カオス系の中に「秩序の核」が存在することを量子AIが発見――実証にも成功

イギリスのユニバーシティ・カレッジ・ロンドン（UCL）で行われた研究によって、量子コンピュータとAIを組み合わせた新手法「QIML」が、カオス系の奥底に隠れた「秩序の核」をわずか300個足らずのパラメータで丸ごと取り出せることが示されました。

研究ではこの「秩序の核」をAIの”羅針盤”として組み込むと、最先端のAIモデルが軒並み破綻した長期予測で、唯一安定な結果を出すことに成功しています。

共同筆頭著者のXiao Xue氏は「量子コンピューティングを古典的な機械学習と有意義に統合し、複雑な動的システムに取り組めることを初めて実証しました」と述べています。

いったいなぜ、量子コンピュータはこれほど少ない道具でカオスの秩序を捉えられたのでしょうか？

研究内容の詳細は2026年4月17日に『Science Advances』にて発表されました。

目次

• カオスの底に沈む「秩序の核」
• なぜ量子コンピュータだと秩序の核を取り出せるのか
• 3つのカオスに挑む――「縞模様」「渦巻き」「ルールなしの乱流」
• カオスの底に何が見えたのか
• 専門家向けの補遺

カオスの底に沈む「秩序の核」

カオスの中に「秩序の核」がある。

そういうと多くの人が難解な話をイメージしますが、決して難しい話ではありません。

たとえば駅の階段を思い浮かべてください。

毎日何千人もの人が上り下りしますが、一人ひとりがどこに足を置くかは予測できません。

右端を歩く人も左端を歩く人もいるし、2段飛ばしの人もいます。

個々の人々の動きはカオスで予測は付きません。

でも10年後にその階段を見ると、特定の場所だけがすり減っています。

真ん中よりやや右寄りの、ちょうど足を置きやすい位置。

何千人もの「予測不能な足取り」が積み重なった結果、「ここが最もよく踏まれる場所だ」という安定したパターンが浮かび上がっているのです。

このすり減りパターンこそが、カオスにおける「秩序の核」に相当するものです。

個々の動きはバラバラでも、「全体としてどこにどのくらいの確率で滞在するか」という統計的な地図は、時間が経っても変わりません。

カオスの日本語訳が「混沌」であることから私たちはどうしても「カオス＝何の法則性もないめちゃくちゃ」と思いがちです。

しかしカオスとめちゃくちゃ――つまり完全なランダムは根本的に異なります。

完全なランダムとは、過去の履歴も物理法則も一切関係なく、次に何が起きるかが本当にどこにも書かれていない状態を指します。

実はそんなものは、この宇宙にはほとんど存在しません。

人類の最先端の技術をもってしても、完璧なランダムを人工的に生成することすら未だに難しいほどです。

カオスはそうではありません。

一見でたらめに見えても、その裏にはちゃんと物理法則が流れています。

だから長い目で見れば必ず傾向が現れる。

天気で言えば、来週の気温はわかりませんが「8月の東京はだいたい30℃前後」という傾向は毎年安定しています。

サイコロだって、次に何が出るかはわからなくても、1万回振ればどの目もほぼ6分の1ずつ出るという「傾向」が見えてきます。

個々はバラバラなのに、全体を長い目で見ると安定したパターンが浮かび上がる。

それがカオスの神髄です。

数学ではこれを「不変測度」と呼びますが、ここではカオスの海の底に沈む「秩序の核」と呼ぶことにしましょう。

研究チームが見つけたかったのは、まさにこれでした。

では、この秩序の核をどうやって取り出すのか。

ここに量子コンピュータが登場します。

なぜ量子コンピュータだと秩序の核を取り出せるのか

― AIの限界

「予測なら単にAIにやらせればいいじゃないか？」

と思う人もいるでしょう。

確かにAIの進歩により、下手に人間が予測するよりAIのほうが正解率が高いという結果を、人間は受け入れるようになってきました。

天気予報も直近の予報ならば、AIは優れた精度を発揮します。

同様に他の種類のカオス問題でも、AIは短期の予測を得意としてきました。

しかし問題は、その結果を「次の出発点」にして、さらにその先を予測し……と何百回も繰り返す場面で起きます。

料理のレシピを伝言ゲームで回すようなもので、1回ごとに少しずつ歪み、10人目にはまったく別の料理になっている。

なぜそうなるかというと、従来のAIは「1歩先を当てること」に集中して訓練されるため、「この系が長期的にどんな統計パターンに従うか」という全体像を知らないのです。

先ほどの階段の例で言えば、「ある体重、ある年齢、ある歩き方をしている次の1人が、どこに足を置くか」を当てる練習ばかりしていて、「10年分のすり減りパターン」を見たことがない状態です。

UCLのピーター・コベニー教授はこう語っています。

「完全なシミュレーションには数週間かかり実用に間に合わない。かといってAIモデルでは長期の信頼性が低い。これが長年の課題でした」

今回の研究でも検証のために最先端のAIにカオス問題の長期的な予測を行わせましたが、結果は悲惨でした。

― 量子コンピュータの出番

そこで研究者たちが取り出したのは量子コンピューターでした。

なぜ普通のコンピュータではなく、量子コンピュータが必要だったのでしょうか。

まず、秩序の核（不変測度）がどんな形をしているかを理解する必要があります。

先ほどの階段のすり減りパターンには、実は厄介な性質があります。

「1段目の右端がよく踏まれると、なぜか3段目の左端もよく踏まれる」というような、離れた場所同士の不思議なつながりが無数にあるのです。

流体のカオスでも同じことが起きます。

ある場所の渦の動きが、遠く離れた別の場所の流れに影響を与える。

研究チームはこれを「量子もつれによく似た構造」と表現しています。

従来のAIは、こうした遠く離れた場所同士のつながりを学ぶとき、場所ごとの情報をひとつずつ拾い集めて、それらの間の関係を膨大なパラメータで1本ずつ記述しなければなりません。

東京と大阪の天気の相関、東京と福岡の相関、大阪と福岡の相関……と、すべてのペアを個別に書き出すようなものです。

これは極めて困難でした。

量子コンピュータは、未来を直接予測するわけではありません。

しかし、カオスデータの中に流れる隠れた統計パターンを「秩序の核」として取り出すことには長けていました。

つまり量子コンピュータ上の量子回路に、過去のカオスデータの統計パターンを繰り返し学習させると、その回路自体が「秩序の核」の圧縮表現に仕上がるのです。

イメージとしては、100時間分の交響曲を聴いて、そこに繰り返し現れるメロディの「骨格」だけを1枚の楽譜に凝縮するようなもの。

個々の演奏（＝カオスの軌道）は毎回違いますが、底に流れる音楽的な構造（＝不変測度）は共通しています。

量子回路はその構造だけを抜き出したのです。

結果として従来のAIでは10万以上ものパラメーターが必要なものも、量子回路はわずか15個の量子ビットとわずか300個程度のパラメーターで秩序の核を丸ごと捉えることができました。

同じ品質の表現を従来のコンピュータで再現しようとすると、パラメータ数が数百倍に膨れ上がり、それでも長期予測では量子版に及びませんでした。

しかし、なぜ量子コンピュータだとこの圧縮がうまくいくのでしょうか？

詳しいことはまだ不明ですが、研究者たちは秩序の核が持つ「遠く離れた場所同士が連動する構造」が、量子もつれの性質と相性がよかったからだと考えています。

量子コンピュータには「量子もつれ」という特技があります。

複数の量子ビットが、距離に関係なく互いに強く連動する性質です。

この性質のおかげで、量子コンピュータは「遠く離れた場所同士のつながり」を自然に、しかもコンパクトに表現できた可能性があるのです。

研究チームはこの量子コンピューターを使って導かれた圧縮された「秩序の核」を「Q-Prior」と名付けました。

Q-Priorの使い方はカーナビに似ています。AIの予測がカオスの秩序パターンからずれそうになると、「この系はそういう統計パターンにはならないよ」と軌道を修正してくれるのです。

しかも量子コンピュータを使うのはQ-Priorを作る最初の1回だけ。予測の段階では普通のコンピュータだけで動きます。

次はいよいよ、この量子AIによる「秩序の核」の実力を実証する実験を見ていきます。

3つのカオスに挑む――「縞模様」「渦巻き」「ルールなしの乱流」

研究チームは量子AIによる「秩序の核（Q-Prior）」の実力を確かめるために、3段階のカオス問題の予測テストを用意しました。

テスト1：揺れる縞模様を追え

最初は、時間とともに揺れ動く「縞模様」の予測です。

風になびくカーテンの縞を想像してください。

風が吹くたびにシマの位置は変わりますが、「縞っぽさ」自体は保たれています。

Q-Priorなしのモデルは最初こそ縞を再現しましたが、時間が経つにつれてじわじわとずれていきました。

Q-Priorありでは500ステップのロールアウトでも統計構造を保ち、最初の100ステップで予測誤差が約17%減少しました。

テスト2：溶けゆく渦巻きを保て

次はぐるぐる回る2次元の渦巻き流。

ラテアートを思い浮かべてください。

Q-Priorなしでは模様が時間とともにぼやけてノイズの海に溶けましたが、Q-Priorありでは渦巻き構造が長時間保たれました。

テスト3：ルールブックなしの乱流

最後は3次元の乱流です。

激しく流れる川を真横からスパッと切って、その断面の水の動きだけを予測するようなもの。

しかもこの断面だけの動きを支配する方程式は存在しません。

さらにこのテストでは初めて、IQM社の超伝導量子プロセッサという本物の量子ハードウェアが投入されました。シミュレーターではなく、ノイズもエラーもある実機です。

結果はQ-Priorなしのモデルは全滅。

最先端のAIモデル（FNOやMNO）も破綻しました。

しかしQ-Prior付きのものだけが安定な長期予測を維持したのです。

使った量子ビットは10〜15個、パラメータは300未満。

10万個以上を必要とした従来手法とは桁違いの身軽さです。

しかも本物の量子マシンで作ったQ-Priorと、シミュレーターで作ったQ-Priorの性能がほぼ同等でした。今のノイズの多い量子コンピュータでも実用的に使えることを示す重要な結果です。

メモリ面でも、500メガバイトの生データがわずか約2.3メガバイトに圧縮されています。

カオスの底に何が見えたのか

共同筆頭著者のXiao Xue氏は、この成果をこう位置づけています。

「量子コンピューティングを古典的な機械学習と有意義に統合し、複雑な動的システムに取り組めることを初めて実証しました」

量子と古典を組み合わせる試み自体は以前からありましたが、実用的な問題で明確な差が出た例はほとんどありませんでした。

しかし今回の研究では3つのカオス系について、量子AIが掴んだ「秩序の核」が長期的な予測に大きな力となることを示すことができました。

その過程で見えてきたのが、カオスの統計構造と量子もつれの間にある不思議な類似性の可能性でした。

研究チームは今後の展望として、興味深い可能性を示しています。

ある系で訓練したQ-Priorが、統計的に似た性質を持つ別の系にもそのまま使えるかもしれない、というのです。

もしそれが実現すれば、1つのQ-Priorで複数の異なるAIモデルをガイドできることになります。

さらにコベニー教授は、「気候予測、血流や分子間の相互作用のモデリング、風力発電所の設計改善」といった応用先を挙げています。

ただし今回の検証はすべて数値シミュレーション上のもので、こうした実世界のデータでの実証はこれからの課題です。

それでも、この研究が見せた景色は強く印象に残ります。

カオスは「でたらめ」ではなかった。

その底には確かに秩序が沈んでいて、その秩序は量子もつれに似た形をしていた可能性がある。

だから量子コンピュータが、ほんの少しの道具だけで、それを丸ごとすくい取ることができた。

もしカオスの予測がこれまで難しかった本当の理由が、カオスが複雑すぎるからではなく、私たちがカオスの中にある「秩序の形」をまだ知らなかったからだとしたら――量子コンピュータは、カオスと秩序を結ぶ架け橋の最初の一本を、たった今かけたのかもしれません。

専門家向けの補遺

量子AIは長期統計を支える”秩序の核”を圧縮して取り出すことができました。

それは、単に「量子コンピューターでAIの精度が上がった」という話ではありません。

著者らはQIML（量子情報に基づく機械学習）という枠組みを提案し、カオス系の長期予測で古典的AIが失いやすい不変な統計的性質――長時間たっても保たれる確率分布やエネルギー分布――を、量子生成モデルによってコンパクトに学習させました。

量子コンピューターが流体の未来を丸ごと直接シミュレーションしたわけではありません。

QIMLでは、まず量子生成モデルがデータからQ-Prior（量子回路が学んだ長期統計の圧縮表現）を作り、それを古典的な自己回帰予測器（1ステップ先の予測を次の入力にして、さらに先を予測するモデル）に組み込みます。

つまり量子部分は予測エンジンそのものではなく、古典AIが長期予測で物理的に不自然な方向へ漂流しないようにする統計的な制約として働きます。

QIMLの構造：量子コンピューターはオフライン訓練で統計的な道しるべを作る

この設計で目を引くのは、量子コンピューターを古典AIの学習中に何度も呼び出すのではなく、事前に一度だけ訓練する量子生成モデルとして使っている点です。

基盤となるのは量子回路Bornマシン（量子状態を測定したときの確率分布を生成モデルとして使う方法）です。

量子回路は、入力データをそのまま量子状態に読み込むのではなく、多数の流体スナップショットを見ながら、その背後にある長期的な確率分布を再現するように回路パラメータを調整します。

この設計により、巨大な古典データを量子状態へ入れる手間（データ読み込みのボトルネック）を回避しています。

すべての生データを量子状態に読み込んで再構成しようとはせず、必要なのはカオス系の長期挙動を支配する統計的な分布、すなわち不変測度です。

古典AI側にはクープマン型機械学習（非線形な動きを別の特徴空間で線形に扱う手法）が用いられます。

通常の自己回帰モデルは、短期予測では高い精度を出せますが、予測結果を再び入力にする長期ロールアウトでは誤差が積み重なります。

QIMLはこの問題に対し、Q-Priorを損失関数に組み込むことで対処しました。

損失関数には、次フレームの再構成誤差に加えて、KLダイバージェンス（2つの確率分布のズレを測る指標）やMMD（サンプル集合どうしの統計的なズレを測る指標）が使われます。

これにより、予測値は短期的に正しいだけでなく、長期的にも「その物理系らしい分布」に留まるよう誘導されます。

3つの検証系：単純なカオスモデルから乱流チャネル流まで

著者らは、QIMLを3段階の複雑さをもつシステムで評価しています。

第1の対象は、KS方程式（時空間カオスを示す標準的な数理モデル）です。512個の空間グリッド点をもつ1次元的なカオス系として扱われ、Q-Priorは10量子ビット・120個の訓練可能パラメータで作成されました。

第2の対象は、2Dコルモゴロフ流（周期的な外力を受ける非圧縮流体の標準モデル）です。64×64の空間グリッド、つまり4096次元の状態として扱われ、Q-Priorは10量子ビット・180個の訓練可能パラメータで構成されました。

第3の対象は、乱流チャネル流（壁に挟まれた流れの乱流）です。完全発達した周期的乱流チャネル流の中央断面からデータを取り出し、格子ボルツマン法で生成された参照データはDNS（直接数値シミュレーション）データとの比較で妥当性が確認されています。

TCFについてはエミュレータ版と実機版の両方が評価されています。論文本文の数値設定では15量子ビット・240パラメータのQ-Priorが示されています。一方、量子ハードウェア実装では、IQMの20量子ビット超伝導チップGarnetのうち、主に1〜10番の量子ビットが能動的に使われました。

結果1：KS方程式では、分布の裾とエネルギースペクトルの再現が改善

KS方程式では、Q-Priorなしの古典モデルも全体的な縞模様の構造はある程度再現できました。しかし時間が進むにつれて予測された縞模様がずれ、誤差が蓄積しました。

Q-PriorありのQIMLでは、微細な構造と平行な縞模様がよりよく保たれ、誤差も小さく分散しました。

定量的には、最初の100ステップにおける予測場のMSEが17.25 ± 5.25%低下しました。

とくに注目すべきは、分布の裾（まれだが重要な極端値が現れる領域）です。この領域では誤差がほぼ2桁抑制されたと報告されています。平均的な状態だけでなく、稀な揺らぎを含む統計構造をQ-Priorが補助していることを示しています。

エネルギースペクトル（どの空間スケールにどれだけエネルギーが分布しているか）でも、Q-Priorありのモデルは全波数域でよりよく一致し、29.36 ± 9.01%のMSE低下が示されました。

著者らはさらに、KS系の力学をuxとuxxの相空間へ射影し、正解データとQ-Priorありモデルの密度を比較しています。Q-Priorありのモデルは長期予測後も不変測度の幾何的な台（分布が存在する領域）と濃度をよく保っていました。ここに「秩序の核」の最も見えやすい姿があります。

結果2：2Dコルモゴロフ流では、渦構造と速度統計の長期保持が改善

2Dコルモゴロフ流では、QIMLは20ステップの初期ロールアウトで、正解データに見られる一貫した渦構造をより長く保ちました。Q-Priorなしのモデルでは、これらの構造がより早く崩れ、無秩序な状態へ向かいました。

長期評価では、1000ステップ（約2リャプノフ時間）まで自己回帰的に予測しました。著者らは、リャプノフ時間を超えると軌道そのものの一致は期待できないため、統計的忠実度で評価すると明確に述べています。

Q-Priorありのモデルは、時間平均速度場と乱流運動エネルギー（TKE）の空間分布を、Q-Priorなしモデルよりもよく保ちました。Q-Priorなしモデルは速度場の空間的な一貫性が崩れてノイズ的な構造が増えた一方、Q-Priorありモデルは正解データに近い縞状構造とエネルギー分布を維持しています。

定量的には、最初の100ステップでMSEが6.57 ± 3.68%低下し、速度分布の高確率ピーク領域では10.39 ± 4.23%に達しました。エネルギースペクトルでは14.16%のMSE低下が報告されています。

時間自己相関（過去の状態との相関がどれだけ残るか）についても、Q-Priorありモデルは正解データに対する正規化相対誤差が小さく、長期の統計的ふるまいをより安定して保ちました。

結果3：乱流チャネル流では、Q-PriorなしモデルはTKEを失い、QIMLは構造を保った

本論文内で最も実用に近い検証は、乱流チャネル流の流入条件生成です。3D乱流場から取り出した2D断面データを使っており、その2D断面自体には明示的な閉じた支配方程式がありません。既知の偏微分方程式をそのまま学ぶというより、観測された高次元データから長期統計を保つモデルを作る問題です。

Q-Priorなしモデルは時間平均速度場に小スケールのノイズを持ち込み、正解データの滑らかな勾配を十分に捉えられませんでした。一方、エミュレータ版Q-PriorとIQM実機版Q-Priorを用いたQIMLは、支配的な空間構造をよりよく保っています。

決定的だったのがTKEです。Q-Priorなしモデルは、TKE場がほぼゼロに近い状態になり、時間変化の乏しいほとんど静的な予測へ落ち込みました。乱流らしい変動構造を失ったことを意味します。対して、Q-Priorありの2モデルは正解データに似た構造化されたTKE場を回復し、乱流構造の空間的組織をより正確に保ちました。

ただし、無次元速度分布については、Q-Priorなしを含むすべてのMLモデルがDNS参照値や対数則とよく一致しています。TCFでのQIMLの優位性は、平均速度プロファイルの再現ではなく、TKEやエネルギースペクトル、小スケール構造、長期的な変動性の保持にあります。

比較実験：Q-Priorは「モデルが大きいから勝った」のではない

著者らが強調しているのは、QIMLの改善が単に古典的モデル構造の副産物ではなく、Q-Priorに由来するという点です。

比較対象には、Q-PriorなしのKoopman型モデル、FNO（フーリエニューラルオペレータ）、MNO（マルコフニューラルオペレータ）、さらにCIML（古典的生成モデルによる事前知識を使う比較モデル）が含まれます。

FNOやMNOはPDE系の学習で強力な手法として知られていますが、1ステップ入力・1ステップ出力で厳密に自己回帰ロールアウトを行うと、小さな局所誤差が各ステップで蓄積し、長期予測では正解データから次第に外れます。とくに閉じた支配方程式がないデータ駆動型の状況では、この弱点が顕著でした。

CIMLとの比較も重要です。著者らは変分オートエンコーダ（VAE）を使ってC-Prior（古典的事前知識）を作り、Q-Priorと比較しました。12万を超えるパラメータを使う大きなC-Priorでは、大まかなエネルギー分布や大スケール統計はQ-Priorに近づけることができました。しかし長期ロールアウトでは準定常パターンに固定化する傾向があり、時間的変動性が落ちました。また高波数領域ではエネルギースペクトルの裾を過小評価しています。

C-PriorをQ-Priorと同程度の約300パラメータに制限すると、モデルは過度に滑らかな平均場的表現へ崩れ、小スケール統計を回復できませんでした。同等の性能に近づくには400倍以上のパラメータが必要だったことになります。

この比較から著者らは、QIMLの鍵はQ-Priorがメモリ効率のよい統計的正則化項として働く点にあると結論づけています。

「秩序の核」の正体：不変測度を量子生成モデルで圧縮したQ-Prior

本記事で使っている「秩序の核」の正体を正確に述べておきます。

これはカオスの中に新しく発見された未知の物質や粒子ではありません。力学系理論で以前から知られている不変測度――個々の軌道は指数関数的に分岐しても、長時間で見たときに保たれる確率分布――です。

カオス系では、ある時刻の状態を細部まで当て続けることは基本的に難しくなります。初期条件や丸め誤差のわずかな違いが時間とともに大きく増幅されるからです。しかし、系全体がどの状態領域にどれくらいの頻度で現れるか、どのスケールにどれくらいのエネルギーを持つかといった統計的な構造は、長時間で安定することがあります。

乱流でいえば、それは速度の確率分布、TKE、エネルギースペクトルなどとして現れます。これらがカオスの中に残る「秩序」です。

Q-Priorは、この不変測度に対応する長期統計的特徴を量子生成モデルが学んだ圧縮表現です。量子回路の測定確率分布（Born分布）が、データの長期統計に近づくよう訓練されたものです。量子回路は各計算基底状態を空間座標に対応させ、測定確率がその位置の速度強度などの経験的分布を反映するように最適化されます。

整理すると、「秩序の核」の正体は三層構造で捉えられます。物理・力学系としての正体は不変測度であり、量子計算としての正体は量子回路の測定確率分布であり、機械学習としての機能は統計的正則化項です。

Q-Priorは、カオスの細部を記録した地図ではありません。カオス系が長時間で保つ「どの方向へ行くと物理的に自然か」という統計的な地形図です。この地形図があるため、古典AIは短期誤差を積み重ねても、完全に非物理的な方向へ逸脱しにくくなります。

著者らの洞察：なぜ量子モデルが効くのか

著者らは、Q-Priorがカオス系に効く理由について仮説として議論しています。

彼らの見方では、カオスデータには複雑で非局所的な統計依存――離れた場所や異なるスケールの間にある相関――が含まれており、これらは量子もつれや文脈性（測定の文脈によって結果の構造が変わる量子的性質）に機能的に似ている可能性があります。

古典的生成モデルは多くの場合、分布を局所的または分解可能な形で近似しようとするため、カオスアトラクタの不変測度に含まれる多スケール・非局所的な相関を少数のパラメータで効率よく表すのは難しいと考えられています。一方、量子回路はもつれた振幅を通じてそのような相関を自然に表現できる可能性があり、これがQ-Priorの圧縮性と性能上の利点につながっているのではないか、というのが著者らの考えです。

ただしこれは断定ではなく、著者ら自身も理論的理解はまだ発展途上だとしています。

実用的量子優位性：著者らは慎重に定義している

論文タイトルにはpractical quantum advantage（実用的量子優位性）という強い表現が入っています。しかし考察部分では、著者らはこの言葉をかなり慎重に扱っています。

量子優位性の主張はしばしば後から洗練された古典アルゴリズムに追いつかれることがあり、ショアのアルゴリズムのような一部の例を除き、多くの主張は慎重に扱うべきだというのが彼らの立場です。

そのうえで著者らが主張するのは、QIMLの優位性は「絶対に古典計算で破れない」という意味ではなく、表現上・メモリ上の優位性が本研究条件では実際の予測性能の改善につながった、という意味です。

ここで鍵になるのがホレボ境界（n量子ビットから測定で取り出せる古典情報量の制限）です。量子状態は2のn乗次元の空間に情報を表現できますが、その全情報を古典的に読み出そうとすれば測定の制限が壁になります。著者らの主張はこの壁を正面から破ったというものではなく、全データを再構成しようとせず、長期予測に必要な不変測度だけを取り出すことでホレボ境界の問題を回避している、という構図です。

QIMLは「量子状態に入れた情報を全部読み出す」のではなく、カオス系の長期予測を安定化するために必要な統計的ガイドだけを取り出します。これがQ-Priorであり、このためQIMLはメモリ効率と予測安定性の両方を得ています。

メモリ効率：Q-Priorは生データの代替ではなく、統計的ガイドの圧縮表現

著者らはメモリ効率を実用面の大きな利点として挙げています。Q-Priorは10〜15量子ビット、300未満の訓練可能パラメータで構成されます。

論文の表によれば、KS方程式では生データ300MBに対しQ-Priorは0.25MB（約1,200:1）、2Dコルモゴロフ流では400MBに対し0.40MB（約1,000:1）、乱流チャネル流では500MBに対し2.3MB（約200:1）です。

ただしQ-Priorは生データを完全復元する可逆圧縮ではありません。長期予測の安定化に必要な統計的特徴を、非常に小さなパラメータセットとして保持できた、ということです。

Q-Priorはオフライン訓練で一度だけ作られ、その後の古典モデルのロールアウト中には量子回路を呼び出しません。実機評価では1回の訓練反復あたり20,000ショットが用いられましたが、8,000ショットに下げても最終性能への影響は5%未満でした。

限界

著者らは限界も明記しています。

第一に、量子生成モデルは古典モデルと一体的に訓練されていません。現在のNISQ超伝導デバイスのノイズやスケーラビリティの制約から、量子生成モデルは別に最適化され、固定されたQ-Priorとして古典モデルに渡される設計になっています。

第二に、今回の正解データは実世界の連続的な流体そのものではなく、64ビット浮動小数点による数値近似です。著者らは将来的にアナログ計算などを使い、真の連続系の不変測度との比較をより厳密に行う必要があると述べています。

第三に、著者らは約50量子ビット・20層未満の回路深さを近未来の実用的範囲として想定し、ECMWFの気象データなどより大規模な地球物理データへの展開を見据えています。しかしこれは本論文で実証済みの成果ではなく、ロードマップ上の将来計画です。

まとめ

QIMLは、カオス系の未来の軌道を永久に正確に追跡する方法ではありません。長期予測で保つべき不変測度に対応する統計的特徴を、量子生成モデルによるQ-Priorとして圧縮して学習し、古典的自己回帰モデルの統計的制約として組み込む方法です。

このQ-Priorにより、KS方程式、2Dコルモゴロフ流、乱流チャネル流の各ケースで、速度分布、エネルギースペクトル、TKE、自己相関、相空間上の不変構造などの統計的忠実度が改善しました。

Q-PriorなしモデルやFNO、MNO、CIMLでは、長期ロールアウトで誤差蓄積、過度な平滑化、静的パターンへの固定化、細部構造の消失が見られたのに対し、QIMLはより物理的に一貫した長期予測を保ちました。

「秩序の核」とは、カオスの奥に新たに発見された物体ではなく、力学系理論で重要視されてきた不変測度です。今回の新規性は、その統計構造を量子生成モデルでコンパクトなQ-Priorとして学び、古典AIの長期予測を安定化する実用的な道具として使った点にあります。

参考文献

Quantum computer improves AI predictions
https://www.ucl.ac.uk/news/2026/apr/quantum-computer-improves-ai-predictions#:~:text=17%20April%202026,vast%20number%20of%20possible%20states.

元論文

Quantum-informed machine learning for predicting spatiotemporal chaos with practical quantum advantage
https://doi.org/10.1126/sciadv.aec5049

ライター

川勝康弘: ナゾロジー副編集長。 大学で研究生活を送ること10年と少し。 小説家としての活動履歴あり。 専門は生物学ですが、量子力学・社会学・医学・薬学なども担当します。 日々の記事作成は可能な限り、一次資料たる論文を元にするよう心がけています。 夢は最新科学をまとめて小学生用に本にすること。

編集者

ナゾロジー 編集部