非負二値行列因子分解(NBMF)は、元々量子アニーリングを用いて学習される生成モデルとして提案された手法です。以前の研究ではNBMFを用いた顔画像の再構築といった課題が扱われてきました。しかし、NBMFを他の機械学習課題に応用したり、他の機械学習手法と比較したりする試みはほとんど行われていませんでした。そこで本論文ではNBMFの応用として多クラス画像分類モデルを提案し、手書き数字画像データの分類問題に対して、提案手法と古典的な機械学習手法を比較して、その有効性を評価しました。その結果、データ量、特徴数、エポック数が少ないという特定の条件下で、NBMFがニューラルネットワークなどの従来手法よりも高い分類精度を示すことが明らかになりました。さらに、量子アニーリングマシンを用いることで、学習にかかる計算時間を大幅に削減できることも示されました。これらの結果から、特定の条件下において、機械学習に量子アニーリング技術を活用することの有効性と利点が明らかとなりました。

電力ネットワーク全体で電力を効率的に使用するためには電力の余剰の最適化が重要な要素です。本論文では、量子アニーリングを用いて電力余剰を最適に活用できるようなネットワークを探索する方法を示しました。そして、ドイツの送電ネットワークでの電力余剰を最適化するという問題に対して、量子と古典のハイブリッドソルバーと古典ソルバーのそれぞれで結果を出して、古典ソルバーに対して量子と古典のハイブリッドソルバーがコスト関数の値がより低い解を出すことを示しました。