2019 年 4 月に量子コンピュータ向けアプリケーション開発フレームワークとして ReNom Q をリリースしました。また2019年７月より、IBM Q Networkに参加し、IBMが提供する最新の汎用近似量子コンピュータを利用しながらソフトウェア、アルゴリズムの開発を行っています。グリッドは、量子コンピュータ実用化を見据えて、これまでのAI開発の知見を活かし、１）量子機械学習のアルゴリズム開発、２）量子コンピュータを使った最適化問題、３）新素材開発に向けた量子計算、４）量子モンテカルロ法のアルゴリズム開発、といった研究開発を行っています。
■ReNomQ
ReNomQは、量子コンピュータソフトウェア研究、開発として主に３つの機能を持っています。
・量子コンピュータ向けアプリケーション開発フレームワーク
実機の量子コンピュータを活用し、最適化問題、量子機械学習の分野を発展させるアプリケーション開発を行うことができます。
・量子機械学習ライブラリ
量子コンピュータでは、古典コンピュータで行われている計算と概念が異なります。古典アルゴリズムで行っている計算式をそのまま量子回路にできない場合もあり、量子コンピュータにとって適切なアルゴリズムを再構築する必要があります。
GRIDではこれまで培った機械学習のアルゴリズムのノウハウを生かして、従来の古典コンピュータで使われる機械学習アルゴリズムを、量子回路化することに取り組んでいます。
すでにディープラーニング等でよく使われるオートエンコーダーを、量子アルゴリズム化して量子AEとして発表して以来、量子PCA（量子主成分分析）や、量子SVMを開発してきました。将来、機械学習分野においても、量子コンピュータが使われることで、AIの学習精度の向上が期待されています。
グリッドでは、量子機械学習の研究成果として、量子回路をAPI化し、ライブラリとして実装しています。
・量子コンピュータシミュレータ
量子シュミュレータでは、量子コンピュータでの動作する量子ゲートがAPI化されており、古典コンピュータ上で量子コンピュータの動きをシミュレートすることが可能です。この量子ゲートを使って、様々な量子アルゴリズムを開発することができ、量子コンピュータで量子回路を実行した場合の計算結果を得ることができます。このシミュレーションのおかげで、実機の完成に先駆けた、量子アルゴリズムの開発研究を進めることができます。
量子アルゴリズム
グリッドでは、これまで機械学習におけるフレームワークの独自開発、アルゴリズムの開発を精力的におこない、社会インフラ分野のAI化に寄与してまいりました。量子アルゴリズムでは、グリッドの原点であり強みでもある機械学習を発展させた「量子機械学習アルゴリズム」をはじめとし、「量子最適化」・「量子モンテカルロ」・「量子化学計算」の４分野でのアルゴリズム開発をしています。
■グリッドが独自開発した量子アルゴリズム
・量子モンテカルロ
乱数を発生させ複数回シミュレーションを行ない解を確率的に推定するアルゴリズムを、量子コンピュータ上で動作するアルゴリズムとして開発しました。
＞計算研究
量子コンピュータを用いて線形方程式を解くことができると、ニューラルネットワークなどで使われる行列計算と同等の計算表現を量子コンピュータ上でもおこなうことができます。しかし、線形方程式を量子コンピュータ上で解くアルゴリズムとして、量子位相推定法を利用したものが提案されていましたが、現在のNISQデバイスではQRAM（量子コンピュータ上でデータを保存する装置）が存在しないため、実行不可能とされていました。そこで、現実的な古典ー量子ハイブリッド線形ソルバーと乱数を発生させる量子ランダムウォーク回路を利用したモンテカルロ法によって特定の型の線形方程式を解くこができました。
＞開発結果
ノイズに対してロバストがある為、NISQデバイスでも量子コンピュータを活用した機械学習などのアプリケーションへの実装が可能です。
・量子オートエンコーダー
オートエンコーダーは、入力データの次元削減による特徴抽出、画像のノイズ除去、ニューラルネットワークの事前学習などに用いられる機械学習アルゴリズムです。量子コンピュータ上で動作する量子オートエンコーダーとして開発しました。
＞計算研究
現在の量子コンピュータは量子ビット数が限られており、ビッグデータの計算が困難です。そこで、機械学習で用いられる手法の一つである畳み込みフィルタを、グリッドが開発した量子オートエンコーダーに適用しました。
＞研究結果
エンコード精度98%の条件下で、本来ならば計算するためには数百量子ビット以上も必要となる画像データを、わずか数量子ビットでノイズ除去することに成功しています。
・量子誤差逆伝播法
機械学習で使うパラメータ最適化とパラメータ更新の勾配を効率的に計算できる勾配降下法に基づく誤差逆伝播アルゴリズムを量子回路学習用として開発しました。
＞開発背景
量子コンピュータは、特徴表現の強化や高次元の状態や関数の近似に有用であることが最近の研究より判明しています。またNISQ環境では量子ー古典ハイブリッドアルゴリズムが提案されており、古典コンピュータが担う役割は、量子回路のパラメータ調整、パラメータ最適化、パラメータ更新であると考えています。こうした背景から量子誤差逆伝播法の開発にいたりました。
＞開発結果
誤差逆伝播アルゴリズムを用いた量子回路学習で、1次元データの回帰や2次元データの分類を行うことに成功しました。従来手法(量子回路学習におけるパラメータ更新に有限差分法やSPSA法を用いたもの)と比べて、勾配計算にかかる計算時間が約200倍高速にすることを確認しています。
