実用課題に適用可能な 量子インスパイア型分類アルゴリズムの開発に成功

NEWS

株式会社グリッド(本社:東京都港区、代表取締役:曽我部完、以下「グリッド」)は、量子アルゴリズムに着想を得た機械学習アルゴリズム「量子インスパイア型分類アルゴリズム」を開発し、シミュレーションと理論により、その有用性を実証したことをお知らせいたします。

背景
近年量子コンピュータ実用に向けて、実機開発のみならずアルゴリズム開発の関心が高まっております。なかでも量子の特性によって、従来の古典コンピュータにおける機械学習よりも高性能のモデル構築実現の可能性が高いとされる「量子機械学習アルゴリズム」の開発に注目が集まっています。一方で、NISQと呼ばれる現在の量子コンピュータは、量子ビット数の制限やハードウェアのノイズによって計算能力が制限されており、現状の実機性能では量子アルゴリズムを開発しても、実用的な問題に適用することは難しく本来の効率的な計算性能を発揮することができない状況です。
今回グリッドは、電気通信大学の協力のもと量子の特徴を機械学習アルゴリズムに落とし込んだ量子インスパイア型分類アルゴリズムの開発に成功し、量子の性質を生かした計算能力をもつアルゴリズムを実用課題に適用する可能性を開くことができました。

開発した量子インスパイア型分類アルゴリズム
本アルゴリズムは、世界最古の量子アルゴリズムであるDeutsch-Jozsa アルゴリズム(以下、「DJアルゴリズム」)から着想を得て、その原理と古典的なクラスタリングアルゴリズムであるdensity-based spatial clustering of applications with noise (DBSCAN)とを融合させた、サポートベクターマシン(SVM)などのような、分類問題を解く新たな機械学習アルゴリズムです。
従来の機械学習アルゴリズムでは、データを分類する際に、分類の決め手となるデータをひとつひとつ吟味して判定していましたが、本アルゴリズムでは多数のデータから決め手となるデータを少ない回数で判断するDJアルゴリズムの特徴を活かして、効率的に学習することが可能です。
今回の開発では、機械学習分野で使われる分類問題に対して、本アルゴリズムの有用性を実証しており、同じ性質の古典的アルゴリズムであるKernel SVMと比較して、モデルの学習にかかる計算速度について理論的に優位性があることを確認しております。また、モデルの複雑性の指標であるVC次元※1の上限値を導き出すことにより、アルゴリズムの学習可能性を理論的に証明しました。
本アルゴリズムは古典コンピュータのみでも実行可能ですが、アルゴリズム内のいくつかの計算を量子コンピュータで行う、古典量子のハイブリット型として計算することでさらなる高速化が期待できます。

「量子インスパイア型分類アルゴリズムと従来手法の比較図」

グリッドは、今後も量子インスパイア型機械学習アルゴリズムの研究開発を継続し、量子機械学習の発展とともに、量子コンピュータおよび人工知能全分野における技術革新と社会実装に貢献して参ります。

※1 VC次元は、学習モデルが完全に分類することができる最大のデータ数を数値化したもの

Page top