主要成果
量子ソフトウェア企業のTerra Quantumと、自動車・産業用サプライヤーのSchaeffler Technologies AG & Co. KGは、ハイブリッド量子・古典機械学習を原子間ポテンシャルモデルに統合し、産業用材料シミュレーションの精度を向上させたことを発表しました。特に、バッテリー負極の研究に不可欠な銅・リチウム（Cu-Li）の独自データセットを用いた検証において、ハイブリッド量子・古典モデルが、古典的な多層パーセプトロン（MLP）拡張モデルと比較して、力予測の精度を約13%向上させるという結果を得ました。
技術・詳細
本研究では、原子のエネルギーと力を予測するE(3)等変グラフニューラルネットワークである「Allegro」機械学習原子間ポテンシャル（MLIP）モデルのアーキテクチャ変更を評価しています。Allegroは、計算負荷を大幅に削減しながら、密度汎関数理論（DFT）に匹敵する精度を実現することを目的としたモデルです。研究チームは、以下の2つの修正Allegroバリアントを構築し、ベンチマークを実施しました。
- 古典的な多層パーセプトロン（MLP）拡張モデル
- 量子深度注入（QDI）変分量子回路レイヤーを組み込んだ量子・古典ハイブリッドモデル
最適化には、精度と推論時間の目的関数を扱う多目的最適化実装「SAMO-COBRA」を用いてハイパーパラメータのチューニングが行われました。検証に使用されたCu-Liデータセットは、界面、スラブ、およびメルトクエンチ構造を含む11,635件のDFT計算データで構成されています。また、公開されている有機ベンチマーク（rMD17のアスピリンおよびベンゼン）を用いたテストでは、Cu-Liシステムで得られたQDIハイパーパラメータを再チューニングなしで直接転送して使用した場合でも、ハイブリッドモデルは競争力のある精度を維持しました。
背景・業界の文脈
材料科学におけるシミュレーションでは、高い精度を持つDFTなどの手法は計算コストが極めて高く、大規模な系への適用が困難であるという課題があります。これに対し、機械学習原子間ポテンシャル（MLIP）は、DFTの精度を維持しつつ計算量を削減するアプローチとして注目されています。今回の研究は、ここに量子コンピューティングの要素（変分量子回路）をハイブリッドに組み込むことで、従来の古典的な機械学習モデルの限界を突破し、さらなる精度向上が得られる可能性を実証したものです。
今後の展望
本研究の結果は、量子・古典ハイブリッドアプローチが、特定の材料系における予測精度の向上に寄与することを示しました。特に、データセット固有の再チューニングなしである程度の精度を維持できた点は、異なる材料系への汎用的な適用可能性を示唆しています。産業用材料のシミュレーションにおいて、量子機械学習が実用的な精度向上をもたらす手法として確立されることが期待されます。
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録（週刊・技術動向レポート）
ご登録いただくと、Troy-Technical から週刊で技術動向レポート（メールマガジン）をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます（各メール下部のリンクから）。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます
