主要成果
ハーバード大学、Anthropic、QuEra Computingの共同チームは、大規模言語モデル（LLM）を用いて耐故障量子回路を自動的に設計・最適化する進化型AIフレームワークを開発しました。このフレームワークを適用した結果、計算プリミティブにおける時空間リソースコスト（T × Q-cost）を、人間が手作業で設計したベースラインと比較して4.1倍から最大9,100倍以上削減することに成功しました。
技術・詳細
本システムは、フロンティアLLMである「Claude Mythos 5」を自動化されたクローズドループに組み込んだ構成となっています。LLMが異なるアルゴリズムファミリーにわたるPythonプログラムを提案し、それを古典シミュレーター（kickmixモデル）で評価し、Toffoliゲート数や最大量子ビット数（ピーク量子ビットフットプリント）に関するフィードバックを受けて回路構成を自律的に洗練させる仕組みです。
この進化的な探索プロセスを通じて、以下の3つの共設計（co-design）原則が導き出されました。
- 条件付きルーティングの採用： 高コストな条件付き演算ブロックを個別に配置するのではなく、安価な制御SWAPゲートを用いてデータを単一の共有演算ブロックへルーティングする手法。
- 演算状態からのブランチデコード： 膨大な量子ビット履歴スタックを保持せず、逆計算パスにおいて更新された演算レジスタ内の数学的不変量から中間ブランチの選択を直接デコードする手法。
- 失敗予算によるリソース割り当て： 最悪ケースではなく典型的な入力に合わせて履歴スタック空間とループ境界を割り当て、制御された失敗率（ε ~ 10^-4）を許容することで数百のアンシラ量子ビットを節約する手法。
具体的な適用例として、楕円曲線暗号に用いられる素数体のモジュラ逆数計算において、従来は履歴保存のオーバーヘッドにより量子回路への適用が困難とされていた「divsteps」アルゴリズムの新しい可逆アーキテクチャを発見しました。また、エルミート符号のDQIデコーダーでは、行列保存をインプレースLanczos再帰とストライプ位相スキャンに置き換えることで、最大量子ビット数を190,000から2,395へ、Toffoliゲート数を1億から93万へと劇的に削減（9,100倍以上の削減）しました。
背景・業界の文脈
量子計算の効率化において、ハードウェアの単純なスケールアップよりもアルゴリズムの最適化が極めて大きな影響を持つことが示されています。例えば、FeMoco（鉄・硫黄クラスター）のシミュレーションに必要な古典的見積もりは、2017年の50兆個のToffoliゲートから、8年間の人間による研究を経て約3.4億個まで、約15万倍削減されました。対して今回のAIフレームワークは、人間による介入を最小限に抑え、わずか53時間の自律的な実行で新しい可逆モジュラ逆数アーキテクチャに到達しています。
今後の展望
本研究は、LLMと古典的評価器を組み合わせたクローズドループによって、人間では到達困難な効率的な量子回路を短期間で発見できる可能性を示しました。特に、Lean定理証明器による検証や、リード・ソロモンデコーダーにおけるBerlekamp-Masseyデコードへの切り替えによるToffoliゲート数の12倍削減など、数学的アプローチとAIによる探索の融合が、耐故障量子計算の実用化を加速させると期待されます。
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
