[論文レビュー] Quantum Machine Learning for Complex Systems

Vinit Singh, Amandeep Singh Bhatia+3 more|arXiv (Cornell University)|Feb 23, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

この論文は、変分回路、量子カーネル、ニューラルネットワーク量子状態といった量子機械学習パラダイムが、複雑な量子系および現実世界のシステムの学習とシミュレーションの課題にどう対処するかを検討し、量子支援サンプリングと情報理論的診断を導入してスケーラビリティと訓練性を向上させる。

ABSTRACT

Quantum machine learning (QML) is rapidly transitioning from theoretical promise to practical relevance across data-intensive scientific domains. In this Review, we provide a structured overview of recent advances that bridge foundational quantum learning principles with real-world applications. We survey foundational QML paradigms, including variational quantum algorithms, quantum kernel methods, and neural-network quantum states, with emphasis on their applicability to complex quantum systems. We examine neural-network quantum states as expressive variational models for correlated matter, non-equilibrium dynamics, and open quantum systems, and discuss fundamental challenges associated with training and sampling. Recent advances in quantum-enhanced sampling and diagnostics of learning dynamics, including information-theoretic tools, are reviewed as mechanisms for improving scalability and trainability. The Review further highlights application-driven QML frameworks in drug discovery, cancer biology, and agro-climate modeling, where data complexity and constraints motivate hybrid quantum-classical approaches. We conclude with a discussion of federated quantum machine learning as a route to distributed, privacy-preserving quantum intelligence. Overall, this Review presents a unified perspective on the opportunities and limitations of QML for complex systems.

研究の動機と目的

• 高次元で高度に相関する複雑なシステムのための量子機械学習（QML）の動機付けと活用の整理。
• 量子多体系物理学、化学、生物学、気候関連データへの適用可能性を見据えた基礎的なQMLパラダイムの調査。
• 訓練、サンプリング、診断の課題を強調し、スケーラビリティと訓練性を向上させる戦略を検討。
• アプリケーション駆動のフレームワークを導入し、分散・プライバシー保護QMLの連合学習を検討。

提案手法

• 変動量子アルゴリズム（VQAs）とニューラルネットワーク量子状態（NQS）を、相関系に対する表現力豊かな変分モデルとして調査。
• 量子カーネル法を、高次元埋め込みを特徴マップとして用いる学習として説明。
• ニューラルネットワーク量子状態と、それを用いた相関物質とダイナミクスのモデリング、訓練とサンプリングの課題を説明。
• 古典的サンプラーを代替する量子支援サンプリングを用いた量子対応変分モンテカルロ（Q-VMC）を示す。代理ハミルトニアンとトロッター化回路を活用。
• 情報理論的診断（OTOCなど）を用いて学習ダイナミクスと訓練可能性を理解。
• 薬剤発見、がん生物学、農 climato-環境モデリングにおけるアプリケーション主導のQMLワークフローを概説し、プライバシー保護付き分散学習の連合QMLを検討。

Figure 1 : A schematic of a Restricted Boltzmann Machine (RBM), a widely used neural-network quantum state. The learner network is represented by a bipartite graph $G=(V,E)$ , consisting of a set of hidden neurons $\{h_{j}\}_{j=1}^{p}$ , shown in gray and associated with bias vector $\vec{b}$ , and

実験結果

リサーチクエスチョン

• RQ1 異なるQMLパラダイム（VQAs、量子カーネル、NQS）は、複雑な量子系と構造化データのモデリングにおいてどのように機能するか？
• RQ2 強く相関する系のNQSの変分訓練において、量子支援サンプリングは収束を改善し分散を減らすことができるか？
• RQ3 情報理論からの診断ツール（OTOCなど）はQMLモデルの学習ダイナミクスと訓練可能性をどのように明らかにするか？
• RQ4 薬剤発見、生物医療データ、気候/農業環境モデリングなどの領域におけるQMLの潜在的応用と制約は何か？
• RQ5 分散・プライバシー保護型量子知能の有効な道として連合量子機械学習はあり得るか？

主な発見

• 量子支援変分モンテカルロ（Q-VMC）フレームワークは、古典的サンプリングを量子サンプラーに置換して、混合を速め収束をより安定させることができる。
• 量子サンプラーは、スペクトルギャップが系のサイズとともに古典的更新よりも遅く崩壊するため、勾配分散を低減し最適化を改善する。
• 時系列外乱反応関数（OTOC）の虚部は、二体の可視-隠れ相関を符号化し、相互情報の下限と関連し、学習とエンタングルメント構造の動的な探査を提供する。
• I-η空間において、基底状態を近似するRBMは下限を飽和しやすく、観測された共分散と整合する最小相互情報の原理を示唆する。
• I-η解析はエリア法か体積法エンタングルド駆動子を区別し、学習された表現が基礎となる相関構造をどのように反映するかを明らかにする。

Figure 2 : Trotterized quantum circuit implementing the quantum-enhanced proposal distribution. The proposal transition probability is defined as $P_{\mathrm{prop}}\!\left(\vec{v}^{(i+1)}\mid\vec{v}^{(i)}\right)=\left|\langle\vec{v}^{(i+1)}|U(\tau,\gamma)|\vec{v}^{(i)}\rangle\right|^{2},$ where the