Sakura — Machine Learning Híbrido Quântico-Clássico
QML-SAKURA — Quantum-Classical Hybrid Machine Learning
Pesquisa em ML híbrido quântico-clássico com Pennylane e circuitos variacionais, executado em simulação clássica. Protótipo de P&D em validação interna.
Demonstração ao Vivo
Prévia da interface real do aplicativo
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
Desafio
Equipe de pesquisa queria explorar variational quantum circuits para classificação em datasets pequenos, sem alegar qualquer vantagem prática sobre métodos clássicos.
Solução
Pipeline em Pennylane com VQCs e otimizadores clássicos (Adam/SPSA), treinados via simulação clássica. Comparação honesta com baselines clássicos sem alegações de supremacia. P&D interna.
Resultados
- 12 arquiteturas VQC avaliadas em P&D (dados internos)
- Acurácia comparável a baseline clássico em 3/12 datasets (dados internos)
- Tempo médio de treino por VQC: 47min em simulação (dados internos)
- Documentação interna de 6 hipóteses 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
Pensando em um projeto semelhante?
Propomos a melhor solução para as necessidades do seu negócio.
Consultar Sobre Seu Projeto