量子コンピューティングとは?しくみ・できること・最新動向を、Pythonで量子ビットを動かしながらわかりやすく解説

量子コンピューティングの解説。量子ビットの状態を球で表した図(ブロッホ球)

量子コンピューティングとは、量子力学の性質を利用して計算する、新しいタイプのコンピューティングです。ふつうのコンピューターは情報を「0か1か」で扱いますが、量子コンピューターは「0でもあり1でもある」状態を使って計算します。そのため、特定の問題では、いまのスーパーコンピューターでも現実的な時間では解けない計算ができると期待されています。

この記事では、量子コンピューティングのしくみを、Pythonで量子ビットの動きをシミュレーションしながらやさしく解説します。何ができて何ができないのか、どこまで実用に近づいているのか、そしてプログラミングを学ぶ人がどう関われるのかも紹介します。

先に結論:量子コンピューティングの要点

何をするもの? 量子力学の性質(重ね合わせ・もつれ・干渉)を使って計算する
基本の単位 量子ビット(キュービット)。0と1を重ね合わせた状態をとれる
得意なこと 分子や材料のシミュレーション、特定の数学の問題(素因数分解など)、一部の探索
苦手なこと ふつうの事務作業、ゲーム、Webなど。いまのコンピューターを置き換えるものではない
いまの課題 量子ビットがエラーを起こしやすい。エラーを直しながら計算する「誤り耐性型」の実現が目標
主な動き IBMは2029年に誤り耐性型の大規模な量子コンピューター「Starling」の完成を計画。日本も国の研究プログラムで開発中

ふつうのコンピューターとの違い

ビットと量子ビット

ふつうのコンピューターは、情報をビットで扱います。1つのビットは、必ず「0」か「1」のどちらかです。

量子コンピューターは、量子ビット(キュービット)を使います。量子ビットは、測定するまでは「0」と「1」が重なり合った状態をとれます。これを重ね合わせといいます。そして、測定した瞬間に、ある確率で「0」か「1」のどちらかに決まります。

ふつうのコンピューター 量子コンピューター
情報の単位 ビット(0か1) 量子ビット(0と1の重ね合わせ)
計算のしかた 論理回路で、1つずつ確実に計算する 量子ゲートで状態を操作し、最後に測定する
結果 毎回同じ答えが出る 確率的に出る。何度も実行して答えを確かめる
得意なこと ほぼすべての日常的な計算 特定の種類の問題

アイキャッチの球は、1つの量子ビットの状態を表すブロッホ球という図です。北極が「0」、南極が「1」で、矢印が球のどこを向いているかで、0と1がどのくらいの割合で重なっているかを表します。

Pythonで量子ビットを動かしてみる

量子コンピューターがなくても、量子ビットの動きは、ふつうのコンピューターでシミュレーションできます。ここでは、数値計算のライブラリNumPyを使って、量子コンピューティングの3つの基本を確かめます。検証には、Python 3.9.6とNumPy 2.0.2を使いました。

1. 重ね合わせ:0と1が半分ずつ

量子ビットにアダマールゲートという操作をすると、「0」だった状態が、0と1が半分ずつの重ね合わせになります。

import numpy as np

rng = np.random.default_rng(seed=0)   # 結果を再現できるように乱数を固定

# 量子ビットの状態は「0」と「1」の重み(振幅)の組で表す
zero = np.array([1, 0], dtype=complex)            # |0⟩

# アダマールゲート:0 を「0 と 1 が半分ずつ」の重ね合わせにする
H = np.array([[1, 1],
              [1, -1]]) / np.sqrt(2)

state = H @ zero
print("重ね合わせの状態:", np.round(state, 3))
probs = np.abs(state) ** 2                         # 測定で各結果が出る確率
print("0 と 1 が出る確率:", np.round(probs, 3))

# 1000回測定してみる(測定すると、0 か 1 のどちらかに決まる)
results = rng.choice([0, 1], size=1000, p=probs)
print("1000回測定した結果: 0 が", np.sum(results == 0), "回 / 1 が", np.sum(results == 1), "回")
重ね合わせの状態: [0.707+0.j 0.707+0.j]
0 と 1 が出る確率: [0.5 0.5]
1000回測定した結果: 0 が 473 回 / 1 が 527 回

重ね合わせの状態では、0と1が出る確率がそれぞれ50%になりました。実際に1000回測定すると、0が473回、1が527回と、ほぼ半々になります。測定するたびに結果はランダムに決まるので、量子コンピューターでは、同じ計算を何度も実行して、結果の分布から答えを読み取ります。

2. もつれ:離れていても結果がそろう

2つの量子ビットをもつれ(量子もつれ)の状態にすると、それぞれの結果はランダムなのに、2つの結果が必ずそろうという、不思議な関係が生まれます。

import numpy as np

rng = np.random.default_rng(seed=0)

H = np.array([[1, 1], [1, -1]]) / np.sqrt(2)
I = np.eye(2)
# CNOT ゲート:1つ目が 1 のときだけ、2つ目を反転する
CNOT = np.array([[1, 0, 0, 0],
                 [0, 1, 0, 0],
                 [0, 0, 0, 1],
                 [0, 0, 1, 0]])

state = np.zeros(4, dtype=complex)
state[0] = 1                                   # 2つの量子ビットとも 0 からスタート
state = np.kron(H, I) @ state                  # 1つ目を重ね合わせに
state = CNOT @ state                           # 2つ目を1つ目とからめる(もつれ)

labels = ["00", "01", "10", "11"]
probs = np.abs(state) ** 2
print("各結果の確率:", {k: round(float(p), 3) for k, p in zip(labels, probs)})

results = rng.choice(labels, size=1000, p=probs)
values, counts = np.unique(results, return_counts=True)
print("1000回測定した結果:", {str(v): int(c) for v, c in zip(values, counts)})
各結果の確率: {'00': 0.5, '01': 0.0, '10': 0.0, '11': 0.5}
1000回測定した結果: {'00': 473, '11': 527}

1000回測定すると、「00」と「11」だけが出て、「01」と「10」は一度も出ませんでした。1つ目が0なら2つ目も0、1つ目が1なら2つ目も1と、必ずそろっています。量子コンピューターは、このもつれを使って、たくさんの量子ビットの状態を互いに関係づけながら計算します。

3. 干渉:正解の確率を大きくする

量子コンピューティングの本当の強みは、重ね合わせた状態どうしを干渉させて、正解の確率を大きく、不正解の確率を小さくできることです。これを使った代表例が、探し物を効率よく見つけるグローバーのアルゴリズムです。4つの候補の中から、当たりの「10」を探してみます。

import numpy as np

# 4つの候補(00, 01, 10, 11)の中から、当たりの「10」を探す
labels = ["00", "01", "10", "11"]
answer = 2                                     # 当たりの番号("10")

H = np.array([[1, 1], [1, -1]]) / np.sqrt(2)
H2 = np.kron(H, H)                             # 2つの量子ビットに同時にかける

state = np.zeros(4)
state[0] = 1
state = H2 @ state                             # 4つすべてを同じ重みで重ね合わせ
print("探す前の確率:", {k: round(float(p), 3) for k, p in zip(labels, state ** 2)})

# オラクル:当たりの候補だけ、符号(向き)を反転させる
oracle = np.eye(4)
oracle[answer, answer] = -1

# 拡散:平均を軸に折り返して、当たりの重みを大きくする
diffusion = 2 * np.full((4, 4), 1 / 4) - np.eye(4)

state = diffusion @ (oracle @ state)           # 1回だけ実行
print("1回後の確率:  ", {k: round(float(p), 3) for k, p in zip(labels, state ** 2)})
探す前の確率: {'00': 0.25, '01': 0.25, '10': 0.25, '11': 0.25}
1回後の確率:   {'00': 0.0, '01': 0.0, '10': 1.0, '11': 0.0}

探す前は、4つの候補がどれも25%でした。それが、たった1回の操作で、当たりの「10」だけが100%になりました。当たりの向きを反転させ(オラクル)、平均を軸に折り返す(拡散)ことで、当たりの重みだけが強め合い、ほかは打ち消し合ったのです。

NumPyでのシミュレーション結果。もつれた2つの量子ビットを1000回測定すると00が473回、11が527回で01と10は0回。グローバーのアルゴリズムでは1回の実行で当たりの10の確率が25%から100%になる
NumPyでのシミュレーション結果。左がもつれ、右がグローバーのアルゴリズム

ふつうに探すなら、当たりを見つけるまでに平均で何回か調べる必要があります。グローバーのアルゴリズムは、候補が増えるほど、ふつうの探し方より少ない回数で見つけられることが知られています(候補がN個なら、およそ√N回程度)。

NumPyの使い方は「NumPy関数一覧|よく使う関数をカテゴリ別に整理」で解説しています。

なぜふつうのコンピューターではまねできないのか

ここまでのシミュレーションは、ふつうのコンピューターで簡単にできました。では、なぜ量子コンピューターが必要なのでしょうか。理由は、量子ビットが増えると、シミュレーションに必要なメモリが爆発的に増えるからです。

# n 個の量子ビットの状態をふつうのコンピューターで表すのに必要なメモリ
# (複素数1つを16バイトとして計算)
for n in [10, 20, 30, 40, 50]:
    size = (2 ** n) * 16
    for unit in ["B", "KB", "MB", "GB", "TB", "PB"]:
        if size < 1024:
            break
        size /= 1024
    print(f"{n}量子ビット: 2の{n}乗 = {2**n:,} 個の数 → 約 {size:,.0f} {unit}")
10量子ビット: 2の10乗 = 1,024 個の数 → 約 16 KB
20量子ビット: 2の20乗 = 1,048,576 個の数 → 約 16 MB
30量子ビット: 2の30乗 = 1,073,741,824 個の数 → 約 16 GB
40量子ビット: 2の40乗 = 1,099,511,627,776 個の数 → 約 16 TB
50量子ビット: 2の50乗 = 1,125,899,906,842,624 個の数 → 約 16 PB

n個の量子ビットの状態を表すには、2のn乗個の数が必要です。30量子ビットで約16GB、40量子ビットで約16TB、50量子ビットでは約16PBにもなります。量子ビットが1つ増えるたびに、必要なメモリは2倍になります。数百、数千の量子ビットになると、どんなスーパーコンピューターでも、そのまま計算することはできません。量子コンピューターは、この膨大な状態を、量子ビットそのものの性質として扱えるのです。

量子コンピューターで何ができる?

分野 期待されていること
化学・材料 分子や物質のふるまいを正確にシミュレーションし、新しい薬や電池の材料、触媒の開発に役立てる。量子コンピューターがもっとも得意とすると考えられている分野
暗号 1994年に発表されたショアのアルゴリズムを使うと、大きな数の素因数分解を高速に行える。いまのインターネットで使われている暗号の一部(RSA暗号など)が、将来破られるおそれがある
探索・最適化 グローバーのアルゴリズムによる探索の高速化。配送ルートや金融の最適化などへの応用も研究されているが、ふつうのコンピューターより明確に有利かどうかは、まだ研究段階
AI・機械学習 量子機械学習の研究が進んでいるが、実用的な優位性はまだ示されていない(詳しくは「量子機械学習とは?」)

大切なのは、量子コンピューターはいまのコンピューターの「上位版」ではないということです。Webを見る、文書を作る、ゲームをするといった日常の作業は、これからもふつうのコンピューターが担います。量子コンピューターは、特定の種類の問題を解くための「専用の計算機」として使われていくと考えられています。

暗号への影響と「耐量子暗号」

量子コンピューターが暗号を破れるほど大きくなる前に、量子コンピューターでも破られにくい耐量子暗号(ポスト量子暗号)への切り替えが進められています。アメリカ国立標準技術研究所(NIST)は、2024年8月に耐量子暗号の最初の標準規格を公開しました。暗号の基本は「暗号化とは?種類(共通鍵暗号・公開鍵暗号)の違いと身近な例、AESとRSAの仕組みをPythonで解説」で解説しています。

いまの課題:エラーとの戦い

量子ビットは、熱や電磁波などのわずかな影響で、すぐに状態が崩れてしまいます(デコヒーレンス)。そのため、いまの量子コンピューターは計算の途中でエラーを起こしやすく、長い計算ができません。

この問題を解決するのが量子誤り訂正です。たくさんの物理的な量子ビットを束ねて、エラーを直しながら使える1つの論理量子ビットを作ります。こうしてエラーを直しながら計算できるものを誤り耐性型(フォールトトレラント)量子コンピューターと呼び、世界中がその実現を目指しています。

いまの量子コンピューター(NISQ) 誤り耐性型量子コンピューター
エラー 直せない。ノイズが多い 直しながら計算できる
できる計算 短い計算、実験的な用途 長く大規模な計算(暗号の解読、本格的な分子シミュレーションなど)
実現時期 すでに使える 2030年前後を目標に開発中

最新の動き

  • Google「Willow」(2024年12月):105量子ビットのチップで、量子ビットを増やすほど論理量子ビットのエラーが指数関数的に減る「しきい値以下」の誤り訂正を、超伝導方式で初めて実証したと発表しました
  • IBM「Starling」(2029年の計画):約200の論理量子ビットで、1億回の量子ゲート操作を実行できる大規模な誤り耐性型量子コンピューターを、2029年までに完成させる計画を2025年に発表しています
  • 論理量子ビットの競争(2026年):2026年9月には、中性原子方式のInfleqtionが、80個の物理量子ビットで30個の論理量子ビットをもつれさせたと発表しました。ただし、誤りを「訂正」ではなく「検出」する方式にもとづく成果だという指摘もあり、各社の発表は条件をよく見て比べる必要があります
  • 日本の取り組み:理化学研究所と富士通が2025年に256量子ビットの超伝導量子コンピューターを発表するなど、国産機の開発が進んでいます。国の研究プログラム「ムーンショット型研究開発制度」でも、目標6として「2050年までに誤り耐性型汎用量子コンピュータを実現」を掲げ、超伝導、冷却原子(中性原子)、光など、さまざまな方式の研究が行われています。詳しくは「ムーンショット計画とは?ムーンショット型研究開発制度の10の目標・しくみ・予算・最新の動きをわかりやすく解説」をご覧ください

量子コンピューターのいろいろな方式

方式 しくみ 特徴
超伝導 極低温に冷やした超伝導の回路を量子ビットにする 開発がもっとも進んでいる。大型の冷凍機が必要
イオントラップ 電場で捕まえたイオンを量子ビットにする エラーが少ない。操作の速さが課題
中性原子(冷却原子) レーザーで並べた原子を量子ビットにする 量子ビットを増やしやすく、近年急速に注目されている
光 光の粒(光子)を量子ビットにする 室温で動かしやすい

プログラミングを学ぶ人と量子コンピューティング

量子コンピューターのプログラムを書くには、物理の専門知識が必要だと思われがちです。しかし実際には、この記事で見たように、Pythonと行列の計算があれば、基本のしくみは自分で確かめられます。

  • まずはシミュレーションで:NumPyで、量子ゲートを行列として掛け算するだけで、量子ビットの動きを再現できる
  • 量子コンピューター用のライブラリ:IBMの「Qiskit」など、Pythonで量子回路を書けるライブラリがある。シミュレーターで動かせるほか、クラウド経由で本物の量子コンピューターを使えるサービスもある
  • ふつうのコンピューターとの組み合わせ:実際の量子コンピューティングでは、ふつうのコンピューターと量子コンピューターを組み合わせて計算する。データの準備や結果の分析には、これまでどおりのプログラミングの力が欠かせない

大量の計算を高速にこなすという点では、GPUを使った計算とも考え方が近い部分があります。「GPUプログラミングの言語と環境の選び方|CUDA・ROCm・Metal・Pythonでの始め方を解説」もあわせて読んでみてください。

Pythonを基礎から学びたい人は、テックジムの無料のプログラミング講座をご利用ください。AIと一緒にコードを書き、動かして確かめながら学ぶ方法は、AI駆動開発/生成AIエンジニアコースで学べます。

よくある質問(FAQ)

Q. 量子コンピューティングとは簡単にいうと何ですか?

0と1を重ね合わせた状態をとれる「量子ビット」を使って計算するしくみです。重ね合わせ、もつれ、干渉という量子力学の性質を利用して、特定の問題をふつうのコンピューターより速く解くことを目指しています。

Q. 量子コンピューターは、いまのパソコンより何でも速いのですか?

いいえ。量子コンピューターが速いのは、分子のシミュレーションや素因数分解など、特定の種類の問題だけです。日常的な作業は、これからもふつうのコンピューターが担います。

Q. 量子コンピューターはもう使えますか?

研究用の量子コンピューターは、クラウド経由で使えるものもあります。ただし、エラーを直しながら大規模な計算ができる「誤り耐性型」の量子コンピューターは、2030年前後の実現を目指して開発中です。

Q. 量子コンピューターで暗号は破られますか?

十分に大きな誤り耐性型の量子コンピューターができれば、いま広く使われている暗号の一部が破られるおそれがあります。そのため、量子コンピューターでも破られにくい耐量子暗号への切り替えが、すでに始まっています。

Q. 量子コンピューティングを学ぶには何から始めればよいですか?

Pythonの基礎と、行列の計算を学ぶのがおすすめです。この記事のように、NumPyで量子ビットの動きをシミュレーションすると、しくみが実感としてつかめます。その後、Qiskitなどの量子コンピューター用のライブラリに進むとよいでしょう。

関連記事

近いテーマの記事です。あわせてどうぞ。


参考情報

本記事は2026年10月3日時点の情報をもとに作成しています。記事中のコードと実行結果は、2026年10月3日に Python 3.9.6・NumPy 2.0.2 で実行して確認したものです。

対面・無料|東京・永田町で毎週土曜日13時

この記事のようなコードを、講師に聞きながら動かしてみる

ゼロからはじめるPython入門講座

8年間・累計600回開催/これまで全国で2万人以上が参加

「やはり対面で聞けるのはとても気づきがあり、価値があると思います」

参加者の声

  • 本当に初心者からの講座です。プログラミングに触ったことがなくて大丈夫です
  • 対面だから、その場で聞けます。つまずいた所を持ち帰らずに解決できます
  • 講座は1時間。そのあとも残って学習を続けられ、講師にも質問できます
  • 独学で挫折した方も。糸口が見つかって、講座のあと会員になる方が多くいます

無料で参加する|開催日程を見る

参加費は無料です