Skip to content
Danh sách dự án
R&D nội bộResearch

QML-SAKURA — Học Máy Lai Lượng Tử-Cổ Điển (mô phỏng cổ điển)

QML-SAKURA — Quantum-Classical Hybrid Machine Learning

R&D nội bộ cho học máy lai lượng tử-cổ điển thông qua mô phỏng cổ điển.

2026 R&D nội bộ 5 tháng 2026-05
#quantum#qml#machine-learning#vqc#research

Demo trực tiếp

Xem trước giao diện ứng dụng thực tế

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

Thách thức

Khám phá thuật toán ML lai lượng tử-cổ điển một cách thực tế thông qua mô phỏng cổ điển, không tuyên bố về hiệu năng phần cứng lượng tử.

Giải pháp

Khung lai với mạch tham số mô phỏng, optimizer cổ điển và bộ benchmark — chạy trong phòng lab nội bộ trên simulator cổ điển.

Kết quả

  • Benchmark nội bộ: 4 thuật toán QML được kiểm thử trên dataset tổng hợp nhỏ
  • Pipeline huấn luyện lai được xác thực trong thí điểm nội bộ trên mô phỏng cổ điển
  • Beta nội bộ với 3 nhà nghiên cứu — đánh giá phương pháp tích cực
  • Chỉ R&D nội bộ — mô phỏng cổ điển, không có phần cứng lượng tử thật
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)
Công nghệ sử dụng

Tools & Platforms

Backend

Python 3.12

Infrastructure

Docker

Other

PennylanePyTorch 2.xJAXQiskit 2.xCirqNumPyscikit-learnOptunaMLflowWeights & BiasesCUDA 12
Build with KGA

Bạn quan tâm đến dự án tương tự?

Chúng tôi sẽ đề xuất giải pháp tốt nhất cho doanh nghiệp của bạn.

Trao đổi về dự án