Skip to content
K
KGAIT Solutions
返回项目列表
量子计算Research

QML-SAKURA — 量子古典混合机器学习

QML-SAKURA — Quantum-Classical Hybrid Machine Learning

结合变分量子电路与古典神经网络的混合 ML 研发,所有实验均在古典仿真上进行。

2026 长期研发 2026-05
#quantum#qml#machine-learning#vqc#research

在线演示

实际应用界面预览

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

挑战

VQC 在哪些条件下相对古典模型有意义,公司内部缺乏学术之外的验证。

解决方案

在 PennyLane 与 JAX 的 GPU 仿真上训练 VQC,并以相同数据与预算公平对比古典基线。不主张量子优越性。

成果

  • 在特定低维数据集仿真中精度较基线提升 3 个百分点(内部基准)
  • 量化表达能力与训练稳定性的权衡
  • 在公司内部共享 8 套教学 notebook
  • 整理公平比较协议 v0.2
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)
技术栈

Tools & Platforms

Backend

Python 3.12

Infrastructure

Docker

Other

PennylanePyTorch 2.xJAXQiskit 2.xCirqNumPyscikit-learnOptunaMLflowWeights & BiasesCUDA 12
上一个项目下一个项目
Build with KGA

正在考虑类似的项目？

我们将为您的业务需求提供最优解决方案。

咨询您的项目