NVIDIAは先日、AIシステムにおける量子誤り訂正の課題を解決するため、古典的なイジングモデルに基づいたオープンモデルを発表しました。
表面符号やトポロジカル量子符号といった従来の手法とは異なり、これらのモデルはスピン構成のエネルギーを利用して、大規模ニューラルネットワークの学習時に発生するノイズをモデル化し、修正します。
公式情報によると、このアプローチにより、従来のヒューリスティックな解決策と比較して、訂正にかかる計算コストを30〜40パーセント削減できるとのことです。
技術的には、イジングモデルはここではグラフ構造として適用されており、ノードは量子ビットやニューラルネットワークのパラメータを表し、それらの間の相互作用はハミルトニアンによって記述されます。
学習はノイズが存在する条件下で系のエネルギーを最小化することに集約され、これはアニーリングプロセスに似ています。NVIDIAはGPU上で実験を再現するためのオープンな重みとコードを提供しましたが、検証に使用された合成ノイズデータの生成に関する正確な詳細は明らかにしていません。
この手法は、結果の汎用性について疑問を投げかけています。テストは主に小規模なシミュレーション上の量子回路で実施されており、実際の量子ハードウェア上で行われたものではありません。そのため、現代の量子プロセッサに特有の相関エラーに対して、これらのモデルがどの程度効果的に機能するかという問いが残されています。
誤りしきい値が約1パーセントの表面符号を用いた2023年のGoogle Quantum AIの研究と比較すると、NVIDIAのアプローチはハイブリッドな古典・量子最適化に賭けており、これは数千量子ビットへのスケーリングにおいてより有利になる可能性があります。
研究分野において、この進展は量子コンピューティングと大規模機械学習のコミュニティを接近させるものです。以前にもXanaduやRigettiによる量子機械学習の研究で同様のアイデアが提唱されていましたが、NVIDIAはPyTorchなどのフレームワークに統合するための完全にオープンな重みとツールを初めて提供しました。
このような動きは、独立したグループによる実験を加速させ、AI向けのフォールトトレラントな量子アルゴリズムの分野における優先順位を変える可能性があります。
業界にとって、これは誤り訂正のタスクが専門の量子ハードウェアだけでなく、統計物理学の確立された手法を用いて古典的なアクセラレータ上でも解決可能になることを意味します。一方で、追加のキャリブレーションなしに、実際の量子ノイズ下でモデルがどのように動作するかは依然として不明なままです。
今後の研究では、実際の量子デバイスへの移植性を検証し、従来のデコーダとのエネルギーコストの比較が行われることになるでしょう。
最終的に、NVIDIAによるイジングモデルの公開は、量子耐性を持つAI分野における再現性の新たな基準を打ち立て、より効率的なハイブリッドアーキテクチャへの道を開くものです。
