Skip to content
K
KGAIT Solutions
制作実績一覧
量子コンピューティングResearch

QML-SAKURA — 量子古典ハイブリッド機械学習

QML-SAKURA — Quantum-Classical Hybrid Machine Learning

Pennylane をコアに VQC (Variational Quantum Classifier) と PyTorch / JAX の古典ネットワークを接続する量子古典ハイブリッド ML の内部 R&D。小規模データセットに限定し、barren plateau 検出とパラメータ初期化戦略の実証を目的とする。実機ではなく古典シミュレーション上の評価である点を明示する。

2026 R&D (長期) 2026-05
#quantum#qml#machine-learning#vqc#research

ライブデモ

実際のアプリケーション画面のプレビュー

DEMO
app.qml.jp/dashboard

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

QML 精度
0.812

4-qubit変分回路

古典SVM ベースライン
0.834

RBF kernel

学習時間
42 min

100 epochs · Adam

パラメータ数
48

量子ゲート回転角

変分量子回路 (VQC) · 4 qubits

Feature Encoding

Angle encoding · RY(x_i)

RYq0
RYq1
RYq2
RYq3

Variational Layer 1

RY(θ) · CNOT ring

RYq0
RYq1
RYq2
RYq3

Entangling

CNOT(i, i+1) mod 4

CXq0
CXq1
CXq2
CXq3

Variational Layer 2

RZ(θ) · CNOT ring

RZq0
RZq1
RZq2
RZq3

Measurement

Pauli-Z expectation

Zq0
Zq1
Zq2
Zq3

訓練損失曲線

古典 SVM (baseline) QML (VQC)
0.000.250.500.751.00epoch 0epoch 10epoch 20epoch 30epoch 39

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

課題

VQC は表現力が高い一方、ランダム初期化では勾配が指数関数的に消失する barren plateau に陥ることが知られ、古典 NN と単純比較した際の優位性は現実のデータでは立証されていない。NISQ 実機ノイズ下ではさらに評価が困難で、研究上の主張と実務上の適用可否を切り分ける必要がある。

ソリューション

Pennylane + PyTorch プラグインで VQC を微分可能モジュール化し、block-identity 初期化 / 局所コスト関数 / 浅い ansatz を組み合わせて barren plateau を抑制。勾配分散を学習中にモニタリングし、閾値を下回った時点で自動的に古典ベースラインへフォールバックする運用設計を採用した。

成果

  • MNIST サブセット (4 クラス, 1k サンプル) で VQC 古典ハイブリッドが古典 MLP と同等精度に到達 (古典シミュレーション上)
  • block-identity 初期化で勾配分散の立ち上がりを 3 倍以上改善 (シミュレーション計測)
  • barren plateau 検出器により無駄な学習ステップを平均 18% 削減
  • 実機量子ハードウェアでの優位性は主張せず、NISQ 時代の適用可否ガイドとして社内共有
Key Metrics

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)

Features

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。

Architecture

System Layers

Layered architecture showing components, responsibilities, and data flow.

L1

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。

scikit-learn 前処理特徴量マップAmplitude / Angle エンコーダ
L2

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。

Pennylane VQCPyTorch / JAX NN勾配ブリッジ
L3

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。

勾配分散モニタbarren plateau 検出器MLflow / W&B
Development Process

How we built it

Step 1

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
Step 2

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
Step 3

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
Step 4

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
Roadmap

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。

Team

Who built it

2engineers

Roles

  • 量子 ML 研究
  • ML エンジニア (兼任)
技術スタック

Tools & Platforms

Backend

Python 3.12

Infrastructure

Docker

Other

PennylanePyTorch 2.xJAXQiskit 2.xCirqNumPyscikit-learnOptunaMLflowWeights & BiasesCUDA 12
前のプロジェクト次のプロジェクト
Build with KGA

同様のプロジェクトをお考えですか？

お客様のビジネスに最適なソリューションをご提案いたします。

プロジェクトを相談する