特許ウォッチ

公開番号2025146424
公報種別公開特許公報(A)
公開日2025-10-03
出願番号2024047183
出願日2024-03-22
発明の名称機械学習プログラム、機械学習方法および情報処理装置
出願人富士通株式会社
代理人弁理士法人酒井国際特許事務所
主分類G06N 20/00 20190101AFI20250926BHJP(計算;計数)
要約【課題】短時間の機械学習で高精度の量子オートエンコーダを生成することを課題とする。
【解決手段】情報処理装置は、各量子ビットの状態が相互に同じである第1の入力データと第2の入力データとを用いて、量子オートエンコーダに対する第1の機械学習を実行する。情報処理装置は、各量子ビットの状態が相互に異なる第3の入力データと第4の入力データとを用いて、第1の機械学習により学習された量子オートエンコーダに対する第2の機械学習を実行する。
【選択図】図6
特許請求の範囲【請求項１】
コンピュータに、
各量子ビットの状態が相互に同じである第１の入力データと第２の入力データとを用いて、量子オートエンコーダに対する第１の機械学習を実行し、
各量子ビットの状態が相互に異なる第３の入力データと第４の入力データとを用いて、前記第１の機械学習により学習された前記量子オートエンコーダに対する第２の機械学習を実行する、
処理を実行させることを特徴とする機械学習プログラム。
続きを表示（約 1,500 文字）【請求項２】
前記第１の機械学習を実行する処理は、
入力された量子ビットにゲート操作を行わない量子回路と、入力された量子ビットにエンコードおよびデコードを実行する前記量子オートエンコーダとを有する学習用の量子回路において、前記量子回路に前記第１の入力データを入力して第１の出力データを取得し、前記量子オートエンコーダに前記第２の入力データを入力して再構成された第２の出力データを取得し、
前記第１の出力データと前記第２の出力データとの誤差を小さくする前記第１の機械学習を実行する、
ことを特徴とする請求項１に記載の機械学習プログラム。
【請求項３】
前記第２の機械学習を実行する処理は、
前記量子回路に前記第３の入力データを入力して第３の出力データを取得し、前記第１の機械学習により学習された前記量子オートエンコーダに前記第４の入力データを入力して再構成された第４の出力データを取得し、
前記第３の出力データと前記第４の出力データとの誤差を小さくする前記第２の機械学習を実行する、
ことを特徴とする請求項２に記載の機械学習プログラム。
【請求項４】
前記量子オートエンコーダは、前記第２の機械学習後に、変分量子固定値法を用いた量子回路により生成される生成データのノイズ除去に利用される量子回路であり、
前記第１の機械学習を実行する処理は、
前記変分量子固定値法を用いた複数の量子回路それぞれで生成された各生成データを、前記第１の入力データと前記第２の入力データを用いて前記第１の機械学習を実行し、
前記第２の機械学習を実行する処理は、
前記変分量子固定値法を用いた複数の量子回路それぞれで生成された各生成データを組み合わせて前記第３の入力データと前記第４の入力データの組を生成し、
生成された組の入力データを用いて前記第２の機械学習を実行する、
ことを特徴とする請求項１に記載の機械学習プログラム。
【請求項５】
前記学習用の量子回路は、前記量子回路と、前記ゲート操作または初期パラメータが異なる各量子オートエンコーダとを含む複数の学習用の量子回路を有し、
前記第１の機械学習を実行する処理は、
前記複数の学習用の量子回路それぞれに対して前記第１の機械学習を実行し、
前記複数の学習用の量子回路に対する各第１の機械学習の結果に基づいて、１つの学習用の量子回路を選択し、
前記第２の機械学習を実行する処理は、
選択された前記１つの学習用の量子回路に対して、前記第２の機械学習を実行する、
ことを特徴とする請求項３に記載の機械学習プログラム。
【請求項６】
コンピュータが、
各量子ビットの状態が相互に同じである第１の入力データと第２の入力データとを用いて、量子オートエンコーダに対する第１の機械学習を実行し、
各量子ビットの状態が相互に異なる第３の入力データと第４の入力データとを用いて、前記第１の機械学習により学習された前記量子オートエンコーダに対する第２の機械学習を実行する、
処理を実行することを特徴とする機械学習方法。
【請求項７】
各量子ビットの状態が相互に同じである第１の入力データと第２の入力データとを用いて、量子オートエンコーダに対する第１の機械学習を実行し、
各量子ビットの状態が相互に異なる第３の入力データと第４の入力データとを用いて、前記第１の機械学習により学習された前記量子オートエンコーダに対する第２の機械学習を実行する、
制御部を有することを特徴とする情報処理装置。

発明の詳細な説明【技術分野】
【０００１】
本発明は、機械学習プログラム、機械学習方法および情報処理装置に関する。
続きを表示（約 2,000 文字）【背景技術】
【０００２】
一つまたは複数の量子ビット上の操作を実行する量子ゲートを組み合わせた量子回路が利用されている。量子回路は、１の量子ビットの状態を変化させるゲートや２つの量子ビット間でのエンタングルメントを作成するゲートなどを組み合わせて生成され、測定というプロセスを利用して量子回路から古典情報の取り出しが行われる。このような量子回路には、パラメータがない固定量子回路とパラメータ化された変分量子回路とがある。
【０００３】
また、現在普及している一般的なコンピュータである古典コンピュータによる計算が困難な領域に対して、量子計算の原理を機械学習に応用した、量子回路による機械学習モデルが利用されている。例えば、量子回路による機械学習モデルとしては、ディープラーニングやニューラルネットワークの領域で広く利用されているアーキテクチャの一つであるオートエンコーダを量子回路で実現した量子オートエンコーダがある。量子オートエンコーダは、オートエンコーダのアイディアを量子コンピューティングに適応させたものであり、量子ビット上でデータをエンコードおよびデコードするプロセスを実現し、これにより、量子的な特性を持つデータの特徴抽出や圧縮を実現する。
【０００４】
近年では、変分量子アルゴリズムのノイズを除去するために、量子オートエンコーダを実装するアンサツ量子回路が量子機械学習手法として用いられている。
【先行技術文献】
【特許文献】
【０００５】
特開２０２２－１７６８９９号公報
特開２０２１－１９３６１５号公報
米国特許出願公開第２０２０／０１６９３９６号明細書
米国特許出願公開第２０１９／０１６４０３４号明細書
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、例えば変分量子アルゴリズムのノイズ除去の機械学習において局所解や解の探索が困難となり、量子オートエンコーダの学習時間の長時間化と機械学習された量子オートエンコーダの精度劣化が発生する。例えば、上記量子オートエンコーダの機械学習では、問題サイズが増加すると、多くの変分パラメータの最適化に時間がかかり、量子回路の構造の設計やパラメータの初期化で高い精度を得るのが難しい。
【０００７】
一つの側面では、短時間の機械学習で高精度の量子オートエンコーダを生成することができる機械学習プログラム、機械学習方法および情報処理装置を提供することを目的とする。
【課題を解決するための手段】
【０００８】
第１の案では、機械学習プログラムは、コンピュータに、各量子ビットの状態が相互に同じである第１の入力データと第２の入力データとを用いて、量子オートエンコーダに対する第１の機械学習を実行し、各量子ビットの状態が相互に異なる第３の入力データと第４の入力データとを用いて、前記第１の機械学習により学習された前記量子オートエンコーダに対する第２の機械学習を実行する、処理を実行させることを特徴とする。
【発明の効果】
【０００９】
一実施形態によれば、短時間の機械学習で高精度の量子オートエンコーダを生成することができる。
【図面の簡単な説明】
【００１０】
図１は、量子回路の機械学習を説明する図である。
図２は、変分量子アルコリズムを説明する図である。
図３は、量子オートエンコーダの量子回路を説明する図である。
図４は、ノイズ除去を行う量子オートエンコーダの機械学習を説明する図である。
図５は、ＶＱＥのためのノイズ除去を行う量子オートエンコーダの機械学習を説明する図である。
図６は、実施例１にかかる情報処理装置による量子オートエンコーダの機械学習を説明する図である。
図７は、実施例１にかかる情報処理装置の機能構成を示す機能ブロック図である。
図８は、サブタスク学習用の学習データの生成を説明する図である。
図９は、ＱＡＥのサブタスク学習を説明する図である。
図１０は、メインタスク学習用の学習データの生成を説明する図である。
図１１は、ＱＡＥのメインタスク学習を説明する図である。
図１２は、学習後のＱＡＥを用いたノイズ除去を説明する図である。
図１３は、ＱＡＥの学習処理の流れを示すフローチャートである。
図１４は、サブタスク学習の効果を説明する図である。
図１５は、段階的な効果の学習を説明する図である。
図１６は、ＱＡＥ回路の決定を説明する図である。
図１７は、ハードウェア構成例を説明する図である。
【発明を実施するための形態】
（【００１１】以降は省略されています）

関連特許