quantum

カオス系の中に「秩序の核」が存在することを量子AIが発見――実証にも成功 (5/5)

2026.04.27 18:45:29 Monday

前ページカオスの底に何が見えたのか

専門家向けの補遺

量子 AIは長期統計を支える”秩序の核”を圧縮して取り出すことができました。

それは、単に「量子コンピューターでAIの精度が上がった」という話ではありません。

著者らはQIML（量子情報に基づく機械学習）という枠組みを提案し、カオス系の長期予測で古典的AIが失いやすい不変な統計的性質――長時間たっても保たれる確率分布やエネルギー分布――を、量子生成モデルによってコンパクトに学習させました。

量子コンピューターが流体の未来を丸ごと直接シミュレーションしたわけではありません。

QIMLでは、まず量子生成モデルがデータからQ-Prior（量子回路が学んだ長期統計の圧縮表現）を作り、それを古典的な自己回帰予測器（1ステップ先の予測を次の入力にして、さらに先を予測するモデル）に組み込みます。

つまり量子部分は予測エンジンそのものではなく、古典AIが長期予測で物理的に不自然な方向へ漂流しないようにする統計的な制約として働きます。

QIMLの構造：量子コンピューターはオフライン訓練で統計的な道しるべを作る

この設計で目を引くのは、量子コンピューターを古典AIの学習中に何度も呼び出すのではなく、事前に一度だけ訓練する量子生成モデルとして使っている点です。

基盤となるのは量子回路Bornマシン（量子状態を測定したときの確率分布を生成モデルとして使う方法）です。

量子回路は、入力データをそのまま量子状態に読み込むのではなく、多数の流体スナップショットを見ながら、その背後にある長期的な確率分布を再現するように回路パラメータを調整します。

この設計により、巨大な古典データを量子状態へ入れる手間（データ読み込みのボトルネック）を回避しています。

すべての生データを量子状態に読み込んで再構成しようとはせず、必要なのはカオス系の長期挙動を支配する統計的な分布、すなわち不変測度です。

古典AI側にはクープマン型機械学習（非線形な動きを別の特徴空間で線形に扱う手法）が用いられます。

通常の自己回帰モデルは、短期予測では高い精度を出せますが、予測結果を再び入力にする長期ロールアウトでは誤差が積み重なります。

QIMLはこの問題に対し、Q-Priorを損失関数に組み込むことで対処しました。

損失関数には、次フレームの再構成誤差に加えて、KLダイバージェンス（2つの確率分布のズレを測る指標）やMMD（サンプル集合どうしの統計的なズレを測る指標）が使われます。

これにより、予測値は短期的に正しいだけでなく、長期的にも「その物理系らしい分布」に留まるよう誘導されます。

3つの検証系：単純なカオスモデルから乱流チャネル流まで

著者らは、QIMLを3段階の複雑さをもつシステムで評価しています。

第1の対象は、KS方程式（時空間カオスを示す標準的な数理モデル）です。512個の空間グリッド点をもつ1次元的なカオス系として扱われ、Q-Priorは10量子ビット・120個の訓練可能パラメータで作成されました。

第2の対象は、2Dコルモゴロフ流（周期的な外力を受ける非圧縮流体の標準モデル）です。64×64の空間グリッド、つまり4096次元の状態として扱われ、Q-Priorは10量子ビット・180個の訓練可能パラメータで構成されました。

第3の対象は、乱流チャネル流（壁に挟まれた流れの乱流）です。完全発達した周期的乱流チャネル流の中央断面からデータを取り出し、格子ボルツマン法で生成された参照データはDNS（直接数値シミュレーション）データとの比較で妥当性が確認されています。

TCFについてはエミュレータ版と実機版の両方が評価されています。論文本文の数値設定では15量子ビット・240パラメータのQ-Priorが示されています。一方、量子ハードウェア実装では、IQMの20量子ビット超伝導チップGarnetのうち、主に1〜10番の量子ビットが能動的に使われました。

結果1：KS方程式では、分布の裾とエネルギースペクトルの再現が改善

KS方程式では、Q-Priorなしの古典モデルも全体的な縞模様の構造はある程度再現できました。しかし時間が進むにつれて予測された縞模様がずれ、誤差が蓄積しました。

Q-PriorありのQIMLでは、微細な構造と平行な縞模様がよりよく保たれ、誤差も小さく分散しました。

定量的には、最初の100ステップにおける予測場のMSEが17.25 ± 5.25%低下しました。

とくに注目すべきは、分布の裾（まれだが重要な極端値が現れる領域）です。この領域では誤差がほぼ2桁抑制されたと報告されています。平均的な状態だけでなく、稀な揺らぎを含む統計構造をQ-Priorが補助していることを示しています。

エネルギースペクトル（どの空間スケールにどれだけエネルギーが分布しているか）でも、Q-Priorありのモデルは全波数域でよりよく一致し、29.36 ± 9.01%のMSE低下が示されました。

著者らはさらに、KS系の力学をuxとuxxの相空間へ射影し、正解データとQ-Priorありモデルの密度を比較しています。Q-Priorありのモデルは長期予測後も不変測度の幾何的な台（分布が存在する領域）と濃度をよく保っていました。ここに「秩序の核」の最も見えやすい姿があります。

結果2：2Dコルモゴロフ流では、渦構造と速度統計の長期保持が改善

2Dコルモゴロフ流では、QIMLは20ステップの初期ロールアウトで、正解データに見られる一貫した渦構造をより長く保ちました。Q-Priorなしのモデルでは、これらの構造がより早く崩れ、無秩序な状態へ向かいました。

長期評価では、1000ステップ（約2リャプノフ時間）まで自己回帰的に予測しました。著者らは、リャプノフ時間を超えると軌道そのものの一致は期待できないため、統計的忠実度で評価すると明確に述べています。

Q-Priorありのモデルは、時間平均速度場と乱流運動エネルギー（TKE）の空間分布を、Q-Priorなしモデルよりもよく保ちました。Q-Priorなしモデルは速度場の空間的な一貫性が崩れてノイズ的な構造が増えた一方、Q-Priorありモデルは正解データに近い縞状構造とエネルギー分布を維持しています。

定量的には、最初の100ステップでMSEが6.57 ± 3.68%低下し、速度分布の高確率ピーク領域では10.39 ± 4.23%に達しました。エネルギースペクトルでは14.16%のMSE低下が報告されています。

時間自己相関（過去の状態との相関がどれだけ残るか）についても、Q-Priorありモデルは正解データに対する正規化相対誤差が小さく、長期の統計的ふるまいをより安定して保ちました。

結果3：乱流チャネル流では、Q-PriorなしモデルはTKEを失い、QIMLは構造を保った

本論文内で最も実用に近い検証は、乱流チャネル流の流入条件生成です。3D乱流場から取り出した2D断面データを使っており、その2D断面自体には明示的な閉じた支配方程式がありません。既知の偏微分方程式をそのまま学ぶというより、観測された高次元データから長期統計を保つモデルを作る問題です。

Q-Priorなしモデルは時間平均速度場に小スケールのノイズを持ち込み、正解データの滑らかな勾配を十分に捉えられませんでした。一方、エミュレータ版Q-PriorとIQM実機版Q-Priorを用いたQIMLは、支配的な空間構造をよりよく保っています。

決定的だったのがTKEです。Q-Priorなしモデルは、TKE場がほぼゼロに近い状態になり、時間変化の乏しいほとんど静的な予測へ落ち込みました。乱流らしい変動構造を失ったことを意味します。対して、Q-Priorありの2モデルは正解データに似た構造化されたTKE場を回復し、乱流構造の空間的組織をより正確に保ちました。

ただし、無次元速度分布については、Q-Priorなしを含むすべてのMLモデルがDNS参照値や対数則とよく一致しています。TCFでのQIMLの優位性は、平均速度プロファイルの再現ではなく、TKEやエネルギースペクトル、小スケール構造、長期的な変動性の保持にあります。

比較実験：Q-Priorは「モデルが大きいから勝った」のではない

著者らが強調しているのは、QIMLの改善が単に古典的モデル構造の副産物ではなく、Q-Priorに由来するという点です。

比較対象には、Q-PriorなしのKoopman型モデル、FNO（フーリエニューラルオペレータ）、MNO（マルコフニューラルオペレータ）、さらにCIML（古典的生成モデルによる事前知識を使う比較モデル）が含まれます。

FNOやMNOはPDE系の学習で強力な手法として知られていますが、1ステップ入力・1ステップ出力で厳密に自己回帰ロールアウトを行うと、小さな局所誤差が各ステップで蓄積し、長期予測では正解データから次第に外れます。とくに閉じた支配方程式がないデータ駆動型の状況では、この弱点が顕著でした。

CIMLとの比較も重要です。著者らは変分オートエンコーダ（VAE）を使ってC-Prior（古典的事前知識）を作り、Q-Priorと比較しました。12万を超えるパラメータを使う大きなC-Priorでは、大まかなエネルギー分布や大スケール統計はQ-Priorに近づけることができました。しかし長期ロールアウトでは準定常パターンに固定化する傾向があり、時間的変動性が落ちました。また高波数領域ではエネルギースペクトルの裾を過小評価しています。

C-PriorをQ-Priorと同程度の約300パラメータに制限すると、モデルは過度に滑らかな平均場的表現へ崩れ、小スケール統計を回復できませんでした。同等の性能に近づくには400倍以上のパラメータが必要だったことになります。

この比較から著者らは、QIMLの鍵はQ-Priorがメモリ効率のよい統計的正則化項として働く点にあると結論づけています。

「秩序の核」の正体：不変測度を量子生成モデルで圧縮したQ-Prior

本記事で使っている「秩序の核」の正体を正確に述べておきます。

これはカオスの中に新しく発見された未知の物質や粒子ではありません。力学系理論で以前から知られている不変測度――個々の軌道は指数関数的に分岐しても、長時間で見たときに保たれる確率分布――です。

カオス系では、ある時刻の状態を細部まで当て続けることは基本的に難しくなります。初期条件や丸め誤差のわずかな違いが時間とともに大きく増幅されるからです。しかし、系全体がどの状態領域にどれくらいの頻度で現れるか、どのスケールにどれくらいのエネルギーを持つかといった統計的な構造は、長時間で安定することがあります。

乱流でいえば、それは速度の確率分布、TKE、エネルギースペクトルなどとして現れます。これらがカオスの中に残る「秩序」です。

Q-Priorは、この不変測度に対応する長期統計的特徴を量子生成モデルが学んだ圧縮表現です。量子回路の測定確率分布（Born分布）が、データの長期統計に近づくよう訓練されたものです。量子回路は各計算基底状態を空間座標に対応させ、測定確率がその位置の速度強度などの経験的分布を反映するように最適化されます。

整理すると、「秩序の核」の正体は三層構造で捉えられます。物理・力学系としての正体は不変測度であり、量子計算としての正体は量子回路の測定確率分布であり、機械学習としての機能は統計的正則化項です。

Q-Priorは、カオスの細部を記録した地図ではありません。カオス系が長時間で保つ「どの方向へ行くと物理的に自然か」という統計的な地形図です。この地形図があるため、古典AIは短期誤差を積み重ねても、完全に非物理的な方向へ逸脱しにくくなります。

著者らの洞察：なぜ量子モデルが効くのか

著者らは、Q-Priorがカオス系に効く理由について仮説として議論しています。

彼らの見方では、カオスデータには複雑で非局所的な統計依存――離れた場所や異なるスケールの間にある相関――が含まれており、これらは量子もつれや文脈性（測定の文脈によって結果の構造が変わる量子的性質）に機能的に似ている可能性があります。

古典的生成モデルは多くの場合、分布を局所的または分解可能な形で近似しようとするため、カオスアトラクタの不変測度に含まれる多スケール・非局所的な相関を少数のパラメータで効率よく表すのは難しいと考えられています。一方、量子回路はもつれた振幅を通じてそのような相関を自然に表現できる可能性があり、これがQ-Priorの圧縮性と性能上の利点につながっているのではないか、というのが著者らの考えです。

ただしこれは断定ではなく、著者ら自身も理論的理解はまだ発展途上だとしています。

実用的量子優位性：著者らは慎重に定義している

論文タイトルにはpractical quantum advantage（実用的量子優位性）という強い表現が入っています。しかし考察部分では、著者らはこの言葉をかなり慎重に扱っています。

量子優位性の主張はしばしば後から洗練された古典アルゴリズムに追いつかれることがあり、ショアのアルゴリズムのような一部の例を除き、多くの主張は慎重に扱うべきだというのが彼らの立場です。

そのうえで著者らが主張するのは、QIMLの優位性は「絶対に古典計算で破れない」という意味ではなく、表現上・メモリ上の優位性が本研究条件では実際の予測性能の改善につながった、という意味です。

ここで鍵になるのがホレボ境界（n量子ビットから測定で取り出せる古典情報量の制限）です。量子状態は2のn乗次元の空間に情報を表現できますが、その全情報を古典的に読み出そうとすれば測定の制限が壁になります。著者らの主張はこの壁を正面から破ったというものではなく、全データを再構成しようとせず、長期予測に必要な不変測度だけを取り出すことでホレボ境界の問題を回避している、という構図です。

QIMLは「量子状態に入れた情報を全部読み出す」のではなく、カオス系の長期予測を安定化するために必要な統計的ガイドだけを取り出します。これがQ-Priorであり、このためQIMLはメモリ効率と予測安定性の両方を得ています。