2023年は 量子コンピューター 業界にとって 激動の時期になり始めています。 これは急激に量子コンピューターの技術を 会得し 技術力が大きく 米国に迫る もしくは すでに上回っている 中国の影響だと思われます。 当初 想定されていたよりも 米国の 量子コンピューター関連の製品投入のスケジュールが前倒しになっており 実際に 米国企業へのヒアリングを行ってみると 特に 軍事産業における 中国の追い上げ もしくは追い越しに対して かなり危惧しているという国内事情があるそうです。 米国 ももはや 優位性 を盾に のんびり 量子コンピューターの開発をしている余裕はなく 全ての領域において中国を凌駕しなくてはいけないという事情が垣間見えます。
実際 最先端の AI 半導体 領域では 中国への輸出 制限などが米国政府によって行われており 多くのビジネスにおいて混乱が生じています。 量子コンピューター領域も例外ではなく その技術の先進性を競うように 最近では米国は 多くの投資を行い 量子コンピューターの企業や人材を育成しています。 現状 2023年では アーリー FTQC と呼ばれる 誤り訂正型の 量子コンピューターの開発が急ピッチで行われており 理由としましては 2015年頃から開発が行われていた 既存コンピューター と量子コンピューターのハイブリッド方式である NISQ 型量子コンピューターのアプリケーション開発が不発に終わったことが挙げられます。
ただ 他方で アーリーFTQCの実現にはまだ時間がかかると言われており 近年 まだ スパコンと量子コンピューターのハイブリッド データセンター などの構築が急ピッチで行われている状況であります。 Google や IBM のロードマップも最近では直近のロードマップではなく 2030年以降の実現を目標とされており 2023年から5年から8年程度に関しては そう成果の多くない発展が予想されています。 そんな中で次世代のアプリケーション開発 に関して 新しい技術 も 重要になってきます。 今後3年から5年間の中で 誤り訂正に 量子ビットの数を増やす必要があります。 誤り訂正を行うためには 物理 量子ビットをたくさん用意し それらをまとめて 論理 量子ビットとして活用する必要がありますが 最近の IBM の論文などを見るとやはり多くの物理 量子ビットを低い エラーレートで利用し 誤り訂正に先駆けて 有用な計算を行ってみようという流れがあります。
そうした中で従来型の量子コンピューターのシミュレーターである状態ベクトル シミュレーターに関しては 原理的に40から50量子ビットまでしか計算ができず 現状の100量子ビット越えの量子コンピューターのシミュレーションをすることができません。 もちろん 状態ベクトル シミュレーターは アーリー FTQC と呼ばれる物理 量子ビットを多数用意し 少ない 論理 量子ビットを作って計算する 誤り訂正 付き アルゴリズムに関しては まだまだ利用価値があります。 むしろ 最近開発されていた新しい方式のシミュレーターに関しては そうした 誤り訂正 付き アルゴリズムの実行は難しくなっています。
最近登場した新しいシミュレーション技術としては 2021年に スパコンの 最高賞を 獲得した テンソルネットワークがあります。 ネットワークは量子コンピューターの計算だけでなく 機械学習でも利用される 汎用的な計算手法 で行列演算を ネットワーク化 したような構成になっています。 近年 GPU などによる 深層学習の チップ の性能向上により こうした量子計算と 深層学習の 計算は 高速化 や 大規模かという観点において 非常に近いものになってきています。 NVIDIA の最新 sdk には この 従来の状態ベクトルと 新しい テンソルネットワーク型の シミュレーター の両方が搭載されています。 状態ベクトル シュミレーターは GPU の 接続性 拡張性 などを利用することにより 従来 これまで考えられてきた シュミレーションよりも 高速かつ 大規模化を実現できています。 また深層学習との親和性という観点では 2021年に登場した テンソルネットワーク は 2019年に Google が発表した 量子超越 と同等の計算を GPU で行うことが可能になっています。 こうした テンソルネットワークは 従来の 量子 計算との 違い があるため なかなか 従来の 量子計算 研究者に受け入れられるのに時間がかかっています。
最近でのテンソルネットワーク型量子計算の特徴として一番大きいのが ツールに 深層学習 向けのツールを使うことです。 Google 社のTensorFlowやPyTorch、JAXなど 最新の深層学習 向けのツールを使って このテンソルネットワーク型量子計算を行うことが 増えてきました。 今では 弊社内でも基本的に量子計算にはJAXなどを使っています。 またテンセントの 最新型 量子計算 sdk は まさに これらの深層学習 向けのツールを統合した形で 作成されており 中国や 米国 カナダなどの 最先端 開発 の現場においては ほぼ 深層学習と 量子計算の 共通化が行われています。
深層学習と 量子計算を 共通化する メリットは複数あります。 まずは 従来の 量子状態などの 専門用語を 覚えなくても 深層学習の手順で 量子 古典ハイブリッド 計算を動かすことにより 人材育成が容易になります。 また 現在の量子コンピューターは 万能ではないため 量子コンピューターの得意分野 そして GPU の得意分野 それぞれがあります。 こうした深層学習のツールでは 量子コンピューターが苦手とする部分を 高速化することで ハイブリッド方式の 研究がさらに加速されているという いい循環が 生まれています。 また 量子コンピューターの開発が進む前に GPU を たくさん集めることで 将来的な アプリケーションの開発を 先行して 行うことができます 。 ですので 量子 人材を 1から 育成 しなくても 機械学習 人材と 共通化することで 社内リソースの効率化を図ることができます。 また 計算リソースに関しても 量子コンピューターを利用するだけでなく 既存の GPU を利用することにより 効率的な 計算リソースの管理を行うことができ 大幅なコストダウンを実現できます。 教育に関しても 量子計算と 深層学習 を バラバラに 学ぶ必要がなく 線形代数 をベースとした 共通化した計算で 学ぶことにより すぐに 量子コンピューターの実用化が 訪れなくても 深層学習 特に最近流行っている 生成 AI などの 最新技術と 知識を共通化することができます。
このように 最新の GPU の発達 が もたらす恩恵は 量子計算におよんでいます。 そして ツールも 共通化され始めています。 これらは 2020年代に 入ってから起こった 新しいムーブメントですので これらの NVIDIA の躍進を支える AI の技術 そして 最新の 量子計算のムーブメント を 観察することにより 導入することができます。 これらの新しい流れは 人材面においても コスト面においても 非常に大きなメリットを企業にもたらします。 また 量子計算が すぐに実用化しなくても 深層学習面の 知識を利用することにより 実用的な計算にすぐに切り替えることができ 投資対効果 に無駄がありません。 弊社でも このようなメリットを 顧客に 提示することにより 多くの メリットを 顧客側で すでに出始めています 。 量子コンピューターに投資した金額を 深層学習 で回収できるのは 今だけでしょう。 こうした 効率的な アプリケーション計画は 企業の 収益性 や 今後の 効率的な DX への ビジョン など 全般に及ぶことになります。 是非 新しい技術を 情報収集し 人材面 コスト面 において 無駄のない 量子コンピューター 投資を 実現してください。 以上です。