【雑誌掲載】Adaptive interpolating quantum transform: A quantum-native framework for efficient transform learning

https://journals.aps.org/pra/abstract/10.1103/vyr3-h9hq

QuemixのGekkoらによる、量子機械学習の訓練困難性を克服する新手法「AIQT」を提案した研究成果が、米国物理学会誌 Physical Review A に掲載されました。

従来、量子機械学習では回路の深さが増すにつれ、学習すべきパラメータ数も増大し、勾配消失などにより訓練が困難になる問題がありました。

本研究では、複数の量子変換、例えば Hadamard 変換と量子フーリエ変換（QFT）の間を連続的に補間できるユニタリ演算を用いた新たな枠組み「AIQT（Adaptive Interpolating Quantum Transform）」を提案。

ごく少数のパラメータで量子状態に対する高度な変換表現力を実現し、量子ネイティブな変換学習を可能にしています。

このアプローチは、Quemixが2025年5月に発表した先行研究「General Transform（GT）」で示された「複数の変換を重み付きで学習し、入力やタスクに最適化された変換を導出する」という基本発想を量子回路上に拡張したものです。

GTが古典機械学習における有効性を示したのに対し、本研究ではその考え方を量子回路に橋渡ししています。