TECHNOLOGY EXPLAINER
産業応用の現実
― 期待されること、まだ分からないこと、「PoC」と「実運用」の違い
「量子コンピュータで物流が最適になる」「金融のリスク計算が一瞬になる」「AIが賢くなる」。こうした話を、どう受け止めればよいでしょうか。この記事は、最適化・金融・機械学習・線形方程式（流体や構造の計算の土台）などの応用について、理論上の高速化の種類、入出力の壁、誤り訂正の遅さを、小さな数値例で確かめます。量子機械学習は「分かっていること・分からないこと」に分け、最後に、PoC（概念実証）と実運用の区別と、依頼や発表を読むときの質問をまとめます。期待も失望も誇張しないことが目的です。
- 3行でわかる／読む前に／シリーズの中での位置
- 応用を判断する4つの問い
- 速さの「種類」と、誤り訂正の重さ ― 計算で確かめる
- 最適化 ― 期待は大きいが、速さの保証は弱い
- 金融 ― 二次の高速化と、必要な規模の見積り
- 線形方程式と微分方程式 ― 「細字の注意書き」を読む
- 量子機械学習 ― 分かっていること・分からないこと
- PoC（概念実証）と実運用の区別 ― 依頼や発表を読む質問
- 素材技術者から見て
- 限界と、確認できなかったこと／まとめ
- 評価・標準の読み方
- 用語集
- 参考資料（一次情報）
- 主張と出典の対応表（監査）
事実＝公表資料に記載のある内容（出典リンクあり）
本稿の計算＝明示した前提をもとに本記事が算出した値
未確定／将来＝計画・目標・草案・改訂中・策定中・見通しなど、確定していない事項
このほか、素材技術者向けの読み取りは「解説」として区別しています。推測は太字で示します。企業の発表は「企業の主張」と明記します。
1. 3行でわかる／読む前に／シリーズの中での位置
- 量子コンピュータの応用は、「速さの種類」で実用性が大きく変わります。指数的な高速化は有望ですが条件が厳しく、二次（√）の高速化は誤り訂正の遅さに食われやすい、と分析されています事実［参考資料2・3］
- 最適化・金融・機械学習・線形方程式のどれにも、期待される使い方とまだ分からない点があります。量子機械学習では、古典に再現された例（推薦システム）や、小規模の比較で古典が上回った結果もあります事実［参考資料18・20］
- PoC（概念実証）で動いたことは、実運用で価値が出ることを意味しません。この記事の質問リスト（第8章）で、依頼や発表を読んでください。DARPA は「計算の価値がコストを上回る」ことを実用規模の基準にしています事実［参考資料22］
量子ビットの状態は矢印（北極が0、南極が1、斜めが重ね合わせ）、測ると0か1に決まる、というたとえを使います（本シリーズ「量子コンピュータの基礎」編）。この記事は単独でも読めるよう、必要なことを説明します。
用語を2つだけ先に。古典コンピュータは、ふつうのコンピュータ（スーパーコンピュータを含む）。ヒューリスティックは、「うまくいくことが多いが、速さや正しさの保証はない」方法のことです。
「量子アルゴリズム」→「NISQとハイブリッド計算」→「量子優位性の読み方」→この記事（産業応用の現実）の順がおすすめです。化学・材料の応用は「量子化学・材料シミュレーション」編、暗号は「耐量子計算機暗号」編、センシングは「量子センシング」編、各国の戦略は「各国の量子戦略」編で扱うため、この記事では最適化・金融・機械学習・線形方程式を中心にします。
2. 応用を判断する4つの問い
量子コンピュータの応用の話を聞いたとき、次の4つを順に確かめると、期待の大きさが見えてきます。
Dalzell らの調査は、量子コンピュータの応用が、科学から産業まで（量子化学、多体物理、最適化、金融、機械学習など）に広がると期待されると述べたうえで、それぞれの提案は、誤り訂正や耐故障の方法を取り込んだ総合的な複雑さで評価しないと、どれだけ量子の恩恵があるのか判断しにくい、と注意しています事実［参考資料4］。つまり、アルゴリズムの理論上の速さだけでなく、実機で動かすまでの全部の手間を数えるのが出発点です。
3. 速さの「種類」と、誤り訂正の重さ ― 計算で確かめる
「量子で速くなる」と言っても、速くなり方に種類があります。たとえば、N 個の候補から探すのに、古典は N に比例する時間がかかりますが、Grover の探索は約 √N 回の操作で済みます（二次の高速化）事実［参考資料1］。N=100万なら、100万回が1,000回になるので、一見すると大きな差です。
ところが、誤り訂正をした量子コンピュータでは、1つの論理操作が、古典の1ステップよりずっと遅いのです。Babbush らは、誤り訂正を含めた実行時間を、表面符号の構成を使って計算し、二次の高速化は、誤り訂正の方法が大きく改善されない限り、初期の耐故障機では量子優位を生まない、一方で四次の高速化は現実的に見える、と結論しました事実［参考資料2］。次の図は、この論理を、仮の数字で確かめるものです。
| 量子の1ステップ（r） | 古典1コアとの損益分岐 N*（N*＝r²） | そのときの時間 | 古典1,000コアのとき N* |
|---|---|---|---|
| 10³ ns（1 µs） | 10⁶ | 1 ms | 10¹² |
| 10⁶ ns（1 ms） | 10¹² | 1,000 s（約17分） | 10¹⁸（時間は約278時間） |
| 10⁹ ns（1 s） | 10¹⁸ | 10⁹ s（約32年） | 10²⁴ |
本稿の計算。古典は1候補に1 ns と仮定、量子は √N × r ns（二次の高速化）。損益分岐 N* で √N × r = N × 1 ns となる。古典が K コアで並列に動くと N* = (K × r)²（量子側が並列化できない場合）。説明用の値で、実機の速度ではありません。
- 量子の1ステップが古典の100万倍遅い（r=10⁶）と、N が10¹²（1兆）より小さい問題では、古典のほうが速いです。N=10¹² でも、損益分岐の時間は約17分です本稿の計算
- 古典が1,000コアで並列に動くと、損益分岐は N=10¹⁸ に動き、そのときの時間は約278時間（約12日）になります本稿の計算。「N が大きければ量子が勝つ」と言っても、勝つ領域は、とても大きな問題か、とても長い時間の側に押しやられるのです
- Hoefler らは、実用的な量子優位には、小さなデータの問題と超二次の高速化が欠かせず、多くの提案された応用はその条件を満たさないが、材料科学と化学には大きな可能性がある、と論じました事実［参考資料3］
√の高速化は、特定の構造をもつ問題（Grover の探索や、モンテカルロ法の誤差の縮小など）にだけ当てはまり、しかも理論上の「ステップ数」の話です。実際の時間は、1ステップの遅さ、誤り訂正の負担、データの読み込みで決まります（上の計算）。正しい読み方：「ステップ数が減る」と「実際に速い」は別のことです。
4. 最適化 ― 期待は大きいが、速さの保証は弱い
物流、スケジューリング、ポートフォリオ、設計の最適化など、組合せ最適化は、量子コンピュータの応用として最もよく挙げられます。Abbas らの総説は、最適化を「厳密に解く設定」と「ヒューリスティックな設定」に分け、計算量理論で、それぞれで量子優位がありうる場所を整理しています。また、古典の最適化手法と適切に比べる指標（ベンチマーク）を示すことの大切さと、金融・持続可能性の分野が、実際の影響を試す題材になりうることを述べています事実［参考資料5］。
| 方式 | 速さの保証 | 現状（一次情報） | 分かっていないこと |
|---|---|---|---|
| Grover 型（厳密な探索の高速化） | 二次（√N）の高速化の保証あり事実［参考資料1］ | 誤り訂正を含めると、損益分岐が非常に大きな問題になる（第3章）［参考資料2］ | 実際の産業問題で、損益分岐を超えるサイズがあるか |
| QAOA・VQE（ゲート方式のヒューリスティック） | なし（試して比べる） | 小さな問題の実験。ノイズ下の限界の議論もある（「NISQとハイブリッド計算」編） | 古典の最良のソルバーを上回る実例 |
| 量子アニーリング | なし（試して比べる） | 優位性の主張と古典側の結果が続く（「量子アニーリング」編） | 実際の最適化問題で、総時間・総コストで勝つか |
各方式の整理は本記事の解説です（参考資料の記述にもとづく）。
実例として、Neukart らは、交通流の最適化の問題を量子アニーリングに写し、装置の大きさと結合の制約から、量子と古典を組み合わせた方法で解く例を示しました事実［参考資料6］。これは、「実世界の問題を、量子の装置の形に落とし込める」ことを示すPoCであり、古典の最良の方法に対する優位を示したものではありません（本記事による解説。第8章で PoC の読み方を扱います）。
5. 金融 ― 二次の高速化と、必要な規模の見積り
金融でよく挙げられるのは、デリバティブの価格付けやリスクの計算に使うモンテカルロ法（乱数で何度も試して平均を取る方法）です。Montanaro は、任意のモンテカルロ法の誤差を、古典の最良の方法より、ほぼ二次の高速化で減らせる量子アルゴリズム（振幅推定）を示しました事実［参考資料7］。Stamatopoulos らは、これを使ってオプションの価格を求める方法を示し、IBM の量子ハードウェア（IBM Q Tokyo）で小さな例を実行し、誤り緩和で誤りを減らしました事実［参考資料8］。
では、実用の規模には、どれだけ要るのでしょうか。Chakrabarti らは、デリバティブ価格付けで実用的な量子優位を得るための資源を、初めて完全に見積もりました。2種類のベンチマーク（オートコーラブルと TARF）で、約8,000の論理量子ビットと5,400万の T 深さが必要で、優位には、これを1秒のオーダーで実行する必要がある、としています事実［参考資料9］。
- 論文自身が、必要な資源は「現在のシステムの手の届かない」ものだと述べ、アルゴリズムと実装、計画中のハードの改良に向けた道筋を示すものとしています事実［参考資料9］
- 図の概算では、必要な論理操作の速さが、Hoefler らの想定の約5,000倍です本稿の計算。前提を変えれば変わりますが、量子ビットの数だけでなく、論理操作の速さも大きな壁だと分かります
- 金融の量子計算の総説（Herman ら）が、課題と展望を整理しています事実［参考資料10］。金融機関の発表は、PoC か実運用かを、第8章の質問で確かめてください
6. 線形方程式と微分方程式 ― 「細字の注意書き」を読む
流体の流れ、構造の変形、電磁場。工学の大きな計算の多くは、とても大きな連立一次方程式に帰着します。Harrow、Hassidim、Lloyd（HHL）は、行列がまばらで、条件数（解きにくさ）が κ のとき、解そのものではなく、解から作る量（期待値）を、log N と κ の多項式の時間で推定する量子アルゴリズムを示しました。古典の最良の方法は N√κ に比例する時間で、N について指数的な改善になる、とされます事実［参考資料11］。
ただし、Aaronson は「細字の注意書きを読め（Read the fine print）」と題した論説で、機械学習やデータ解析に指数的な高速化をうたう量子アルゴリズムは、細部を見ないと実際の高速化は判断できない、と論じました事実［参考資料12］。注意書きに当たるのは、おおまかに、次の4点です（本記事による整理）。
| 注意書き | 中身 | なぜ効くか |
|---|---|---|
| ① 入力 | 方程式の右辺（データ）を量子状態に入れる必要がある | 読み込みが重いと、高速化が消える（Hoefler ら：入出力の帯域の制約）［参考資料3］ |
| ② 条件数 | 行列の解きにくさ κ が大きいと、時間が増える | 工学の実際の行列は、κ が大きいことが多い（本記事による解説） |
| ③ 出力 | 得られるのは解の全体ではなく、解から作った1つの量（期待値） | 解の全部の成分が欲しい用途には向かない［参考資料11］ |
| ④ 比べる相手 | 古典の最良の方法（疎な問題に特化した方法など）と比べる必要 | 古典側の再評価で優位が消えた例がある（量子機械学習、第7章）［参考資料18］ |
Aaronson の論説（参考資料）の趣旨と、HHL・Hoefler らの記述にもとづく整理は本記事の解説です（論説の本文は確認していません）。
微分方程式（流体・構造・電磁場の計算）への応用も、同じ枠組みで研究されています。Dalzell らの調査は、こうした応用を含め、誤り訂正を取り込んだ総合的な複雑さで評価すべきだとしています事実［参考資料4］。どの具体的な工学の問題で、実際に古典を上回るかは、本稿の調査範囲では確認できませんでした。
7. 量子機械学習 ― 分かっていること・分からないこと
機械学習は「量子の応用」の花形ですが、最も誤解が多い分野でもあります。Biamonte らの総説は、量子の系が古典では効率よく作れない（と信じられている）パターンを作ることから、量子コンピュータが機械学習で古典を上回るかもしれない、という見方を示し、ハードとソフトの課題はなお大きいと述べています事実［参考資料13］。整理のために、「分かっていること」と「分からないこと」に分けます。
| 分類 | 内容（論文の記載） | 読み方 |
|---|---|---|
| 分かっていること①：証明された優位（人工的な課題） | Liu らは、古典のデータだけを使う教師あり分類で、離散対数の困難性を仮定すると、どの古典の学習器も当てずっぽうをほとんど超えられない構成のデータ集合を作り、耐故障の量子コンピュータで分類できることを示した［参考資料17］事実 | 課題は人工的で、耐故障の機械が前提。実データの優位ではない |
| 分かっていること②：量子データからの学習 | Huang らは、量子の系を安定な量子メモリに写して量子の機械で処理すると、必要な実験の回数が指数的に少ない課題を証明し、最大40量子ビット・1,300ゲートの実験で、有意な優位を示した［参考資料16］事実 | データが「量子の実験の出力」である場合の話。ふつうの画像・表のデータではない |
| 分かっていること③：古典に再現された | Tang は、推薦システムの量子アルゴリズム（指数的な高速化の最有力候補とされていた）に対して、多項式的にしか遅くない古典のアルゴリズムを示し、指数的な高速化はないと示した［参考資料18］事実 | 「量子で速い」とされた主張が、古典側の新手法で覆った例 |
| 分かっていること④：小規模の比較では古典が上 | Bowles らは、12種類の量子機械学習モデルを、6つの分類課題から作った160のデータ集合で比べ、そのまま使える古典のモデルが量子の分類器を上回る、量子モデルから「もつれ」を除くと同等かそれ以上の場合も多い、と報告［参考資料20］事実 | 小さな課題・シミュレーションでの結果。実機・大規模の結果ではない |
| 分かっていること⑤：データの力 | Huang らは、古典で計算が難しい問題でも、データから学ぶ古典の機械学習が易しく予測できる場合があることを示し、量子優位を評価する方法を作った。30量子ビットまでの数値実験で、設計したデータ集合では量子モデルの予測の優位も示した［参考資料15］事実 | 「古典で解けない」と「古典の学習で予測できない」は別 |
| 分からないこと① | 実データ・実規模（画像、文章、材料データなど）で、量子が古典を上回るか。ノイズのある装置で、実用の学習ができるか［参考資料19・20］未確定／将来 | Schuld と Killoran は、量子優位を目標にする語り方そのものを見直すことを提案 |
| 分からないこと② | 不毛の台地を避けられる回路は、古典でも効率よく扱える場合が多いという議論。学習しやすい回路ほど、量子が要らなくなるのか［参考資料21］事実未確定／将来 | 「NISQとハイブリッド計算」編。場合ごとの証拠で、結論は未確定 |
| 分からないこと③ | 大きなデータを量子状態に読み込むQRAM を、現実的なコストで作れるか［参考資料3］未確定／将来 | 耐故障の実装が前提で、帯域に根本的な制約がある（Hoefler ら） |
各論文の記載の整理（確認日 2026年10月16日）。「分かっていること」は、条件つきの結果です。
Havlíček らは、2つの方法を超伝導プロセッサで実装し、「量子で強化された特徴空間」を使う分類を実験で示しました事実［参考資料14］。ただし、この実験は小規模で、古典に対する優位を示したものではありません（本記事による解説）。
上の表のとおり、証明された優位は、人工的な課題や量子データに限られます。ふつうのデータでは、古典に再現された例や、小規模の比較で古典が上回った例があり、実データでの優位は未確認です。また、データの読み込みの壁があります（図の入口と出口）。正しい読み方：量子機械学習は「有望な研究分野」であり、現時点で「AIを置き換える技術」ではありません（本記事による解説）。
8. PoC（概念実証）と実運用の区別 ― 依頼や発表を読む質問
量子コンピュータの発表には、「共同でPoC（概念実証）を行った」という形が多くあります。PoC は、「動くか」を小さな問題で確かめるもので、実運用で価値が出るかを確かめるものではありません。この違いを、3段階で整理します。
| 段階 | 何が分かるか | 何は分からないか | 読み方の例（この記事の事例） |
|---|---|---|---|
| PoC（概念実証） | 問題を量子装置の形に写せること、装置が動くこと | 古典の最良の方法に対する優位、実規模での性能、総コスト | Neukart らの交通流の例（量子と古典の組合せ）［参考資料6］ |
| パイロット | 実データ・実規模で、古典と同条件で比べた結果 | 長期の運用・保守・他の問題への広がり | この記事では、第三者が検証したパイロットの例は確認できなかった |
| 実運用 | 総コスト・可用性・保守を含めて、価値が出ること | — | DARPA の「実用規模」＝計算の価値がコストを上回る［参考資料22］ |
3段階は本記事の解説です（標準化された区分ではありません）。
企業の発表の数字は、何を数えたかを確かめてください。たとえば、D-Wave の2025年5月の発表は、Advantage2 の試作機で「2,060万件を超える顧客の問題が実行された」こと、Japan Tobacco が量子と AI を創薬に使った概念実証を行ったこと、可用性99.9%などを挙げています事実［参考資料31］（企業の発表）。実行された問題の件数は「使われた量」であって、「価値が出た量」ではありません。また、「概念実証」と書かれていることは、実運用ではない、という意味です（本記事による解説）。
① 古典の最良の方法（混合整数計画法、焼きなまし、機械学習など）と、同じ条件で比べたか。②実データ・実サイズの問題か、小さな見本か。③前処理・通信を含む総時間とコストか、チップの実行時間だけか。④第三者が確かめられる形（論文・公開データ・コード）で報告されているか。⑤運用の条件（可用性、安全、保守、人材）を満たせるか。
これらは、本記事の整理です。標準化された判定基準ではありません。第三者の枠組みとしては、IBM などの優位性トラッカー事実［参考資料23］、操作的な優位性の定義の提案事実［参考資料24］、DARPA の QBI事実［参考資料22］があります（第11章）。
9. 素材技術者から見て
素材・製造の現場に近い応用を、この記事の枠組みで仕分けると、次のようになります（本記事による解説）。
・電子状態の計算（触媒、電池材料、磁性）：「小さなデータ・大きな計算」型で、Hoefler らも有望とする領域です事実［参考資料3］。ただし、実機で試された規模はまだ小さく、詳しくは「量子化学・材料シミュレーション」編。
・配合・工程・スケジュールの最適化：古典の最適化ソルバーとベイズ最適化が強く、量子の優位を示した第三者の例は、本稿では確認していません。第3・4章の損益分岐の考え方が当てはまります。
・実験データの機械学習：データは少量なことが多く、量子機械学習の優位は未確認（第7章）。AI 材料探索は、古典の機械学習が先行しています（「マテリアルインフォマティクス」編）。
・流体・構造・伝熱のシミュレーション：線形方程式（第6章）の細字の注意書きの確認が先です。
量子コンピュータが実用になるかにかかわらず、量子の装置は、特別な素材と製造を求めます。超伝導体の薄膜と接合、基板の誘電損失、同位体を精製したシリコン、ダイヤモンド、光ファイバー・レーザー・検出器の材料、極低温の配線や熱伝導、冷凍機などです（本記事による解説。本シリーズの「超伝導量子ビット」「シリコンスピン量子ビット」「極低温と制御」「量子コンピュータの材料と製造」の各編で扱います）。
これは、素材企業にとって、量子コンピュータが「計算で役に立つ」かどうかとは別の、材料の需要と技術課題の話です。ただし、需要の規模や時期の予測は、この記事では扱いません（市場規模の推計は使わない方針です）。また、特定の企業の評価・投資の判断は書きません。
10. 限界と、確認できなかったこと／まとめ
(1) 確認できなかったこと
- Aaronson の論説の本文は確認していません（掲載ページの概要のみ）。表の「4つの注意書き」は、HHL の論文と Hoefler らの記述にもとづく本記事の整理です。
- 線形方程式・微分方程式の応用で、具体的な工学の問題で古典を上回ることを示した第三者検証済みの例は、確認できませんでした。
- 最適化・金融・機械学習で、実データ・実規模のパイロットや実運用で価値が出た第三者検証済みの例は、確認できませんでした。
- 各社のロードマップ（量子ビット数、時期）と、市場規模の推計は扱っていません。
- ISO/IEC 4879:2024 の本文は有料で、応用に関する用語や PoC の定義の有無は確認できませんでした。IEEE P7131 などは策定中のワーキンググループ活動として確認したにとどまります。
- 応用は、速さの種類・入出力・誤り訂正の遅さで判断します。二次の高速化は、量子の1ステップが100万倍遅いと、N が10¹² より小さい問題で古典が速くなります（仮の数字の計算）本稿の計算事実
- 最適化は期待が大きいが、ヒューリスティックでは速さの保証がなく、実世界の例は PoC の段階です事実
- 金融では、二次の高速化と、約8,000論理量子ビット・5,400万 T 深さ・約1秒という見積りがあります。必要な論理操作の速さは、想定の約5,000倍という概算です事実本稿の計算
- 線形方程式の指数的な高速化には「細字の注意書き」があります。量子機械学習は、証明された優位は人工的な課題・量子データに限られ、実データでは未確認です事実
- PoC の成功は、実運用の価値を意味しません。5つの質問で、古典の最良との同条件の比較、総コスト、第三者の検証を確かめます事実
11. 評価・標準の読み方
応用の「ものさし」は、アルゴリズムの理論上の複雑さ、誤り訂正を含めた資源見積り（論理量子ビット数、ゲート数、実行時間）、そして古典との同条件の比較です。さらに、応用を想定したアプリケーション指向のベンチマーク（QED-C、BACQ）が作られています。確認日は2026年10月16日です。
| 評価項目 | 代表的なベンチマーク・評価手法（名称・出典） | 標準・指針（ISO/IEC・IEEE・DARPA など） | 読み方の注意 |
|---|---|---|---|
| 総合的な複雑さ | 応用ごとの総合的な複雑さの調査（Dalzell ら）。誤り訂正を含む実行時間（Babbush ら）［参考資料4・2］事実 | 確認できなかった | 見積りは仮定（サイクル時間、誤り率、符号）に強く依存 |
| 資源見積りのツール | Azure Quantum Resource Estimator（van Dam ら）［参考資料27］事実 | 確認できなかった | ツールは設計の比較用。実機の性能ではない |
| アプリケーション指向のベンチマーク | QED-C のベンチマーク（Lubinski ら 2023）。フランスの BACQ（2024）［参考資料25・26］事実 | IEEE P7131（性能指標とベンチマークの標準案、ワーキンググループ活動中）［参考資料30］。ISO/IEC JTC 3/JSC 3A の WG 2（ベンチマーク）［参考資料28］事実未確定／将来 | 小さな問題の実行結果で、実用の価値を直接示すものではない |
| 優位性の追跡・定義 | 量子優位性トラッカー（IBM など）［参考資料23］。操作的な定義の提案（Lanes ら、査読前）［参考資料24］事実未確定／将来 | 確認できなかった | 主催側が企業を含む。第三者の検証とあわせて読む |
| 実用規模の基準 | DARPA QBI：実用規模＝計算の価値がコストを上回る。第三者の検証と評価［参考資料22］事実未確定／将来 | 米国政府機関のプログラム（国際規格ではない） | 2033年は DARPA の目標・見積り |
| 用語 | — | ISO/IEC 4879:2024（量子コンピューティングの用語、2024年5月発行）［参考資料29］事実 | 本文は有料で、PoC などの用語の有無は未確認 |
表の整理は本稿の計算（整理）。番号・題名・状態は ISO・IEEE SA・DARPA の公式ページで確認（確認日 2026年10月16日）。規格の本文は有料のため、適用範囲の記載にとどめ、要求事項は書いていません。
読み方の注意（素材技術者向け）
- 「何量子ビット」では応用の可否は分かりません：金融の例のように、必要なのは論理量子ビットの数と、論理操作の速さ、実行時間の組です［参考資料9・3］
- 企業の発表と第三者の検証は別です：PoC の発表や、実行された問題の件数、可用性の数字は、企業の発表です［参考資料31］。優位性の論争は、トラッカーなど公開の場で追えるようになりつつあります［参考資料23］。
- 計画と達成を区別してください：DARPA の2033年や各社のロードマップ、資源の見積りは目標・見積りです。標準の多くは策定中で、公開されても法令や契約で引用されて初めて拘束力を持つのが一般的です（本記事による解説）［参考資料22・30］。
12. 用語集
- PoC（概念実証）
- 小さな問題で「動くか」を確かめる試験。実運用の価値の証明ではない。
- パイロット
- 実データ・実規模で、古典と同条件で比べる試験運用。
- 実運用
- 総コスト・可用性・保守を含めて、価値が出ている状態。
- ヒューリスティック
- うまくいくことが多いが、速さや正しさの保証はない方法。
- 二次（√）の高速化
- 古典の N 回が約 √N 回になる高速化（Grover の探索など）。
- 指数的な高速化
- 問題の大きさに対して、時間が指数的に短くなる高速化。条件が厳しい。
- 損益分岐
- 量子と古典の所要時間が等しくなる問題の大きさ。
- 論理量子ビット／論理操作
- 誤り訂正で守られた量子ビットと、その操作。物理操作より遅い。
- T 深さ
- 誤り訂正後の回路の長さの目安（T ゲートの段数）。
- 資源見積り
- 計算に必要な論理量子ビット数・ゲート数・時間を設計から見積もること。
- モンテカルロ法
- 乱数で何度も試して平均から答えを得る方法。金融・物理で広く使う。
- 振幅推定
- モンテカルロ法の誤差を二次の高速化で減らす量子アルゴリズム。
- HHL
- 線形方程式の解から作る量を、指数的に速く推定するとされる量子アルゴリズム。注意書きが多い。
- 条件数
- 行列の解きにくさ。大きいと、HHL などの時間が増える。
- QRAM
- 大きなデータを量子状態に読み込む仕組み。耐故障の実装が前提。
- 量子機械学習
- 量子コンピュータで機械学習を行う研究分野。
- 不毛の台地
- 回路の景観が平らになり、学習の手がかりが消える現象。
- 脱量子化
- 量子アルゴリズムの高速化を、古典のアルゴリズムで再現すること。
- 実用規模（utility-scale）
- DARPA の定義で、計算の価値がコストを上回る規模。
- 量子優位性トラッカー
- 優位性の候補を集め、古典の最良の方法と比べる公開の記録。
- アプリケーション指向ベンチマーク
- 実際のアルゴリズム・応用の出来で、装置を測る試験（QED-C、BACQ）。
13. 参考資料（一次情報）
- Grover L. K. "A fast quantum mechanical algorithm for database search", arXiv:quant-ph/9605043 (1996) — arxiv.org/abs/quant-ph/9605043
- Babbush R. ほか "Focus beyond quadratic speedups for error-corrected quantum advantage", PRX Quantum 2, 010103 (2021), DOI 10.1103/PRXQuantum.2.010103 — doi.org/10.1103/PRXQuantum.2.010103
- Hoefler T., Häner T., Troyer M. "Disentangling hype from practicality: on realistically achieving quantum advantage", Commun. ACM 66(5), 82–87 (2023), DOI 10.1145/3571725 — doi.org/10.1145/3571725
- Dalzell A. M. ほか "Quantum algorithms: a survey of applications and end-to-end complexities", Cambridge University Press (2025), arXiv:2310.03011 — arxiv.org/abs/2310.03011
- Abbas A. ほか "Challenges and opportunities in quantum optimization", Nat. Rev. Phys. 6, 718–735 (2024), DOI 10.1038/s42254-024-00770-9 — doi.org/10.1038/s42254-024-00770-9
- Neukart F. ほか "Traffic flow optimization using a quantum annealer", Front. ICT 4, 29 (2017), DOI 10.3389/fict.2017.00029 — doi.org/10.3389/fict.2017.00029
- Montanaro A. "Quantum speedup of Monte Carlo methods", Proc. R. Soc. A 471, 20150301 (2015), DOI 10.1098/rspa.2015.0301 — doi.org/10.1098/rspa.2015.0301
- Stamatopoulos N. ほか "Option pricing using quantum computers", Quantum 4, 291 (2020), DOI 10.22331/q-2020-07-06-291 — doi.org/10.22331/q-2020-07-06-291
- Chakrabarti S. ほか "A threshold for quantum advantage in derivative pricing", Quantum 5, 463 (2021), DOI 10.22331/q-2021-06-01-463 — doi.org/10.22331/q-2021-06-01-463
- Herman D. ほか "Quantum computing for finance", Nat. Rev. Phys. 5, 450–465 (2023), DOI 10.1038/s42254-023-00603-1 — doi.org/10.1038/s42254-023-00603-1
- Harrow A. W., Hassidim A., Lloyd S. "Quantum algorithm for linear systems of equations", Phys. Rev. Lett. 103, 150502 (2009), DOI 10.1103/PhysRevLett.103.150502 — doi.org/10.1103/PhysRevLett.103.150502
- Aaronson S. "Read the fine print", Nat. Phys. 11, 291–293 (2015), DOI 10.1038/nphys3272 — nature.com/articles/nphys3272
- Biamonte J. ほか "Quantum machine learning", Nature 549, 195–202 (2017), DOI 10.1038/nature23474 — doi.org/10.1038/nature23474
- Havlíček V. ほか "Supervised learning with quantum-enhanced feature spaces", Nature 567, 209–212 (2019), DOI 10.1038/s41586-019-0980-2 — doi.org/10.1038/s41586-019-0980-2
- Huang H.-Y. ほか "Power of data in quantum machine learning", Nat. Commun. 12, 2631 (2021), DOI 10.1038/s41467-021-22539-9（オープンアクセス） — doi.org/10.1038/s41467-021-22539-9
- Huang H.-Y. ほか "Quantum advantage in learning from experiments", Science 376, 1182–1186 (2022), DOI 10.1126/science.abn7293 — doi.org/10.1126/science.abn7293
- Liu Y., Arunachalam S., Temme K. "A rigorous and robust quantum speed-up in supervised machine learning", Nat. Phys. 17, 1013–1017 (2021), DOI 10.1038/s41567-021-01287-z — doi.org/10.1038/s41567-021-01287-z
- Tang E. "A quantum-inspired classical algorithm for recommendation systems", Proc. 51st ACM STOC, 217–228 (2019), DOI 10.1145/3313276.3316310 — doi.org/10.1145/3313276.3316310
- Schuld M., Killoran N. "Is quantum advantage the right goal for quantum machine learning?", PRX Quantum 3, 030101 (2022), DOI 10.1103/PRXQuantum.3.030101 — doi.org/10.1103/PRXQuantum.3.030101
- Bowles J., Ahmed S., Schuld M. "Better than classical? The subtle art of benchmarking quantum machine learning models", arXiv:2403.07059 (2024) — arxiv.org/abs/2403.07059
- Cerezo M. ほか "Does provable absence of barren plateaus imply classical simulability?", Nat. Commun. 16, 7907 (2025), DOI 10.1038/s41467-025-63099-6 — doi.org/10.1038/s41467-025-63099-6
- DARPA "Quantum Benchmarking Initiative (QBI)" (program page; list current as of 8 October 2026) — darpa.mil/research/programs/quantum-benchmarking-initiative
- Gambetta J., Davis R. (IBM) "Quantum advantage tracker" (IBM Quantum blog, 23 February 2026) — ibm.com/quantum/blog/quantum-advantage-tracker
- Lanes O. ほか "A framework for quantum advantage", arXiv:2506.20658 (2025, preprint) — arxiv.org/abs/2506.20658
- Lubinski T. ほか "Application-oriented performance benchmarks for quantum computing", IEEE Trans. Quantum Eng. 4, 1–32 (2023), DOI 10.1109/TQE.2023.3253761 — doi.org/10.1109/TQE.2023.3253761
- Barbaresco F. ほか "BACQ — Application-oriented benchmarks for quantum computing", arXiv:2403.12205 (2024) — arxiv.org/abs/2403.12205
- van Dam W., Mykhailova M., Soeken M. "Using Azure Quantum Resource Estimator for assessing performance of fault tolerant quantum computation", arXiv:2311.05801 (2023) — arxiv.org/abs/2311.05801
- IEC/ISO JTC 3/JSC 3A "Quantum computing" (committee page: scope and working groups, including WG 2 benchmarking) — iso.org/committee/12010875.html
- ISO/IEC "ISO/IEC 4879:2024 Information technology — Quantum computing — Vocabulary" （ISO のページ） — iso.org/standard/80432.html
- IEEE SA "Quantum Benchmarking Working Group P7131" (working group site) — sagroups.ieee.org/7131/
- D-Wave Quantum Inc. "D-Wave Announces General Availability of Advantage2 Quantum Computer, Its Most Advanced and Performant System" (press release, 20 May 2025) — dwavequantum.com/company/newsroom/press-release/d-wave-announces-general-availability-of-advantage2-quantum-computer-its-most-advanced-and-performant-system/
14. 主張と出典の対応表（監査）
| 本文の主張 | 根拠 | 区分 |
|---|---|---|
| Grover の探索が約 √N 回の操作で済み、古典は少なくとも N/2 を調べること（二次の高速化） | 出典1 https://arxiv.org/abs/quant-ph/9605043 | 事実 |
| 二次の高速化は、誤り訂正の方法が大きく改善されない限り、初期の耐故障機では量子優位を生まず、四次の高速化は現実的に見えること | 出典2 https://doi.org/10.1103/PRXQuantum.2.010103 | 事実 |
| 実用的な量子優位に必要なのは小さなデータの問題と超二次の高速化であること。多くの応用は条件を満たさないが材料科学・化学に可能性があること。データ入出力の帯域の根本的な制約、QRAM の耐故障の前提、10.5 k回/秒の前提（物理サイクル 10 µs、待ち 200 サイクル） | 出典3 https://doi.org/10.1145/3571725 | 事実 |
| 量子アルゴリズムの応用の調査：誤り訂正を含む総合的な複雑さで評価する必要があること | 出典4 https://arxiv.org/abs/2310.03011 | 事実 |
| 最適化の総説：厳密／ヒューリスティックの設定、ベンチマークの大切さ、金融と持続可能性の題材 | 出典5 https://doi.org/10.1038/s42254-024-00770-9 | 事実 |
| 交通流の最適化を量子アニーリングに写し、量子と古典の組合せで解いた例（Neukart ら） | 出典6 https://doi.org/10.3389/fict.2017.00029 | 事実 |
| モンテカルロ法のほぼ二次の高速化（Montanaro）。オプション価格付けと IBM Q Tokyo での小さな実行、誤り緩和（Stamatopoulos ら） | 出典7 https://doi.org/10.1098/rspa.2015.0301 出典8 https://doi.org/10.22331/q-2020-07-06-291 | 事実 |
| デリバティブ価格付けの資源見積り：約8,000の論理量子ビット、T 深さ5,400万、約1秒のオーダー、現在のシステムの手の届かないこと | 出典9 https://doi.org/10.22331/q-2021-06-01-463 | 事実 |
| 金融の量子計算の総説（Herman ら） | 出典10 https://doi.org/10.1038/s42254-023-00603-1 | 事実 |
| HHL：疎な行列・条件数 κ で、解から作る量を log N と κ の多項式の時間で推定。古典の最良は N√κ に比例 | 出典11 https://doi.org/10.1103/PhysRevLett.103.150502 | 事実 |
| Aaronson の論説：機械学習・データ解析の指数的な高速化は、細部を見ないと判断できないこと | 出典12 https://www.nature.com/articles/nphys3272 | 事実 |
| 量子機械学習の総説（Biamonte ら）。Havlíček ら：超伝導プロセッサでの量子強化特徴空間の分類 | 出典13 https://doi.org/10.1038/nature23474 出典14 https://doi.org/10.1038/s41586-019-0980-2 | 事実 |
| Liu ら：古典のデータだけを使う分類で、離散対数の困難性を仮定した厳密な量子の高速化 | 出典17 https://doi.org/10.1038/s41567-021-01287-z | 事実 |
| Huang ら（2022）：量子データからの学習で必要な実験が指数的に少ないこと、40量子ビット・1,300ゲートの実験。Huang ら（2021）：データから学ぶ古典の学習で予測できる場合があること、30量子ビットまでの数値実験 | 出典16 https://doi.org/10.1126/science.abn7293 出典15 https://doi.org/10.1038/s41467-021-22539-9 | 事実 |
| Tang：推薦システムの量子アルゴリズムに、多項式的にしか遅くない古典のアルゴリズム | 出典18 https://doi.org/10.1145/3313276.3316310 | 事実 |
| Bowles ら：12モデル・6課題・160データ集合で古典モデルが量子の分類器を上回ったこと。Schuld と Killoran：量子優位を目標にする語り方への問い。Cerezo ら：不毛の台地を避けられる回路が古典でも扱える場合が多いという議論 | 出典20 https://arxiv.org/abs/2403.07059 出典19 https://doi.org/10.1103/PRXQuantum.3.030101 出典21 https://doi.org/10.1038/s41467-025-63099-6 | 事実 |
| D-Wave の2025年5月20日の発表：2,060万件を超える顧客の問題、Japan Tobacco の概念実証、可用性99.9%（企業の発表） | 出典31 https://www.dwavequantum.com/company/newsroom/press-release/d-wave-announces-general-availability-of-advantage2-quantum-computer-its-most-advanced-and-performant-system/ | 事実 |
| DARPA QBI の実用規模の定義（価値がコストを上回る）と2033年の見積り。IBM の優位性トラッカー。Lanes らの優位性の枠組み（査読前） | 出典22 https://www.darpa.mil/research/programs/quantum-benchmarking-initiative 出典23 https://www.ibm.com/quantum/blog/quantum-advantage-tracker 出典24 https://arxiv.org/abs/2506.20658 | 事実 |
| QED-C のアプリケーション指向ベンチマーク、BACQ、Azure Quantum Resource Estimator | 出典25 https://doi.org/10.1109/TQE.2023.3253761 出典26 https://arxiv.org/abs/2403.12205 出典27 https://arxiv.org/abs/2311.05801 | 事実 |
| ISO/IEC JTC 3/JSC 3A の WG 2（ベンチマーク）。ISO/IEC 4879:2024 の番号・題名・2024年5月発行。IEEE P7131 ワーキンググループの技術的範囲 | 出典28 https://www.iso.org/committee/12010875.html 出典29 https://www.iso.org/standard/80432.html 出典30 https://sagroups.ieee.org/7131/ | 事実 |
| 損益分岐の表（r=10³・10⁶・10⁹ で N*=10⁶・10¹²・10¹⁸、時間 1 ms・1,000 s・10⁹ s、1,000コアで N*=10¹²・10¹⁸・10²⁴、278時間）、金融の概算（5.4×10⁷ ÷ 1.05×10⁴ ≈ 5,000倍） | 本稿の計算（Python。仮の数字を使った説明用の算数で、実機の速度ではない） | 本稿の計算 |
| 微分方程式・工学の具体的な問題で古典を上回る第三者検証済みの例、最適化・金融・機械学習の実データ・実規模のパイロット／実運用の第三者検証済みの例、Aaronson の論説の本文、ISO/IEC 4879 での応用の用語、IEEE P7131 の公開状況 | 本稿の調査範囲でアクセスできた一次情報では確認できなかったため記載していない | 解説 |
| 「4つの問い」「HHL の4つの注意書きの整理」「PoC・パイロット・実運用の3段階と5つの質問」「素材の現場の応用の仕分け」「量子技術は素材の新しい顧客」という読み取り | 公表内容にもとづく本記事の整理・解説。各機関が表明した見解ではない | 解説 |
| 図3・図5が実データでなく説明のための作図（計算）であること。図2・図4・図6・図7が概念図であること。図1・図8がImageGen生成の概念画像であること | 本記事による注記 | 解説 |
最終更新：2026年10月16日／出典は一次情報（査読論文、arXiv の論文、D-Wave の発表、DARPA・ISO・IEEE の公式ページ）に限定しています。数値例は本稿の計算で、実機の結果ではありません。Aaronson の論説の本文、実データ・実規模での第三者検証済みのパイロット／実運用の例、工学の具体的な問題での古典を上回る例、ISO/IEC 4879 での応用の用語、IEEE P7131 の公開状況については、確認できなかったため記載していません。図はすべて説明用の概念図または本稿の計算を含む作図で、図1と図8はImageGen生成の概念画像です。