[論文レビュー] Beyond Optimization: Harnessing Quantum Annealer Dynamics for Machine Learning

Akitada Sakurai, Aoi Hayashi+4 more|arXiv (Cornell University)|Jan 14, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

この論文は、古典データを量子アニーラのIsingハミルトニアンへエンコードし、そのコヒーレントダイナミクスを用いて特徴を発生させ、分類を行う方法を示す。D-Waveシステム上の実験とMNISTシミュレーションで検証。

ABSTRACT

Quantum annealing is typically regarded as a tool for combinatorial optimization, but its coherent dynamics also offer potential for machine learning. We present a model that encodes classical data into an Ising Hamiltonian, evolves it on a quantum annealer, and uses the resulting probability distributions as feature maps for classification. Experiments on the quantum annealer machine with the Digits dataset, together with simulations on MNIST, demonstrate that short annealing times yield higher classification accuracy, while longer times reduce accuracy but lower sampling costs. We introduce the participation ratio as a measure of the effective model size and show its strong correlation with generalization.

研究の動機と目的

• 量子アニーラ（QA）のコヒーレント量子ダイナミクスを特徴発生器として利用する機械学習フレームワークを実証する。
• アニーリング時間とノイズが性能に与える影響を分析して、実機とより大規模データセットでの実現可能性を評価する。
• モデル容量と一般化の診断として参加比率を導入・検証する。
• ショット数とノイズがQAベースの特徴の実用的な分類性能に与える影響を探る。

提案手法

• 古典入力をQAの最終Isingハミルトニアンへエンコードし、QAダイナミクスの下で系统を発展させて出力確率分布を得る。
• 得られた分布を標準化（例：StandardScaler）後の特徴ベクトルとして扱い、Softmax付きの単純な多クラスパーセプトロンを用いて分類を学習する。
• 8量子ビットのサブグラフを用いたD-Wave Advantage System 7.1でDigitsデータセットをPCA圧縮して実験的にモデルを実装する。
• 簡易なIsingモデルとPCA前処理を用いてMNISTへ数値的に拡張し、量子ビット数とアニーリング時間の依存性を研究する。
• ハミルトニアンのランダム性に対する頑健性を、制御されたノイズを注入してハードウェア結果と比較して検討する。

実験結果

リサーチクエスチョン

• RQ1 量子アニーラのコヒーレントダイナミクスは、機械学習タスクの有意な特徴生成器として機能し得るか。
• RQ2 アニーリング時間とエネルギースケーリングはQAベースの分類性能と一般化にどのような影響を与えるか。
• RQ3 モデルサイズ（参加状態空間の観点）と一般化の関係は、参加比率（PR）によってどう表れるか。
• RQ4 QAベースの分類の信頼性あるショット数はどれくらいか、量子ビット数とどうスケールするか。
• RQ5 QAベースの特徴学習は、ハミルトニアンのノイズやランダムゆらぎに対して頑健か。

主な発見

• QAダイナミクスは分類のための有用な特徴分布を生み出すことができ、 digit のタスクで古典的な線形分類器を上回る。
• 短いアニーリング時間は一般化を促進する一方、長い時間は精度を低下させるがショット数を減らす。
• ハードウェアノイズや意図的に加えられた乱雑さが結果を改善するノイズ支援機構と一致する。
• 参加比率（PR）は分類精度と強く相関し、モデル容量と一般化の診断指標として機能する。
• MNISTでは量子ビット数を増やすとピーク精度が向上する可能性があり、長いアニーリング時間はショット数を少なくしても理論へ収束を促す。
• 実験では画像1枚あたり約0.5×10^3ショットで古典的線形分類器を上回る。