[論文レビュー] Quantum Computing: Fundamentals, Trends and Perspectives for Chemical and Biochemical Engineers

Amirhossein Nourbakhsh, Mark Jones+8 more|arXiv (Cornell University)|Jan 8, 2022

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

本稿は、化学および生化学工学を専門とする研究者を対象に、量子コンピューティングの基礎、最近の進展、およびプロセス最適化、スケジューリング、機械学習における応用を網羅的に紹介する。量子インスパイアドアルゴリズムが化学プロセスにおける故障検出を改善し、物流コストを2–5%削減できることを示しており、キュービット数と誤り訂正技術の向上に伴い、今後の応用可能性が期待される。

ABSTRACT

We use the benefits and components of classical computers every day. However, there are many types of problems which, as they grow in size, their computational complexity grows larger than classical computers will ever be able to solve. Quantum computing (QC) is a computation model that uses quantum physical properties to solve such problems. QC is at the early stage of large-scale adoption in various industry domains to take advantage of the algorithmic speed-ups it has to offer. It can be applied in a variety of areas, such as computer science, mathematics, chemical and biochemical engineering, and the financial industry. The main goal of this paper is to give an overview to chemical and biochemical researchers and engineers who may not be familiar with quantum computation. Thus, the paper begins by explaining the fundamental concepts of QC. The second contribution this publication tries to tackle is the fact that the chemical engineering literature still lacks a comprehensive review of the recent advances of QC. Therefore, this article reviews and summarizes the state of the art to gain insight into how quantum computation can benefit and optimize chemical engineering issues. A bibliography analysis covers the comprehensive literature in QC and analyzes quantum computing research in chemical engineering on various publication topics, using Clarivate analytics covering the years 1990 to 2020. After the bibliographic analysis, relevant applications of QC in chemical and biochemical engineering are highlighted and a conclusion offers an outlook of future directions within the field.

研究の動機と目的

• 量子コンピューティングの基礎を、この分野に馴染みのない化学および生化学工学の研究者に紹介すること。
• 化学工学の文献において、量子コンピューティングに関する包括的なレビューが不足しているという問題を解決すること。
• 1990年から2020年までの間における、化学および生化学工学分野における量子コンピューティング応用のトレンドと研究出力の分析。
• プロセススケジューリング、制御、最適化における量子コンピューティングの実用的応用の強調。
• 特にキュービット数の増加と誤り訂正技術の向上に伴う、化学および生化学工学分野における量子コンピューティングの今後の方向性の予測。

提案手法

• 1990年から2020年までの量子コンピューティングと化学工学分野における研究動向を分析するため、Clarivate Analyticsを用いた文献情報分析を実施した。
• スケジューリング、プロセス制御、最適化を含む、化学および生化学工学分野における最新の量子コンピューティング応用をレビューおよび要約した。
• スケジューリング問題をQUBO（2次無制約バイナリ最適化）問題として定式化し、富士通の量子インスパイアドデジタルアニーラーに実装した。
• 制限ボルツマンマシン（RBMs）と量子サンプリングを用いた量子インスパイアド機械学習技術を活用し、ディープラーニングモデルのトレーニングデータを生成した。
• 高次元で低ランクの行列およびスパースデータに対する量子機械学習（QML）と量子インスパイアド回帰の評価を行った。
• 量子回路モデリングと量子アニーリングを用いて、ユニットコミットメント、施設立地選定、熱交換器ネットワーク問題を解決した。

実験結果

リサーチクエスチョン

• RQ1 量子コンピューティングは、複雑な化学および生化学工学プロセスの最適化にどのように応用できるか？
• RQ2 化学および生化学工学分野における量子コンピューティング研究の現在のトレンドと成長パターンは何か？
• RQ3 量子インスパイアドアルゴリズムは、化学システムにおける故障検出およびプロセス制御の改善にどの程度寄与できるか？
• RQ4 スケジューリングおよび物流最適化において、量子コンピューティングモデルは古典的手法と比べてどのように差をつけるか？
• RQ5 現在の量子ハードウェアの限界は、大規模な化学工学問題を解く上でどのような影響を及えるか？

主な発見

• 化学および生化学工学分野における量子コンピューティング関連の論文数は2020年に10.29%増加し、1,010本の論文が発表され、平均して1本あたり43.51件の引用を記録した。
• 量子インスパイアドデジタルアニーリングにより、物流コストが2–5%削減され、最適ルートの特定が30分で実現され、実用的なスケーラビリティが示された。
• RBMsによる量子サンプリングを用いた手法が、CSTRモデルにおける故障検出率を向上させ、特定の故障タイプでは古典的ディープラーニングを上回った。
• テネシー・イーストマンプロセスでは、量子適応型ディープラーニングモデルが、特定の故障カテゴリにおいて優れた故障検出性能を示した。
• 量子インスパイアド機械学習は、低ランクで高次元の行列に対して有効であり、一方で量子機械学習は高ランクでスパースなデータに対して優れた性能を示した。
• 数学的証明により、量子畳み込みニューラルネットワーク（QCNNs）が大規模データセットに対して効率的にスケーリング可能であることが確認され、古典的CNNsに比べて潜在的な利点を有する。