別するために「スキャン」を使用することに慣れていますが、これらはすべてニューラル ネットワークの学習と最適化トレーニングに依存しています。

従来の人工知能では、ニューロン間の接続にはトレーニング用の大量のデータと、継続的な最適化のための大量の計算パワーリソースが必要です。一般的に、大規模なニューラル ネットワーク モデルには通常、相互接続された数十億のニューロンがあり、認識精度を向上させるには、認識結果に基づいてニューロン間の接続を継続的に調整する必要があります。

量子人工知能の助けを借りて、元々巨大なニューラルネットワークモデルを数学的な行列で表現し、量子コンピューティングの並列計算能力を使用して行列解決プロセスを加速することができます。このように、もともと極めて複雑だった量子ニューラルネットワークは、量子人工知能の処理によってシンプルかつ効率的なものになります。

量子生成敵対ネットワーク (QGAN) - 量子人工知能の攻撃と防御

誰もが人生の中でスパムのテキストメッセージや電子メールによる嫌がらせを受けた経験があると思います。迷惑なスパムテキストメッセージや電子メールをブロックするには、フィルターを使用して通常のメールとスパムメールを区別することができます。フィルターによる検出を回避するために、スパムメールはより複雑な手段を使用して送信されます。例えば、迷惑メールの特徴的な言葉を修正したり、メールの内容を並べ替えたりします。

スパムの送信者とフィルタリングされたメールの受信者の間のこの対決は、従来の生成的敵対的ネットワーク (GAN) プロセスです。ただし、この AI ベースの敵対的プロセスは、敵対的サンプルの選択に大きく依存するため、完璧ではありません。元のサンプルデータにわずかな偏差がある場合、システムは最終的に誤った決定を下すことになります。

スパム送信者とフィルター受信者の戦い

（写真提供：Veer Gallery）

スマートフォンのシールド機能と同様に、ほとんどの場合、迷惑メールや迷惑な嫌がらせの電話をフィルタリングするのに役立ちますが、通常のメッセージ通知も誤ってフィルタリングされ、日常生活に影響を与える可能性があります。

一般的に言えば、生成的敵対的ネットワークは、ジェネレーターと識別器という2 つの重要な部分で構成されます。その中で、ジェネレーターは、識別器の指示に従って、不規則なノイズ信号を入力として受け入れ、実際のデータに近い類似データに適合させます。一方、識別器は受信したデータを識別して、それが実際のデータであるか類似データであるかを区別し、最終的にそれをジェネレーターにフィードバックする役割を担います。

このようにして、生成器と識別器は、大量のコンピューティング リソースと高い電気代を費やして生成敵対ネットワークの継続的な最適化を完了するまで、攻撃と防御のトレーニングのラウンドで互いのパフォーマンスを継続的に向上させることができます。

従来の生成的敵対的ネットワーク (GAN) の概略図

（画像出典：参考文献[1]）

生成的敵対的ネットワークのトレーニングを加速するために、科学者たちは量子アルゴリズムを使用して量子生成的敵対的ネットワーク (QGAN) を実装することを提案しました。従来の生成的敵対的ネットワークと比較して、量子生成的敵対的ネットワークで処理されるデータは重ね合わせを伴う量子状態です。

量子生成敵対ネットワーク (QGAN) の概略図

画像出典：参考文献[2]

このようにして、量子生成敵対ネットワークによってトレーニングされた生成データは、現実的な効果を生み出します。つまり、この時点でジェネレーターは実データを作成する能力を持ち、ディスクリミネーターは実データと生成データを区別できなくなり、最強の攻撃と防御の対決が完成するのです。

将来は有望だ

実際、量子人工知能技術の発展は私たちが想像していたよりもはるかに速いです。従来の人工知能技術は主にビッグデータの検索タスクに使用されますが、量子アルゴリズムを使用する量子コンピュータは従来のコンピュータよりも効率的に検索タスクを完了できます。そのため、大規模で複雑な検索問題を最適化するために量子人工知能技術が使用されることが期待されています。

さらに、量子ゲーム理論や量子暗号など、量子人工知能技術には解決すべき具体的なアルゴリズム問題がまだ数多く残っています。これらは未来の世界への扉を開く技術的な鍵のようなもので、数え切れないほどの科学者を惹きつけ、量子人工知能の無限の可能性の探求に身を捧げさせています。量子人工知能はまだ探究と開発の段階にありますが、大きな応用の可能性を示しています。科学者が技術的なボトルネックを打破し続けるにつれて、量子人工知能は量子化学、材料科学、薬物設計、金融リスク分析などの分野に革命的な影響を与えることが期待されています。

量子人工知能の出現は、私たちに驚きと知恵の組み合わせをもたらしたと言えます。量子コンピューティングの特殊な特性と人工知能の知恵を融合することで、コンピューティングと問題解決に対する考え方に革命をもたらす、より強力で効率的な AI システムが期待できます。

参考文献:

[1] 王覚、陸斌、朱岳飛。 （2022年）。敵対的ネットワーク トラフィックの生成と適用のレビュー。コンピュータサイエンス（S2）、651-661。

[2] Hu, L.、Wu, SH、Cai, W.、Ma, Y.、Mu, X.、および Xu, Y. 他。 （2019年）。超伝導量子回路における量子生成的敵対学習。サイエンスアドバンス、5(1)。