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。

量子誤り訂正符号の復号アルゴリズムとして知られるBP+OSDの解説記事です。#1は前提知識となる量子誤り訂正符号の基礎の解説です。

Transformerを用いて量子回路を生成するアルゴリズムGPT-QEの有効性を、量子化学計算タスクで実証した論文を紹介します。既存のデータセットを使用した事前学習と、事前知識なしでの学習の双方により、量子計算コストを削減した学習を行うことが可能になります。

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。

深層学習では計算効率を高めるために大規模バッチ学習（LB）が盛んに使われますが、経験的に「テスト精度が下がる」という問題が知られています。本記事では、その原因を「損失関数の谷の形状」という観点から探り、数値実験を通してLBが鋭い谷に、小規模バッチ（SB）が平坦な谷に収束しやすいことを示します。さらに、両者の利点を活かすために提案された「ウォームスタート」の効果を紹介し、汎化性能をめぐる新たな理解と今後の課題について考察します。