Sakura — Machine Learning Híbrido Cuántico-Clásico
QML-SAKURA — Quantum-Classical Hybrid Machine Learning
Investigación en ML híbrido cuántico-clásico con Pennylane y circuitos variacionales, ejecutado en simulación clásica. Prototipo de I+D en validación interna.
Demo en vivo
Vista previa de la pantalla real de la aplicación
限定的優位性 (Limited advantage)
古典シミュレーション上で実行された量子機械学習PoC · 特定のカーネル構造でのみ古典同等性を達成 · 実ハードウェア上での量子優位性は未実証
4-qubit変分回路
RBF kernel
100 epochs · Adam
量子ゲート回転角
変分量子回路 (VQC) · 4 qubits
Feature Encoding
Angle encoding · RY(x_i)
Variational Layer 1
RY(θ) · CNOT ring
Entangling
CNOT(i, i+1) mod 4
Variational Layer 2
RZ(θ) · CNOT ring
Measurement
Pauli-Z expectation
訓練損失曲線
収束ギャップは ~0.022 · 統計的有意差は見られず · 「等価」域内
データセット
- 名称
- Custom Tabular / Binary
- サンプル数
- 12,048
- 特徴量
- 4 (PCA縮約後)
- train / test
- 80 / 20
- クラス均衡
- 0.51 / 0.49
特徴量埋め込み (4-qubit)
16基底状態 · amplitude encoding
PennyLane + PyTorch ハイブリッド実装 · 実機実行は IBM Quantum / IonQ 互換
Desafío
El equipo de investigación quería explorar variational quantum circuits para clasificación en datasets pequeños, sin afirmar ninguna ventaja práctica sobre métodos clásicos.
Solución
Pipeline en Pennylane con VQCs y optimizadores clásicos (Adam/SPSA), entrenados vía simulación clásica. Comparación honesta con baselines clásicos sin afirmaciones de supremacía. I+D interna.
Resultados
- 12 arquitecturas VQC evaluadas en I+D (datos internos)
- Precisión comparable a baseline clásico en 3/12 datasets (datos internos)
- Tiempo medio de entrenamiento por VQC: 47min en simulación (datos internos)
- Documentación interna de 6 hipótesis descartadas
Measured Impact
対象データ規模
≤2k サンプル (研究用途)
対象 qubit
4〜12 (シミュレーション)
実機実行
未対応 (Phase 4 計画)
古典優位性主張
なし (NISQ 時代前提)
What it does
モデリング
VQC + 古典 NN ハイブリッド
Pennylane の量子ノードを PyTorch / JAX モジュールと同一の学習ループに統合。
エンコード戦略切替
Amplitude / Angle / データ再アップロードエンコーディングをコンフィグで切替可能。
診断
Barren Plateau 検出
勾配分散の移動平均を監視し、閾値を下回ると自動で古典ベースラインにフォールバック。
実験追跡
MLflow / W&B にシード・回路・パラメータ分布を記録し、再現性を確保。
System Layers
Layered architecture showing components, responsibilities, and data flow.
Layer
Data & Encoding
古典データを量子状態に埋め込むためのエンコード戦略を提供する層。
Layer
Hybrid Model
量子回路と古典 NN を単一の微分可能グラフとして接続するモデル層。
Layer
Diagnostics
学習中の勾配・損失・パラメータ分布を追跡し、退化した学習を早期検知する診断層。
How we built it
問題設定の選定
古典手法との比較が公平になる小規模分類 / 回帰タスクを選び、評価指標を決める。
Deliverables
- データセット仕様
- 評価指標表
- ベースライン結果
VQC 実装
Pennylane + PyTorch で微分可能な VQC を組み、古典 NN と損失を共有する学習ループを作る。
Deliverables
- モデルコード
- 学習スクリプト
- ユニットテスト
Barren Plateau 分析
初期化・ansatz 深さ・コスト関数を変化させて勾配分散を計測し、実用域を特定する。
Deliverables
- 実験ノート
- 勾配ヒートマップ
- 推奨設定
社内ガイド化
QML 導入可否判断のためのチェックリスト・コード雛形・既知の落とし穴集をまとめる。
Deliverables
- 適用可否ガイド
- サンプルリポジトリ
- FAQ
Delivery Timeline
- Phase 1In Progress2026-05
VQC ベースライン
Pennylane + PyTorch で VQC を実装し、古典 MLP / SVM とのフェアな比較ハーネスを整備する。
- Phase 2Planned2026-11
Barren Plateau 対策
初期化戦略・局所コスト関数・浅い ansatz を比較し、勾配分散の推移を定量評価する。
- Phase 3Planned2027-06
ノイズ下評価
デポラライズ / 読み出し誤差を含むノイズモデルで精度劣化を測定し、誤り緩和手法を適用する。
- Phase 4Planned2028-02
実機パイロット
IBM Quantum Runtime / Amazon Braket で小規模 VQC を実行し、シミュレーション結果との乖離を報告する。
Who built it
Roles
- 量子 ML 研究
- ML エンジニア (兼任)
Tools & Platforms
Backend
Infrastructure
Other
¿Interesado en un proyecto similar?
Te propondremos la mejor solución para tu negocio.
Consultar sobre tu proyecto