1. 出発点：AIの電力需要と量子コンピューターへの期待
AIが大きくなるほど、計算に使う電気も増えていきます。国際エネルギー機関（IEA）によると、データセンターは2024年に世界の電力消費の約1.5%にあたる415テラワット時（TWh）を使用し、2030年には約945TWhと2倍以上に増える見通しです。IEAは、この増加の最大の要因としてAIを挙げています。
こうした流れの中で、「量子コンピューターがAIの限界を解いてくれるだろう」という期待がしばしば語られます。しかし物理学者のジョン・プレスキル氏は、NISQ（ノイズのある中規模量子）技術を扱った2018年の論文で、ゲートのノイズが安定して実行できる回路の大きさを制限するとし、100量子ビット級の量子コンピューターが「すぐに世界を変えることはないだろう」と記しました。この記事では、期待ではなく、論文や公式発表が実際に示したものをたどっていきます。
2. 量子優位の実験が実際に示したもの
2019年、グーグルの研究チームはNature（Aruteほか）で、53量子ビットの超伝導プロセッサー「シカモア（Sycamore）」が、1つのランダム量子回路を100万回サンプリングするのに約200秒かかったと発表しました。同じ作業を最先端の古典スーパーコンピューターで行えば約1万年かかるというのが当時のベンチマークで、研究チームはこれを「この特定の計算課題についての」量子優位の実験的実現と表現しました。論文は同時に、シミュレーション手法が着実に進歩してきたとして、ここで報告したものより低いシミュレーションコストがいずれ達成されると予想する、とも記しています。ただし、より大きな量子プロセッサーのハードウェア改良がそのスピードを上回り続けるだろうという見通しも併せて示しました。
反論はすぐに出ました。IBMの研究チームはarXiv:1910.09534で、補助記憶装置を活用すれば、オークリッジ国立研究所のスーパーコンピューター「サミット（Summit）」でこうした回路を高い忠実度で数日以内にシミュレーションできると分析しました。その後、Pan・Chen・Zhangの各氏はarXiv:2111.03011で、53量子ビット・20サイクルのシカモア回路について、相関のないサンプル100万個を512基のGPUからなるクラスターで約15時間で生成したと報告しました。目標忠実度は約0.0037でした。
中国科学技術大学（USTC）の研究チームも、同様の実験を続けました。超伝導プロセッサー「祖沖之2.1」は66量子ビットを備え、60量子ビット・24サイクル規模のランダム回路サンプリングを約4.2時間で実行しました。研究チームは、同じ作業を古典的にシミュレーションすると約4.8×10⁴年かかると推定しています（Zhuほか、arXiv:2109.03494）。この論文の要旨は、「改善を続ける古典アルゴリズムやハードウェアとの競争に耐えるには」量子ハードウェアをアップグレードしなければならない、という一文から始まります。同じ研究グループの光量子コンピューター「九章」は、ガウシアンボソンサンプリングの実験で、最大76個の出力光子の検出信号を観測しました（Zhongほか、arXiv:2012.01625）。
まとめると、これらの実験は特定のサンプリング課題において量子装置と古典計算の競争を示したものであり、AIモデルをより速く学習させた結果ではありません。
3. 量子機械学習は何をしようとしているのか
量子機械学習の代表的な出発点は、2019年にNatureに掲載されたHavlíček氏らの論文（arXiv:1804.11326）です。研究チームは、サポートベクターマシン（SVM）のようなカーネル法が広く使われている一方で、特徴空間が大きくなり、カーネル関数を計算するコストが膨らむと限界が生じると指摘します。そして、量子アルゴリズムが高速化を得る核心は、もつれと干渉を制御して指数関数的に大きな量子状態空間を活用する点にあると説明しています。
この論文は、超伝導プロセッサー上で2つの手法を提案し、実証しました。1つは変分量子回路で訓練データを分類する「量子変分分類器」、もう1つは量子コンピューターでカーネル関数を推定し、その値で分類器を最適化する「量子カーネル推定器」です。どちらの手法も、量子状態空間を分類問題の特徴空間として使います。
重要なのは、表現の強さです。論文は、量子コンピューターでしか効率的にアクセスできない特徴空間が、量子優位へ向かう「可能な経路」を提供すると書いています。論文が示したのは確立された利点ではなく、これから検証すべき方向性です。
4. 現在の代表的な戦略：変分量子アルゴリズム（VQA）
Nature Reviews Physicsに掲載されたCerezo氏らのレビュー（2021年、arXiv:2012.09265）は、現在の状況を次のようにまとめています。複雑な量子系のシミュレーションや大規模な線形代数の問題は古典コンピューターには非常に難しく、量子コンピューターが解法を約束しますが、誤り耐性のある量子コンピューターが近い将来に登場するのは困難です。今の装置は量子ビット数が少なく、ノイズが実行できる回路の深さを制限しています。
この制約に対応する代表的な戦略が、変分量子アルゴリズム（VQA）です。パラメーターを持つ量子回路を古典的な最適化器で訓練する方式で、量子装置がコスト関数を推定すると、古典コンピューターがその値を受け取って回路のパラメーターを更新します。勾配も、量子ハードウェアで回路を追加実行して求める「パラメーターシフト則」によって推定できます。つまり、よく言われる「量子コンピューターが計算してGPUが誤差逆伝播を回す」という図式とは、構造が異なります。分子の基底状態エネルギーを求めるVQEや、組合せ最適化問題の近似解を探すQAOAが、この枠組みに属します。
レビューは、VQAが量子優位を得るための「最良の希望」と見られるとしながらも、訓練可能性・精度・効率という課題が残っていると明記しています。
5. 学習を阻む壁：不毛な台地（バレンプラトー）
訓練可能性の問題を代表する例が「不毛な台地（barren plateau）」です。Nature Communicationsに掲載されたMcClean氏らの論文（2018年、arXiv:1803.11173）は、パラメーター付き量子回路の初期値としてランダム回路がよく提案されるものの、ヒルベルト空間の指数関数的な次元と勾配推定の複雑さのために、数量子ビットを超えるハイブリッドアルゴリズムには適さないことを示しました。
具体的には、幅広い範囲のパラメーター付き量子回路において、勾配が一定の精度で0でない確率が量子ビット数に対して指数関数的に小さくなるというものです。研究チームはこれをランダム回路の2-design性と結びつけ、解決策を研究する必要があると結論づけました。量子ビットを増やすだけでは学習が良くなるわけではなく、むしろ初期化と回路構造を慎重に設計しなければ、学習そのものが止まってしまいかねないということです。
6. ハードウェア：3つの方向性と公開された数値
超伝導方式は、グーグルのシカモアやIBMが採用している方式です。IBMのハードウェア・ロードマップのページによると、IBMの量子コンピューターには133量子ビットのHeron r1、156量子ビットのHeron r2・r3、120量子ビットのNighthawkがあり、Heron系列は調整可能なカプラーを備えています。IBMは、Quantum System Two（システム・ツー）を自社の主力システムであり、「量子中心スーパーコンピューティング」の中核だと紹介しています。
イオントラップ方式は、電磁気力でイオンを捕らえて量子ビットとして使います。IonQの技術紹介ページは、イオンを環境から隔離することでノイズとコヒーレンスの損失を減らし、量子ビットが物理的な配線でつながっていないため、すべての量子ビットが互いに直接相互作用できると説明しています。クオンティニュアムは2024年4月16日、商用システムH1-1のすべての量子ビットのペアで、2量子ビットゲート忠実度99.914(3)%を達成したと発表しました。いずれも企業自身による発表である点は考慮する必要があります。
中性原子方式は、電荷を持たない原子を並べて量子ビットとして使います。Nature掲載のBluvstein研究チーム（ハーバード大学など）の論文（2023年12月オンライン掲載）は、再配置が可能な中性原子配列において、最大280個の物理量子ビットで動作する論理量子ビットベースのプロセッサーを報告しました。表面符号の距離を3から7に増やして2量子ビット論理ゲートを改善し、論理GHZ状態を誤り耐性のある方式で生成し、最大48個の論理量子ビットでサンプリング回路を実装しました。
7. 誤り訂正、そして化学シミュレーションへの期待
Bluvstein研究チームは、論文の最初の一文で、誤りの抑制が有用な量子コンピューティングの核心的な課題であり、大規模な演算には量子誤り訂正が必要だと記しました。情報を複数の物理量子ビットに分けて保持する「論理量子ビット」はオーバーヘッドが大きく、大規模な論理量子コンピューティングにとって相当な挑戦になるという説明も添えています。先に見たCerezoのレビューが、誤り耐性のある量子コンピューターを近い将来のことと見ていないのと同じ文脈です。
量子コンピューターの「キラーアプリケーション」としてしばしば挙げられる分野が、分子・材料化学です。しかしLee研究チームの分析（arXiv:2208.02199）は、量子化学で最もよくある課題である基底状態エネルギーの推定を対象に証拠を集めた結果、化学空間の全般にわたる指数関数的な量子優位の証拠はまだ見つかっていない、と結論づけました。量子コンピューターが量子化学に依然として有用である可能性はあるものの、この問題で指数関数的な高速化が一般に可能だと仮定しない方が慎重だというのが、著者らの立場です。
8. 各国と機関は何をしているのか
耐量子計算機暗号。米国国立標準技術研究所（NIST）は2024年8月13日、量子コンピューターによる攻撃に耐えられるよう設計した暗号標準3種を確定して発表しました。鍵カプセル化用のFIPS 203（ML-KEM）、電子署名用のFIPS 204（ML-DSA）とFIPS 205（SLH-DSA）で、NISTの耐量子計算機暗号標準化プロジェクトで初めて完成した標準です。
米国。国家量子イニシアチブ（NQI）は2018年の国家量子イニシアチブ法によって発足し、その後、2022会計年度の国防権限法（NDAA）と2022年の半導体科学法（CHIPS and Science Act）によって改正されました。連邦機関が実施するもので、14の国立量子情報科学（QIS）研究センターと量子産業コンソーシアムが含まれます。
欧州連合。クオンタム・テクノロジー・フラッグシップは、2016年の「クオンタム・マニフェスト」に続いて2018年に発足し、10年間でEU予算約10億ユーロ（見込み）により、量子コンピューティング・量子シミュレーション・量子通信・量子センシングおよび計測を支援します。初期段階の代表的なプロジェクトとして、超伝導回路ベースのOpenSuperQと、イオントラップシステムのAQTIONが紹介されています。
日本。理化学研究所（RIKEN）は、富士通などと協力して製作した64量子ビットの超伝導量子コンピューターを、2023年3月末に研究者向けクラウドで公開しました（RIKEN）。同年10月5日からは、RIKENと富士通が新たに開発した64量子ビット量子コンピューターと、富士通の40量子ビット量子シミュレーターを組み合わせたハイブリッドプラットフォームを、共同研究の企業・機関に提供しています（RIKEN）。
韓国。科学技術情報通信部は2023年6月27日、政府レベルで初めての「量子科学技術戦略」を発表し、2035年までに3兆ウォン規模を投資して先導国に対する技術水準85%を達成し、中核人材2,500人の育成、世界の量子産業シェア10%、量子企業1,200社の育成を目標として示しました（大韓民国政策ブリーフィング）。韓国標準科学研究院（KRISS）は、2024年に開発した20量子ビットの量子コンピューティングシステムをクラウドサービスとして産業界などに提供する予定で、50量子ビットシステムの開発計画も発表しました。
9. まとめ：代替ではなく検証の時間
「量子コンピューターがAIを変える」という一文を原典に照らしてみると、3つに分かれます。第一に、量子優位の実験は実在しますが、特定のサンプリング課題に限られ、古典計算との競争が続いています。第二に、量子機械学習は興味深い手法を提案しましたが、実用的な利点はまだ「可能な経路」のままで、不毛な台地（バレンプラトー）のような訓練の問題が確認されました。第三に、大規模な演算に必要な誤り訂正は、論理量子ビットの実験が進行中の段階です。
ですから、いま意味のある問いは「いつGPUを置き換えるのか」ではなく、「どの問題で、どんな条件で古典的手法より優れているのかを、誰が検証したのか」です。新しい発表を見るときには、課題が何だったのか、比較対象になった古典的手法が最新のものだったのか、数値が論文によるものか企業の発表によるものかを確認すれば、誇張と進展を区別できます。