量子アニーリングでは、ノイズや非断熱遷移により、得られるエネルギー期待値が基底エネルギーからずれることがあります。本記事では、このずれ（バイアス）を抑制するため、古典シャドウ法を用いて仮想蒸留法を量子アニーリングに適用する研究を紹介します。

NISQアルゴリズムであるIQPE(反復量子位相推定)を用いて、グラフェンの基底エネルギーを推定した論文を紹介します。

パラメータを持った量子回路そのものを学習モデルとして扱う枠組み、量子回路学習の提案論文を解説します。なぜ浅い回路で非線形な関数が表現できるのか、なぜ勾配が期待値の測定だけで厳密に求まるのかを、線形代数の知識だけで追えるように、密度演算子とパウリ基底の視点から説明します。

本記事では、第一原理計算による電子状態解析の基本を概説し、量子コンピュータを用いたVariational Quantum Eigensolver（VQE）に注目する。周期的一次元水素鎖を対象とした論文を取り上げ、強相関領域におけるVQEの有効性と、UCCSD型手法による計算結果を解説する。

量子アニーリングは、組合せ最適化問題を解くための高速なヒューリスティック手法として研究が進められています。実世界への応用例の1つに、工場や倉庫で用いられる無人搬送車（AGV: Automated Guided Vehicle）群の経路制御があります。複数のAGVを同時に動かす場合、経路の選び方によっては衝突やデッドロックが発生するため、安全性を保ちながら搬送時間を短縮する経路計画が重要です。

qLDPC符号のデコーダであるBP+OSDについて紹介します。#3では精度を高めるための後処理であるOSDについて解説します。

qLDPC符号のデコーダであるBP+OSDについて解説します。#2では、デコーダの中心であるBPデコーダについて解説します。

量子アニーリング(QA)は、QAから得られる出力値の分布がボルツマン分布に近いことを利用してボルツマン機械学習に使われることがあります。今回は、QAの代わりにシミュレーテッド量子アニーリング(SQA)を用いて、どの温度のボルツマン分布にどのくらい近いのかをエネルギー分布だけでなく、磁化やオーバーラップといった違う指標も使って確かめました。さらにそれぞれのサンプリングを使ってRBMを学習し、実際にどのようなサンプリングの分布になっているか確かめました。結果として、SQAの分布はボルツマン分布に従う様子が見らましたが、T=1.0のボルツマン分布に補正するとずれがみられました。また、SQA学習のRBMのサンプリング分布はMCMCベースのRBMよりも低エネルギー帯に分布していることがわかりました。

制限ボルツマンマシン(RBM)は、学習する際、コンストラクティブ・ダイバージェンス(CD)という手法で近似的に学習します。また、別の手法として、量子アニ―ラ―(QA)からサンプリングして学習する手法があります。この二つの手法は、全く異なる手法を取っているため、性能比較がされる必要があります。本論文では、CDで学習されたRBMとQAで学習されたRBMを使って、画像分類、画像再構成、対数尤度の精度を比較しました。

この論文では、交差点で待機する車両数と隣接する交差点の信号状況をもとに、適切な信号を選択するという交通信号最適化問題を解く方法について考えます。その問題を解くためにこの論文では効率の良い信号制御のため、「より多くの車を流す」点と、「より隣接交差点からスムーズに流れるようにする」という2点に着目し、量子アニーリング用に定式化しました。その結果、定式化した式と量子アニーリングを用いて、より効率の良い信号の組み合わせを得ることができました。