量子機械学習とは?しくみ・代表的な手法・限界をPythonで量子回路を動かしながら解説

量子機械学習(Quantum Machine Learning、QML)は、量子コンピューターを機械学習に使う研究分野です。量子コンピューターの「重ね合わせ」や「もつれ」といった性質を使えば、今のAIより速く、あるいは少ないデータで学習できるのではないか、という期待から研究が進んでいます。
一方で、ここ数年の研究では、多くの場合ふつうのコンピューターでも同じことができることや、公平にくらべると古典的な機械学習のほうが強いことも分かってきました。この記事では、量子機械学習のしくみを、量子回路をPythonでシミュレーションしながら体験し、代表的な手法、分かってきた限界、本当に量子が有利になりそうな分野までを、期待と現実の両面から解説します。
量子ビットや重ね合わせといった量子コンピューターの基本は、「量子コンピューティングとは?」で解説しています。先に読んでおくと、この記事が理解しやすくなります。
量子機械学習とは
量子機械学習は、量子計算と機械学習が重なる分野です。何を量子にするかによって、次の4つに分けて考えるのが一般的です。データが古典(C)か量子(Q)か、処理する装置が古典か量子かの組み合わせです。
| 分類 | データ | 処理する装置 | 例 |
|---|---|---|---|
| CC | 古典 | 古典 | ふつうの機械学習。量子のしくみから着想を得たアルゴリズムも含む |
| CQ | 古典 | 量子 | 画像や数値などのふつうのデータを、量子コンピューターで学習する。一般に「量子機械学習」といえば主にこれ |
| QC | 量子 | 古典 | 量子の実験で得たデータを、ふつうの機械学習で分析する |
| 量子 | 量子 | 量子系から出てくる量子の状態を、量子コンピューターでそのまま学習する |
この分類は、2006年のアイムール、ブラサール、ガンブスの論文にさかのぼるとされ、量子機械学習の教科書(シュルトとペトルッチオーネ、2018年)でも使われています。後で説明するように、量子が有利になる根拠がもっともはっきりしているのは「QQ」です。
量子機械学習の代表的な手法
| 手法 | しくみ | 代表的な論文 |
|---|---|---|
| 線形代数の高速化 | 機械学習の土台になる行列計算(連立方程式など)を量子アルゴリズムで高速に解く | HHLアルゴリズム(ハロー、ハシディム、ロイド、2009年) |
| 変分量子回路(量子ニューラルネットワーク) | パラメーター付きの量子回路を、古典コンピューターで最適化しながら学習させる | 量子回路学習(御手洗、根来、北川、藤井、2018年)、ファーヒとネヴェン(2018年) |
| 量子カーネル法 | データを量子状態に変換し、量子状態どうしの「似ている度合い」を使って分類する | ハブリチェックら(IBM、Nature、2019年) |
このうち、変分量子回路の代表的な論文「Quantum circuit learning」は、大阪大学などの日本の研究者が2018年に発表したもので、この分野で広く引用されています。今の量子コンピューターは誤りが多く、量子ビットの数も限られるため、浅い量子回路と古典コンピューターを組み合わせるこの方式が、研究の中心になってきました。
Pythonで量子ニューラルネットワークを動かしてみる
変分量子回路で、簡単な分類問題を学習させてみます。2つの数の「符号が同じか、違うか」で点を2つのグループに分ける問題です。直線1本では分けられない、XOR(排他的論理和)型の問題です。
回路は次のように動きます。
- 2つの量子ビットを用意し、データの2つの値を回転の角度として量子ビットに入れる
- 2つの量子ビットをもつれさせ、学習で調整するパラメーター(角度)で回転させる
- 1つ目の量子ビットを測り、その期待値(-1〜1)がプラスかマイナスかで分類する
学習には、量子機械学習でよく使われるパラメーターシフト則を使います。パラメーターを少し(π/2)増やした回路と減らした回路を動かし、その結果の差から勾配(どちらに動かせば誤差が減るか)を求める方法です。実際の量子コンピューターでも、回路を何回か動かすだけで勾配が分かるのが利点です。
ここでは、量子回路をPythonの標準機能だけでシミュレーションします。何もインストールせずに動かせます。
import math, random
# ---- 2量子ビットの量子回路を、Pythonだけでシミュレーションする ----
# 状態は |00⟩,|01⟩,|10⟩,|11⟩ の4つの振幅のリスト
def ry(state, qubit, t):
"""qubit番目の量子ビットをY軸まわりに角度tだけ回す"""
c, s = math.cos(t / 2), math.sin(t / 2)
new = state[:]
for i in range(4):
if (i >> (1 - qubit)) & 1 == 0: # その量子ビットが0の成分
j = i | (1 << (1 - qubit)) # 1にした相手の成分
a, b = state[i], state[j]
new[i], new[j] = c * a - s * b, s * a + c * b
return new
def cnot(state):
"""1つ目が1のとき、2つ目を反転する(もつれを作る)"""
a, b, c, d = state
return [a, b, d, c]
def circuit(x, theta):
state = [1.0, 0.0, 0.0, 0.0] # |00⟩から始める
state = ry(ry(state, 0, x[0]), 1, x[1]) # データを回転角として入れる
for k in range(0, len(theta), 2): # 学習するパラメーターの層
state = cnot(state)
state = ry(ry(state, 0, theta[k]), 1, theta[k + 1])
p0 = state[0] ** 2 + state[1] ** 2 # 1つ目の量子ビットが0の確率
return 2 * p0 - 1 # 測定の期待値(-1〜1)
# ---- データ:2つの値の「符号が同じか違うか」で分ける(XOR型)----
random.seed(0)
X = [(random.uniform(-1.5, 1.5), random.uniform(-1.5, 1.5)) for _ in range(80)]
y = [1 if a * b > 0 else -1 for a, b in X]
Xtr, ytr, Xte, yte = X[:60], y[:60], X[60:], y[60:]
def loss(theta):
return sum((circuit(x, theta) - t) ** 2 for x, t in zip(Xtr, ytr)) / len(Xtr)
def accuracy(theta, X, y):
return sum((circuit(x, theta) > 0) == (t > 0) for x, t in zip(X, y)) / len(X)
# ---- パラメーターシフト則で勾配を求めて学習する ----
theta = [random.uniform(0, 2 * math.pi) for _ in range(4)]
for epoch in range(41):
grad = [0.0] * len(theta)
for i in range(len(theta)):
plus, minus = theta[:], theta[:]
plus[i] += math.pi / 2
minus[i] -= math.pi / 2
for x, t in zip(Xtr, ytr):
df = (circuit(x, plus) - circuit(x, minus)) / 2 # 回路を2回動かすだけで微分が分かる
grad[i] += 2 * (circuit(x, theta) - t) * df / len(Xtr)
theta = [th - 0.5 * g for th, g in zip(theta, grad)]
if epoch % 10 == 0:
print(f"学習 {epoch:2d}回目 誤差 {loss(theta):.3f} テストの正解率 {accuracy(theta, Xte, yte):.0%}")
実行結果は次のとおりです(Python 3.9で実行、0.3秒ほどで終わります)。
学習 0回目 誤差 1.470 テストの正解率 55%
学習 10回目 誤差 0.476 テストの正解率 95%
学習 20回目 誤差 0.475 テストの正解率 95%
学習 30回目 誤差 0.475 テストの正解率 95%
学習 40回目 誤差 0.475 テストの正解率 95%
はじめはテストの正解率が55%(ほぼあてずっぽう)でしたが、学習を10回くり返すと95%まで上がりました。量子回路のパラメーターを、ニューラルネットワークの重みと同じように学習させられることが分かります。
ただし、この程度の問題なら、ふつうのニューラルネットワークでも簡単に解けます。量子回路で学習「できる」ことと、量子回路のほうが「すぐれている」ことは、別の話です。
Pythonで量子カーネルと古典カーネルをくらべる
次に、量子カーネル法を試します。データを量子状態に変換し、2つの量子状態がどれくらい重なっているか(似ているか)を「カーネル」として使います。データの変換には、IBMの2019年の論文で使われたものと同じ形の「特徴マップ」を使いました。
点が円の内側か外側かを分類する問題で、3つのカーネルをくらべます。
import cmath, math, random
# ---- 量子特徴マップ:データ x を2量子ビットの量子状態(4つの複素数)に変換する ----
def feature_state(x):
z = [1, 1, -1, -1] # 1つ目の量子ビットのZの値(|00⟩,|01⟩,|10⟩,|11⟩)
w = [1, -1, 1, -1] # 2つ目の量子ビットのZの値
state = []
for k in range(4):
phase = z[k] * x[0] + w[k] * x[1] + z[k] * w[k] * (math.pi - x[0]) * (math.pi - x[1])
state.append(cmath.exp(1j * phase) / 2) # 均等な重ね合わせに、データで位相をつける
return state
def quantum_kernel(a, b):
"""2つの量子状態の重なり=どれくらい似ているか(0〜1)"""
sa, sb = feature_state(a), feature_state(b)
return abs(sum(p.conjugate() * q for p, q in zip(sa, sb))) ** 2
def rbf_kernel(a, b): # 比較用:古典的なRBFカーネル
return math.exp(-((a[0] - b[0]) ** 2 + (a[1] - b[1]) ** 2))
def linear_kernel(a, b): # 比較用:直線で分けるだけ
return a[0] * b[0] + a[1] * b[1]
def solve(A, b):
"""連立方程式 A w = b をガウスの消去法で解く"""
n = len(b)
M = [row[:] + [v] for row, v in zip(A, b)]
for i in range(n):
p = max(range(i, n), key=lambda r: abs(M[r][i]))
M[i], M[p] = M[p], M[i]
for r in range(n):
if r != i:
f = M[r][i] / M[i][i]
M[r] = [x - f * y for x, y in zip(M[r], M[i])]
return [M[i][n] / M[i][i] for i in range(n)]
def accuracy(kernel, Xtr, ytr, Xte, yte, lam=0.01):
K = [[kernel(a, b) + (lam if i == j else 0) for j, b in enumerate(Xtr)] for i, a in enumerate(Xtr)]
alpha = solve(K, ytr) # カーネルリッジ回帰
pred = [sum(al * kernel(x, b) for al, b in zip(alpha, Xtr)) for x in Xte]
return sum((p > 0) == (t > 0) for p, t in zip(pred, yte)) / len(yte)
# ---- データ:円の内側か外側か ----
random.seed(1)
X = [(random.uniform(-1.5, 1.5), random.uniform(-1.5, 1.5)) for _ in range(200)]
y = [1 if a * a + b * b < 1 else -1 for a, b in X]
Xtr, ytr, Xte, yte = X[:150], y[:150], X[150:], y[150:]
for name, k in [("線形カーネル", linear_kernel), ("量子カーネル", quantum_kernel),
("RBFカーネル(古典)", rbf_kernel)]:
print(f"{name:12s} テストの正解率 {accuracy(k, Xtr, ytr, Xte, yte):.0%}")
線形カーネル テストの正解率 38%
量子カーネル テストの正解率 76%
RBFカーネル(古典) テストの正解率 98%
直線でしか分けられない線形カーネルは、円の内側と外側を分けられず、38%にとどまりました。量子カーネルは76%まで上がりましたが、古典的なRBFカーネルは98%で、量子カーネルを大きく上回りました。
もちろん、量子カーネルの特徴マップを工夫すれば結果は変わります。それでも、「量子を使ったから精度が上がる」わけではないことがよく分かる結果です。どんな問題なら量子のカーネルが有利になるのかは、それ自体が研究のテーマになっています。カーネル法やSVMの基本は「機械学習とは?」も参考にしてください。
分かってきた量子機械学習の限界
1. 「指数関数的に速い」には強い前提がある
HHLアルゴリズムは、条件がそろえば連立方程式を指数関数的に速く解けることで注目されました。しかし、そのためには、データを量子状態として効率よく読み込める装置(QRAM)があること、行列が特別な形をしていること、答えをすべて読み出すのではなく一部の値だけを知ればよいこと、といった強い前提が必要です。
さらに2018年、当時大学生だったユーイン・タン(Ewin Tang)は、量子アルゴリズムで指数関数的に速くなるとされていた推薦システムの問題を、ふつうのコンピューターでもほぼ同じ速さで解けることを示しました。量子アルゴリズムと同じ前提を古典コンピューターにも与えると、差がほとんどなくなるのです。これは「脱量子化(dequantization)」と呼ばれ、その後、ほかのいくつもの量子機械学習アルゴリズムでも同じことが示されました。
2. 学習が止まる「不毛な台地(バレンプラトー)」
2018年、Googleの研究者らは、変分量子回路を大きくすると、勾配が量子ビットの数に対して指数関数的に小さくなり、学習がほとんど進まなくなることを示しました。どちらに進んでも高さが変わらない、平らな台地に迷い込んだような状態なので「バレンプラトー(不毛な台地)」と呼ばれます。
その後、回路の形を工夫してバレンプラトーを避ける研究が進みましたが、2025年に学術誌Nature Communicationsに掲載された論文は、バレンプラトーを避けられる回路の多くは、ふつうのコンピューターでもシミュレーションできてしまうと指摘しました。学習しやすい回路ほど、量子でなくてもよくなる、というジレンマです。
3. 公平にくらべると古典が強い
2024年、量子ソフトウェア企業Xanaduの研究者らは、よく知られた量子機械学習のモデル12種類を、160種類のデータセットで古典的な機械学習とくらべました。その結果、特に調整していない古典のモデルが、全体として量子のモデルを上回りました。さらに、量子のモデルからもつれ(エンタングルメント)を取り除いても、性能は変わらないか、むしろよくなることが多かったと報告されています。
論文は、量子のモデルだけを入念に調整してくらべると、見かけ上の「量子の優位」が生まれてしまうと注意を呼びかけています。
4. データを読み込むのが大変
ふつうのデータ(画像や表の数値)を量子コンピューターで使うには、まず量子状態に変換して読み込む必要があります。この読み込みに時間がかかり、量子で計算する部分がどれだけ速くても、全体では速くならないことが少なくありません。
量子が本当に有利になる場面
それでも、量子が有利になることが理論的に示された例もあります。
- 人工的に作った問題での優位(IBMなど、Nature Physics、2021年):暗号の分野で「古典コンピューターでは解くのが難しい」とされる問題をもとにデータセットを作ると、量子カーネル法が古典より有利になることを厳密に証明した。ただし、誤りのない大規模な量子コンピューターが前提で、実用的なデータでの話ではない
- 量子のデータを学ぶ場合の優位(Googleなど、Science、2022年):量子系から得られる量子の状態を、量子コンピューターでそのまま扱うと、必要な実験の回数が指数関数的に少なくて済むことを示し、最大40量子ビットの量子プロセッサーで実証した
ここから見えてくるのは、量子機械学習がもっとも力を発揮しそうなのは、画像や文章のようなふつうのデータではなく、分子や材料、量子センサーなど、もともと量子のデータを扱う分野だということです。一方、Googleの研究者らは2021年に、データさえあれば、古典の機械学習でも量子の計算結果をかなり予測できることも示しており、量子と古典の境界は今も研究が続いています。
最近の動き
| 時期 | 出来事 | 注意点 |
|---|---|---|
| 2025年9月 | 英HSBCとIBMが、量子コンピューターを使って債券取引の約定の予測精度が最大34%改善したと発表 | 過去のデータを使った検証で、ほかの市場の状況でも通用するかは示されていない。量子コンピューターの雑音が、学習の過学習を防ぐ働きをしただけではないかという指摘もある |
| 2026年4月 | Googleなどの研究者が、60未満の論理量子ビットで、機械学習の作業に必要なメモリを大きく減らせるとする論文を公開 | 理論とシミュレーションのみで、査読前。データを読み込む部分に時間がかかるため、実行時間で有利かどうかは分かっていない |
| 2026年4月 | ユニバーシティ・カレッジ・ロンドンなどが、20量子ビットの量子コンピューターと古典計算を組み合わせ、流れの予測の精度が約20%向上したと発表 | 小規模な実証で、理論的な裏付けはこれから |
2026年10月時点で、実用的な機械学習の作業で、量子コンピューターがふつうのコンピューターに勝ったと広く認められた例はありません。「量子AIが今のAIを置き換える」という話を見かけたら、どんな条件でくらべたのかを確かめるようにしましょう。
量子機械学習を始めるためのツール
| ツール | 開発元 | 特徴 |
|---|---|---|
| PennyLane | Xanadu(カナダ) | 量子機械学習の定番ライブラリ。量子回路をPyTorchなどと組み合わせ、自動で微分しながら学習できる |
| Qiskit Machine Learning | IBMなど | Qiskitで量子ニューラルネットワークや量子カーネルを扱う。現在はコミュニティによる開発に移っている |
| TensorFlow Quantum | 2020年に公開。TensorFlowと組み合わせて使う。更新は続いているが活動は少なめ | |
| Qulacs | 京都大学発、QunaSysなど | 高速な量子回路シミュレーター。日本発のオープンソース |
| QURI Parts | QunaSys(日本) | 特定の量子コンピューターに依存せずに、量子アルゴリズムを組み立てられるライブラリ |
どのツールも、手元のパソコンの上で量子回路をシミュレーションでき、IBMなどのクラウドを通じて本物の量子コンピューターで動かすこともできます。まずはこの記事のコードのように、2量子ビット程度の小さな回路で、データの入れ方やパラメーターシフト則を試してみるのがおすすめです。
よくある質問
量子機械学習とは何ですか?
量子コンピューターを機械学習に使う研究分野です。代表的な手法に、パラメーター付きの量子回路を学習させる「変分量子回路(量子ニューラルネットワーク)」や、量子状態の似ている度合いで分類する「量子カーネル法」があります。
量子機械学習でAIは速くなりますか?
今のところ、実用的な作業で速くなったと広く認められた例はありません。「指数関数的に速くなる」とされた手法の多くは、強い前提が必要だったり、ふつうのコンピューターでも同じ速さで解けることが後から示されたりしています。
どんな分野で役立つと期待されていますか?
分子や材料のシミュレーション、量子センサーのデータなど、もともと量子の性質を持つデータを扱う分野が有力です。量子のデータを量子コンピューターで直接学ぶ場合には、有利になることが理論と実験で示されています。
量子機械学習を勉強するには何から始めればよいですか?
まずはPythonと、ふつうの機械学習の基本(ニューラルネットワーク、勾配降下法、カーネル法)を学びましょう。そのうえで、量子ビットや量子ゲートの基本を学び、PennyLaneなどで小さな回路を動かしてみるのが近道です。
まとめ
量子機械学習は、量子コンピューターを使って機械学習を行う研究分野です。パラメーター付きの量子回路を学習させる方法や量子カーネル法が研究され、日本の研究者による「量子回路学習」も大きな役割を果たしてきました。一方で、脱量子化、バレンプラトー、公平なベンチマークでの古典の優勢などから、ふつうのデータで今のAIを超える見通しはまだ立っていません。量子が本当に力を発揮しそうなのは、量子のデータを扱う分野です。期待と現実の両方を知っておくことが、この分野のニュースを正しく読む第一歩です。
量子機械学習を学ぶにも、土台になるのはPythonと機械学習の基本です。テックジムのAI駆動開発/生成AIエンジニアコースではAIのしくみと開発を、無料のプログラミング講座ではPythonの基本を学べます。
参考情報
- Biamonte et al. “Quantum machine learning”(Nature, 2017年、英語)
- Mitarai, Negoro, Kitagawa & Fujii “Quantum circuit learning”(Physical Review A, 2018年、英語)
- Havlíček et al. “Supervised learning with quantum-enhanced feature spaces”(Nature, 2019年、英語)
- Harrow, Hassidim & Lloyd “Quantum algorithm for linear systems of equations”(2009年、英語)
- Tang “A quantum-inspired classical algorithm for recommendation systems”(2018年、英語)
- McClean et al. “Barren plateaus in quantum neural network training landscapes”(Nature Communications, 2018年、英語)
- Cerezo et al. “Does provable absence of barren plateaus imply classical simulability?”(Nature Communications, 2025年、英語)
- Bowles, Ahmed & Schuld “Better than classical? The subtle art of benchmarking quantum machine learning models”(2024年、英語)
- Liu, Arunachalam & Temme “A rigorous and robust quantum speed-up in supervised machine learning”(Nature Physics, 2021年、英語)
- Huang et al. “Power of data in quantum machine learning”(Nature Communications, 2021年、英語)
- Huang et al. “Quantum advantage in learning from experiments”(Science, 2022年、英語)
- IBM:HSBCとの債券取引の実験(2025年、英語)
- PennyLane(英語)






