.svg)
量子コンピュータはAIにとって何を意味するのか？
量子コンピュータはAIにとって何を意味するのか？
量子コンピューターとそのAIへの応用は、ここ数年で劇的な進歩を遂げている。グーグルの量子至上主義実験から、一般市場での活動や 製品ロードマップの発表に至るまで、機械学習とAIのコミュニティでは、正当な興奮と同時に警戒心も生まれている。量子コンピュータはAIを助け、QML（量子機械学習）革命をもたらすのだろうか？それはいつ実現するのか？その日のために責任を持って計画を立てるために、先見性のある経営者は何をすべきなのだろうか？
量子コンピュータはなぜ面白いのか？
量子コンピュータは、通常のビットの代わりに量子ビットを使用する。最近の量子ビットは、製造、安定化、スケーリングが非常に難しくなっているが、量子ビットは量子力学に由来する2つの本質的にユニークな能力をもたらす。重ね合わせともつれ。重ね合わせは、量子ビットが（異なる確率で）一度に複数の値を保持することを可能にする。エンタングルメントは、問題の次元を拡張する方法で複数の量子ビットを相互接続することを可能にする。古典的な10ビットが1024個の可能な値のうち1つの値を保持できるのに対し、10量子ビットはこれら1024個の値をすべて同時に保持することができる。50量子ビットの量子コンピューターは、古典的なコンピューターが同時に処理できる値は1つであるのに対し、1兆以上の値を同時に保持し、処理することができる。ちなみに、1兆は体内の赤血球の数の約50倍である。
量子コンピュータは、古典的なコンピュータとは異なる方法でプログラムされる。量子コードは電子設計に似ており、量子ビットとそれを操作する量子ゲートを接続する。アルゴリズムが「量子語」で適切にコード化されれば、量子コンピュータは古典的なものと比べて飛躍的に速度を向上させることができる。50量子ビットの量子コンピューターが現実のものとなり、数百、数千の量子ビットを持つ量子コンピューターがオンラインになれば、飛躍的な処理能力の向上により、古典的なコンピューターはあっという間に塵と化すだろう。
量子コンピューターを作る難しさを克服できれば、データ科学者はこの劇的なスピードアップを利用してAI/MLアルゴリズムに新たな洞察を見出し、AIを新たな高みへと進化させることができる。つまり、量子コンピューターはAIに革命をもたらす可能性を秘めているのだ。量子AIは可能であり、量子コンピューターはAIに利用できるが、組織は以下に述べるような落とし穴や限界に注意する必要がある。
AIに量子コンピューティングを使うメリットは？
量子コンピュータの使用は容易ではないが、人工知能や機械学習アプリケーションに使用するための大きなインセンティブを提供する：
量子ヒューリスティクス
量子コンピューティングのヒューリスティクスは、古典的なヒューリスティクスとは異なる振る舞いをする。古典的な機械学習やAIのアルゴリズムの多くは、経験的に機能することが示されているが、その有効性を理論的に証明することはできない。好奇心旺盛なAIや機械学習のエンジニアなら、量子ヒューリスティクスを試すのは当然だろう。もしかしたら、量子コンピューターはより良い結果を出せるかもしれない。もしかしたら、古典的なヒューリスティックでは期待に応えられないようなケースでも、量子コンピューターなら成功するかもしれない。量子コンピューターは、比喩的な矢筒にもう一本の矢を込めることができるかもしれない。
量子コンピュータはデータをコンパクトに表現できる
量子コンピュータは、指数関数的にコンパクトな方法でデータをロードすることができる。量子ビットの重ね合わせ特性により、複数の値を同時に保持できるだけでなく、これらの値に異なる重みを割り当てることができる。 多くのAIや機械学習パッケージは、多次元空間の解を探索する。したがって、量子コンピューターでは、このような大きな空間をモデル化し、そこにデータをロードすることが容易になる可能性がある。実際、古典的なコンピュータではモデル化できなかった特定の問題を、量子コンピュータでモデル化できるかもしれない。
量子コンピュータによるアルゴリズムの高速化
量子コンピューティングで最も人気のあるアルゴリズムのひとつに、Harrow, Hassidim, Lloyd（HHL） アルゴリズムがある。このアルゴリズムは、一次方程式系を解くのに指数関数的な加速をもたらすことが証明されている。一次方程式系は、最小二乗線形回帰やガウス過程などで広く使用されており、古典的なコンピュータと比較して指数関数的に高速に解くことは非常に価値がある。
もう1つの有名な量子アルゴリズムはグローバー探索で、非構造化データセットでの効率的な探索を可能にし、古典的な探索よりも高速であることが証明されている。例えば、古典的な検索アルゴリズムが与えられたデータセットの検索を一定の時間で完了する場合、データセットのサイズが4倍になると、その時間は4倍になる。これに対し、グローバー探索の実行時間は、データセットのサイズが4倍になるごとに、4倍ではなく2倍になる。
これらは、高速化を実現する量子アルゴリズムの2つの例に過ぎない。正確な高速化は量子アルゴリズムによって異なるが、特定のアルゴリズムが量子コンピューター上ではるかに高速に実行できるという事実は、特定のアルゴリズム演算を非現実的なものから実用的なものにする希望を与えてくれる。
量子コンピュータは新しいデータパターンを発見できる
量子コンピューターは新しいタイプのデータパターンを生み出す。これは、逆アルゴリズム（例えば、その挙動を観察することによって逆工学されたアルゴリズム）を使用することによって、これらのパターンを特定する希望につながる。
量子コンピュータは古典的なコンピュータと一緒にAIに使えるか？
数年後、高品質の量子ビットを多数搭載した量子コンピューターが登場しても、古典的なコンピューターで実行した方が良いタスクは存在するだろう。そのため、量子コンピューターが完成にほど遠い今日でさえ、多くの企業が量子コンピューターと古典コンピューターの両方を並行して使用することを模索している。このようなアルゴリズムは「ハイブリッド古典／量子アルゴリズム」と呼ばれている。
ハイブリッド量子コンピューティング・アルゴリズム：なぜ魅力的なのか？
量子コンピューターは素晴らしいが、すべてを解決するものではない。その理由のひとつは、外部ストレージからのデータの読み出し、既存のネットワーク上での通信、あるいは古典的なコンピュータで十分に動作する無限のプログラムを実行することなど、特定のタスクについては古典的なコンピュータの方が優れている可能性があるからだ。そのような場合、CPUとGPUのアナロジーを基にすることができる。GPU（グラフィカル・プロセッシング・ユニット）は、一般的なCPUのコプロセッサとして非常に有用だ。同様に、QPU（量子プロセッシング・ユニット）は、古典的なCPUと並ぶ素晴らしいプロセッサーになるだろう。
現在の量子コンピューターは、我々が望むほど安定していない。温度変化、振動、外部からの干渉など、量子コンピューターが計算を維持できる時間は限られている。そのため、量子情報科学者たちは、ハイブリッド方式で動作するように、時にはかなり広範囲にわたってアルゴリズムを修正している。ハイブリッドアルゴリズムである量子アルゴリズムの例としては、 VQE（変分量子固有値解法）とQAOA（量子近似最適化アルゴリズム）がある。これらのアルゴリズムは、次のような「生成／解法」ループで動作する：
ご覧のように、計算の一部（黄色のブロック）は古典的なコンピューターを使って行われ、一部（緑色のブロック）は量子コンピューターを経由して行われる。
AIのためのハイブリッド量子ソフトウェア・パッケージはありますか？
そうですね。量子コンピューティングの人工知能ハイブリッドはますます人気が高まっており、私たちのプラットフォームも同様にハイブリッド回路を作成する機会を提供しています。Google Tensorflowのような学習パッケージは、量子コンピュータを既存のCPU/GPUの組み合わせと一緒に使用できるように、量子コンピューティング拡張機能をリリースしている。グーグルによると、これらの拡張機能は以下のような主要機能を提供する：
- 量子データセットを用意する。データセットはテンソル（量子ビットの数に合わせた数値の多次元配列）でエンコードする必要がある。量子ビットは特定の値に初期化する必要があり、この初期化も量子回路を作ることで行う。
- 量子ニューラルネットワークモデルの評価 - 量子ニューラルネットワークのプロトタイプを作成することができる。量子モデルはしばしばパラメータ化される（QAOAやVQEのような量子最適化アルゴリズムの場合）。モデルの目的は、典型的なエンタングル状態に隠された情報を抽出するために量子計算を実行し、局所的な測定や古典的な後処理でアクセスできるようにすることである。
- 測定 - 量子処理回路の最後に、測定（サンプリングとも呼ばれる）を行う必要がある。測定によって量子ビットの状態が古典的な数値に変換され、古典的なコードが量子回路の最適化に利用される。量子ビットは多くの場合、状態の重ね合わせにあるため、量子ビットの値を近似するためには複数の測定を行う必要がある。単純化した例として、80％の確率で "0 "の状態にあり、20％の確率で "1 "の状態にある量子ビットを考えてみよう。1回の測定で「0」または「1」が得られるが、数十万回の測定を行った場合、約80％の測定で「0」が得られることがわかる。
- 古典的なニューラルネットワークモデルを評価する - 測定が行われると、古典的な後処理で使用することができる。古典的なディープニューラルネットワークは、測定された期待値間の相関関係を抽出するために適用することができる。
- コスト関数を評価する - コスト関数は、モデルが分類タスクをどれだけ正確に実行するか、またはユーザーが最大化または最小化したい他の基準に基づくことができる。
- モデルパラメータの更新 - コスト関数を評価した後、コストを最適化するためにパイプラインの自由パラメータを更新する必要があります。
このプロセス全体は、以下の図に描かれている：
上の図：TensorFlow quantumを用いた量子データに対するハイブリッド量子古典識別モデルの推論と学習のエンドツーエンドパイプラインに含まれる計算ステップのハイレベルな抽象的概要。
AIのための量子コンピューター：その限界とは？
しかし、AIのための量子コンピューティングのエキサイティングな将来性と同時に、量子コンピューティングの現実と現在の限界を認識しておく必要がある。
AIに関連する量子コンピュータの重要な限界とは？
今日の量子コンピュータが提供する量子ビットの数は限られている。
今日のコンピュータは限られた数の量子ビットしか持っていない。量子ビットの数は量子コンピュータの能力を示す唯一の尺度ではないが（他の重要な尺度には、コヒーレンス時間、量子ビットの忠実度、接続性などがある）、第一近似値としては有効である。これは、車の能力の近似値として馬力を使うのと似ている。実質的に、50量子ビット以下の量子プログラムは、古典コンピュータ（より安価でアクセスしやすく、使いやすい）でシミュレートできる。しかし、量子コンピュータの規模が大きくなり、性能が向上するにつれて、高度な量子回路を古典コンピュータでシミュレートすることは不可能になる。代わりに、実際の量子ハードウェア上で実行する必要がある。IBM、ハネウェル、その他多くの企業の製品ロードマップでは、今後数年間で数百から数千の量子ビットが登場すると予測されており、量子コンピューターに有利な性能の溝が広がっていくことになる。
量子コンピュータのプログラミングは難しい
量子プログラミングは、古典的なプログラミングとは異なる考え方を必要とする。つまり、プログラマーは、量子ビットと量子ゲートの間の "配線 "をほぼ手作業で指定しなければならない。あるレベルでは、これは電子回路を作るプロセスと似ている。配線は論理ゲートに接続され、論理ゲートは他の論理ゲートに接続される。この手作業によるアプローチは、ほんの一握りの量子ビットに対しては実用的かもしれないが、何十万もの量子ビットに対してはうまくスケールしない。幸いなことに、Classiqのような抽象度の高いプログラミング・プラットフォームが利用可能になりつつあり、AIエンジニアは抽象度の高いレベルで必要な機能を指定し、それをもとにコンピュータ・プログラムに量子回路を合成させることができる。
量子力学に精通した人材を見つけるのは難しい
今日、量子コンピュータのプログラミングには、量子情報科学に関する博士号レベルの高度な専門知識が要求される。大学では量子教育のカリキュラムを充実させているが、適格で経験豊富な量子ソフトウェア・エンジニアを確保するのは難しい。量子開発をアウトソーシングすることも選択肢の一つではあるが、多くの企業は、量子は戦略的技術であり、社内で能力を開発することが重要であると感じている。また、新しい開発プラットフォームによって、量子物理学の深い理解を必要とせず、分野別の専門家（金融、物流、材料科学、もちろんAIや機械学習など）が量子にアクセスしやすくなっている分野でもある。適切な人材ソリューションやより優れたプログラミング環境がなければ、AIのための量子コンピューティングの可能性を実現することは難しいだろう。
量子コンピュータは互いに互換性がない
異なるメーカーの量子コンピューターには互換性がない。まったく同じゲート（利用可能な命令セットのようなもの）を使っているわけではない。量子ビットの数は同じではない。量子ビットが同じ方法で互いに接続されていない。このことは、我々が古典的なコンピューターで慣れ親しんできた問題とはまったく新しい一連の問題を引き起こす。例えば、IT管理者はレノボのノートパソコンで実行されるコードがデルのノートパソコンでも実行されると安全に仮定できるが、量子コンピューターでは同じ仮定はできない。顧客は定期的に、誰がハードウェア・レースの勝者になるか分からないので、まだ1つのハードウェア・ベンダーにコミットする準備ができていないと言う。そのため、企業はハードウェアを調和または抽象化し、アルゴリズムをコンピュータ間で簡単に移植できる開発プラットフォームを求めることが多い。さらに、企業は量子クラウドプロバイダー（Amazon BraketやAzure Quantumなど）の利用を好むことが多い。これらのプロバイダーは複数の種類の量子コンピュータを扱っており、実験が非常に容易だからだ。
人工知能における量子コンピューティングの未来とは？
顧客は、量子コンピューティングが自社のビジネスに戦略的なインパクトをもたらすことを理解しているが、そのインパクトの実現には2、3年かかるかもしれないことを理解している。とはいえ、企業は今こそ量子の世界への第一歩を踏み出し、社内の専門知識を高め、初期のユースケースを特定し、短期間で概念実証を行うべき時であることを理解している。
量子コンピュータは、古典的なものと並んで人工知能を推し進める明るい未来がある。将来的には、人工知能の学習や推論のほとんどを量子コンピュータで行えるようになるかもしれないが、ユーザーは現在と将来の限界を認識し、目標を達成するために適切な開発ツールセットを準備する必要がある。
量子アルゴリズム設計プラットフォームで、量子の旅をアップグレードしましょう。
量子コンピュータはAIにとって何を意味するのか？
量子コンピューターとそのAIへの応用は、ここ数年で劇的な進歩を遂げている。グーグルの量子至上主義実験から、一般市場での活動や 製品ロードマップの発表に至るまで、機械学習とAIのコミュニティでは、正当な興奮と同時に警戒心も生まれている。量子コンピュータはAIを助け、QML（量子機械学習）革命をもたらすのだろうか？それはいつ実現するのか？その日のために責任を持って計画を立てるために、先見性のある経営者は何をすべきなのだろうか？
量子コンピュータはなぜ面白いのか？
量子コンピュータは、通常のビットの代わりに量子ビットを使用する。最近の量子ビットは、製造、安定化、スケーリングが非常に難しくなっているが、量子ビットは量子力学に由来する2つの本質的にユニークな能力をもたらす。重ね合わせともつれ。重ね合わせは、量子ビットが（異なる確率で）一度に複数の値を保持することを可能にする。エンタングルメントは、問題の次元を拡張する方法で複数の量子ビットを相互接続することを可能にする。古典的な10ビットが1024個の可能な値のうち1つの値を保持できるのに対し、10量子ビットはこれら1024個の値をすべて同時に保持することができる。50量子ビットの量子コンピューターは、古典的なコンピューターが同時に処理できる値は1つであるのに対し、1兆以上の値を同時に保持し、処理することができる。ちなみに、1兆は体内の赤血球の数の約50倍である。
量子コンピュータは、古典的なコンピュータとは異なる方法でプログラムされる。量子コードは電子設計に似ており、量子ビットとそれを操作する量子ゲートを接続する。アルゴリズムが「量子語」で適切にコード化されれば、量子コンピュータは古典的なものと比べて飛躍的に速度を向上させることができる。50量子ビットの量子コンピューターが現実のものとなり、数百、数千の量子ビットを持つ量子コンピューターがオンラインになれば、飛躍的な処理能力の向上により、古典的なコンピューターはあっという間に塵と化すだろう。
量子コンピューターを作る難しさを克服できれば、データ科学者はこの劇的なスピードアップを利用してAI/MLアルゴリズムに新たな洞察を見出し、AIを新たな高みへと進化させることができる。つまり、量子コンピューターはAIに革命をもたらす可能性を秘めているのだ。量子AIは可能であり、量子コンピューターはAIに利用できるが、組織は以下に述べるような落とし穴や限界に注意する必要がある。
AIに量子コンピューティングを使うメリットは？
量子コンピュータの使用は容易ではないが、人工知能や機械学習アプリケーションに使用するための大きなインセンティブを提供する：
量子ヒューリスティクス
量子コンピューティングのヒューリスティクスは、古典的なヒューリスティクスとは異なる振る舞いをする。古典的な機械学習やAIのアルゴリズムの多くは、経験的に機能することが示されているが、その有効性を理論的に証明することはできない。好奇心旺盛なAIや機械学習のエンジニアなら、量子ヒューリスティクスを試すのは当然だろう。もしかしたら、量子コンピューターはより良い結果を出せるかもしれない。もしかしたら、古典的なヒューリスティックでは期待に応えられないようなケースでも、量子コンピューターなら成功するかもしれない。量子コンピューターは、比喩的な矢筒にもう一本の矢を込めることができるかもしれない。
量子コンピュータはデータをコンパクトに表現できる
量子コンピュータは、指数関数的にコンパクトな方法でデータをロードすることができる。量子ビットの重ね合わせ特性により、複数の値を同時に保持できるだけでなく、これらの値に異なる重みを割り当てることができる。 多くのAIや機械学習パッケージは、多次元空間の解を探索する。したがって、量子コンピューターでは、このような大きな空間をモデル化し、そこにデータをロードすることが容易になる可能性がある。実際、古典的なコンピュータではモデル化できなかった特定の問題を、量子コンピュータでモデル化できるかもしれない。
量子コンピュータによるアルゴリズムの高速化
量子コンピューティングで最も人気のあるアルゴリズムのひとつに、Harrow, Hassidim, Lloyd（HHL） アルゴリズムがある。このアルゴリズムは、一次方程式系を解くのに指数関数的な加速をもたらすことが証明されている。一次方程式系は、最小二乗線形回帰やガウス過程などで広く使用されており、古典的なコンピュータと比較して指数関数的に高速に解くことは非常に価値がある。
もう1つの有名な量子アルゴリズムはグローバー探索で、非構造化データセットでの効率的な探索を可能にし、古典的な探索よりも高速であることが証明されている。例えば、古典的な検索アルゴリズムが与えられたデータセットの検索を一定の時間で完了する場合、データセットのサイズが4倍になると、その時間は4倍になる。これに対し、グローバー探索の実行時間は、データセットのサイズが4倍になるごとに、4倍ではなく2倍になる。
これらは、高速化を実現する量子アルゴリズムの2つの例に過ぎない。正確な高速化は量子アルゴリズムによって異なるが、特定のアルゴリズムが量子コンピューター上ではるかに高速に実行できるという事実は、特定のアルゴリズム演算を非現実的なものから実用的なものにする希望を与えてくれる。
量子コンピュータは新しいデータパターンを発見できる
量子コンピューターは新しいタイプのデータパターンを生み出す。これは、逆アルゴリズム（例えば、その挙動を観察することによって逆工学されたアルゴリズム）を使用することによって、これらのパターンを特定する希望につながる。
量子コンピュータは古典的なコンピュータと一緒にAIに使えるか？
数年後、高品質の量子ビットを多数搭載した量子コンピューターが登場しても、古典的なコンピューターで実行した方が良いタスクは存在するだろう。そのため、量子コンピューターが完成にほど遠い今日でさえ、多くの企業が量子コンピューターと古典コンピューターの両方を並行して使用することを模索している。このようなアルゴリズムは「ハイブリッド古典／量子アルゴリズム」と呼ばれている。
ハイブリッド量子コンピューティング・アルゴリズム：なぜ魅力的なのか？
量子コンピューターは素晴らしいが、すべてを解決するものではない。その理由のひとつは、外部ストレージからのデータの読み出し、既存のネットワーク上での通信、あるいは古典的なコンピュータで十分に動作する無限のプログラムを実行することなど、特定のタスクについては古典的なコンピュータの方が優れている可能性があるからだ。そのような場合、CPUとGPUのアナロジーを基にすることができる。GPU（グラフィカル・プロセッシング・ユニット）は、一般的なCPUのコプロセッサとして非常に有用だ。同様に、QPU（量子プロセッシング・ユニット）は、古典的なCPUと並ぶ素晴らしいプロセッサーになるだろう。
現在の量子コンピューターは、我々が望むほど安定していない。温度変化、振動、外部からの干渉など、量子コンピューターが計算を維持できる時間は限られている。そのため、量子情報科学者たちは、ハイブリッド方式で動作するように、時にはかなり広範囲にわたってアルゴリズムを修正している。ハイブリッドアルゴリズムである量子アルゴリズムの例としては、 VQE（変分量子固有値解法）とQAOA（量子近似最適化アルゴリズム）がある。これらのアルゴリズムは、次のような「生成／解法」ループで動作する：
ご覧のように、計算の一部（黄色のブロック）は古典的なコンピューターを使って行われ、一部（緑色のブロック）は量子コンピューターを経由して行われる。
AIのためのハイブリッド量子ソフトウェア・パッケージはありますか？
そうですね。量子コンピューティングの人工知能ハイブリッドはますます人気が高まっており、私たちのプラットフォームも同様にハイブリッド回路を作成する機会を提供しています。Google Tensorflowのような学習パッケージは、量子コンピュータを既存のCPU/GPUの組み合わせと一緒に使用できるように、量子コンピューティング拡張機能をリリースしている。グーグルによると、これらの拡張機能は以下のような主要機能を提供する：
- 量子データセットを用意する。データセットはテンソル（量子ビットの数に合わせた数値の多次元配列）でエンコードする必要がある。量子ビットは特定の値に初期化する必要があり、この初期化も量子回路を作ることで行う。
- 量子ニューラルネットワークモデルの評価 - 量子ニューラルネットワークのプロトタイプを作成することができる。量子モデルはしばしばパラメータ化される（QAOAやVQEのような量子最適化アルゴリズムの場合）。モデルの目的は、典型的なエンタングル状態に隠された情報を抽出するために量子計算を実行し、局所的な測定や古典的な後処理でアクセスできるようにすることである。
- 測定 - 量子処理回路の最後に、測定（サンプリングとも呼ばれる）を行う必要がある。測定によって量子ビットの状態が古典的な数値に変換され、古典的なコードが量子回路の最適化に利用される。量子ビットは多くの場合、状態の重ね合わせにあるため、量子ビットの値を近似するためには複数の測定を行う必要がある。単純化した例として、80％の確率で "0 "の状態にあり、20％の確率で "1 "の状態にある量子ビットを考えてみよう。1回の測定で「0」または「1」が得られるが、数十万回の測定を行った場合、約80％の測定で「0」が得られることがわかる。
- 古典的なニューラルネットワークモデルを評価する - 測定が行われると、古典的な後処理で使用することができる。古典的なディープニューラルネットワークは、測定された期待値間の相関関係を抽出するために適用することができる。
- コスト関数を評価する - コスト関数は、モデルが分類タスクをどれだけ正確に実行するか、またはユーザーが最大化または最小化したい他の基準に基づくことができる。
- モデルパラメータの更新 - コスト関数を評価した後、コストを最適化するためにパイプラインの自由パラメータを更新する必要があります。
このプロセス全体は、以下の図に描かれている：
上の図：TensorFlow quantumを用いた量子データに対するハイブリッド量子古典識別モデルの推論と学習のエンドツーエンドパイプラインに含まれる計算ステップのハイレベルな抽象的概要。
AIのための量子コンピューター：その限界とは？
しかし、AIのための量子コンピューティングのエキサイティングな将来性と同時に、量子コンピューティングの現実と現在の限界を認識しておく必要がある。
AIに関連する量子コンピュータの重要な限界とは？
今日の量子コンピュータが提供する量子ビットの数は限られている。
今日のコンピュータは限られた数の量子ビットしか持っていない。量子ビットの数は量子コンピュータの能力を示す唯一の尺度ではないが（他の重要な尺度には、コヒーレンス時間、量子ビットの忠実度、接続性などがある）、第一近似値としては有効である。これは、車の能力の近似値として馬力を使うのと似ている。実質的に、50量子ビット以下の量子プログラムは、古典コンピュータ（より安価でアクセスしやすく、使いやすい）でシミュレートできる。しかし、量子コンピュータの規模が大きくなり、性能が向上するにつれて、高度な量子回路を古典コンピュータでシミュレートすることは不可能になる。代わりに、実際の量子ハードウェア上で実行する必要がある。IBM、ハネウェル、その他多くの企業の製品ロードマップでは、今後数年間で数百から数千の量子ビットが登場すると予測されており、量子コンピューターに有利な性能の溝が広がっていくことになる。
量子コンピュータのプログラミングは難しい
量子プログラミングは、古典的なプログラミングとは異なる考え方を必要とする。つまり、プログラマーは、量子ビットと量子ゲートの間の "配線 "をほぼ手作業で指定しなければならない。あるレベルでは、これは電子回路を作るプロセスと似ている。配線は論理ゲートに接続され、論理ゲートは他の論理ゲートに接続される。この手作業によるアプローチは、ほんの一握りの量子ビットに対しては実用的かもしれないが、何十万もの量子ビットに対してはうまくスケールしない。幸いなことに、Classiqのような抽象度の高いプログラミング・プラットフォームが利用可能になりつつあり、AIエンジニアは抽象度の高いレベルで必要な機能を指定し、それをもとにコンピュータ・プログラムに量子回路を合成させることができる。
量子力学に精通した人材を見つけるのは難しい
今日、量子コンピュータのプログラミングには、量子情報科学に関する博士号レベルの高度な専門知識が要求される。大学では量子教育のカリキュラムを充実させているが、適格で経験豊富な量子ソフトウェア・エンジニアを確保するのは難しい。量子開発をアウトソーシングすることも選択肢の一つではあるが、多くの企業は、量子は戦略的技術であり、社内で能力を開発することが重要であると感じている。また、新しい開発プラットフォームによって、量子物理学の深い理解を必要とせず、分野別の専門家（金融、物流、材料科学、もちろんAIや機械学習など）が量子にアクセスしやすくなっている分野でもある。適切な人材ソリューションやより優れたプログラミング環境がなければ、AIのための量子コンピューティングの可能性を実現することは難しいだろう。
量子コンピュータは互いに互換性がない
異なるメーカーの量子コンピューターには互換性がない。まったく同じゲート（利用可能な命令セットのようなもの）を使っているわけではない。量子ビットの数は同じではない。量子ビットが同じ方法で互いに接続されていない。このことは、我々が古典的なコンピューターで慣れ親しんできた問題とはまったく新しい一連の問題を引き起こす。例えば、IT管理者はレノボのノートパソコンで実行されるコードがデルのノートパソコンでも実行されると安全に仮定できるが、量子コンピューターでは同じ仮定はできない。顧客は定期的に、誰がハードウェア・レースの勝者になるか分からないので、まだ1つのハードウェア・ベンダーにコミットする準備ができていないと言う。そのため、企業はハードウェアを調和または抽象化し、アルゴリズムをコンピュータ間で簡単に移植できる開発プラットフォームを求めることが多い。さらに、企業は量子クラウドプロバイダー（Amazon BraketやAzure Quantumなど）の利用を好むことが多い。これらのプロバイダーは複数の種類の量子コンピュータを扱っており、実験が非常に容易だからだ。
人工知能における量子コンピューティングの未来とは？
顧客は、量子コンピューティングが自社のビジネスに戦略的なインパクトをもたらすことを理解しているが、そのインパクトの実現には2、3年かかるかもしれないことを理解している。とはいえ、企業は今こそ量子の世界への第一歩を踏み出し、社内の専門知識を高め、初期のユースケースを特定し、短期間で概念実証を行うべき時であることを理解している。
量子コンピュータは、古典的なものと並んで人工知能を推し進める明るい未来がある。将来的には、人工知能の学習や推論のほとんどを量子コンピュータで行えるようになるかもしれないが、ユーザーは現在と将来の限界を認識し、目標を達成するために適切な開発ツールセットを準備する必要がある。
量子アルゴリズム設計プラットフォームで、量子の旅をアップグレードしましょう。
