1．量子計算のシミュレータと機械学習

　量子計算機^(用語)は通常の計算機に比べ指数的な加速を実現し得るほぼ唯一の計算モデルである．このため，量子計算は基礎から応用にわたり様々な側面から長く研究されてきた．機械学習は量子計算の応用が有望視される分野の一つであり，いわゆるゲート方式の量子計算による応用としては，量子系の複雑なダイナミクスを時系列の解析に活用するリザバー計算⁽¹⁾，パラメトライズされた量子回路をモデルとみなして学習を行う教師あり機械学習⁽²⁾，統計学において有用な確率分布からのサンプリングを量子計算で高速化するサンプリングアルゴリズム⁽³⁾，重ね合わせを用いて少ない問合せで関数やデータセットの構造を特定する量子学習理論⁽⁴⁾などが挙げられる．

　これまでの量子計算の実用化に向けた研究開発の努力にもかかわらず，量子計算が実用的な機械学習の性能を向上させた例はいまだ報告されていない．実用的な量子計算機の開発や応用の実現が困難な理由の一つに，量子計算機特有の計算アクセラレータとしての事情がある．通常のアクセラレータの多くはベクトル演算や行列積といった演算の構造に着目し，その基本演算の速度を直接向上する．このため，状況が合致すれば小規模な計算でもアクセラレータが有用となる余地がある．一方，典型的な量子計算は量子論特有の操作を追加することで，解く問題が大きくなればなるほど加速度的に効率が良くなる，つまり計算量で漸近的な高速化がある量子アルゴリズム^(用語)の実行を可能にする．その代償として，量子計算では足し算といった基本操作の速度やエラー率は総じて大幅に悪化する．このため，計算で量子計算が有用になるのは，悪化した基本操作の速度やエラー率を凌駕するほど，大きい問題に量子計算を適用し加速が得られる場合に限られる．したがって，量子計算機で有用な応用を実現するには大規模な問題での量子アルゴリズムの実行効率や大規模な実機の性能検証を行うことが重要となる（図1）．