量子コンピューティング

Google Quantum AI、105量子ビットにわたる文脈依存性を実証

Quinn Aster
Unite.AI を Google の優先ソースに追加
要点Googleの魔方陣ゲームは、88.9%の古典的限界に対して98.3%の確率で勝利した。
もっと見る
  • Googleの魔方陣ゲームは、88.9%の古典的限界に対して98.3%の確率で勝利した。
  • GHZパリティゲームの量子優位性は、プレイヤーが増えるにつれて縮小した。
  • 文脈性テストは、ランダムな操作では見逃されるコヒーレントエラーを明らかにすることで、ハードウェア診断としても機能する。

Google Quantum AIは2026年11月19日に発表した。その発表によると、Science誌の表紙に掲載された研究で、同社の超伝導プロセッサー上における大規模な測定の文脈依存性が実証された。協調ゲームの勝率は98.3%に達し、古典的な上限である88.9%を上回った。

文脈依存性とは、測定結果があらかじめ決まった値ではなく、ほかにどの互換性のある測定を同時に行うかによって決まることを指す。理論上、この性質は一部の量子アルゴリズムを支える可能性があるとされるが、これまでの実証のほとんどは、わずか数個の粒子からなる系を対象としていた。今回の論文は、こうした検証を最大105量子ビットに拡張した実験を報告している。

この研究は当初、2025年12月1日にarXivのプレプリントとして投稿された。2026年11月の進展は、実験の初公表ではなく、学術誌への掲載を指す。

古典的なプレイヤーが必ずしも勝てないゲーム

プレプリントに記された実験の説明は、Mermin–Peresの魔方陣ゲームから始まる。2人のプレイヤー、AliceとBobは、別々になる前に戦略を相談できる。その後、審判が3×3の表の行をAliceに、列をBobに割り当てる。Aliceの行の値は掛け合わせると+1、Bobの列の値は掛け合わせると−1になる必要があり、交差するマスの値が一致すればプレイヤーの勝ちとなる。

事前に用意した古典的な表では、どの割り当てに対しても、互いに相反するこの条件をすべて満たすことはできない。量子版では、量子ビットを2×2に配置し、共有するベル対を2組用いる。理想的でノイズのない戦略なら、毎回勝てる。報告された実験の平均値は、9通りの行と列の割り当てについて、それぞれ10万回ずつ繰り返した結果に基づく。

別途実施されたKochen–Specker–Bellテストでは、互換性のある測定間の相関を組み合わせたχKSBによって文脈依存性を定量化した。論文によると、χKSBは5.618 ± 0.005で、古典的な上限の4を上回り、量子限界の6に近づいた。残る差は実験誤差によるものとされる。この回路では、ランダムに選んだ180通りの測定文脈を、1,000回の実行にわたって順次処理した。

Willowプロセッサーで検証を拡大

少数の量子ビットからなる状態を超えて文脈依存性を調べるため、研究チームはN人参加のGHZパリティゲームを実装した。各プレイヤーは1つの量子ビットに対応し、グループはそれらの量子ビットにまたがってもつれたGHZ状態を共有した。各プレイヤーは二択の質問を受け取り、1ビットの答えを返す。勝つには、回答を組み合わせたときのパリティが、質問によって決まる値と一致しなければならない。

論文は、最大71量子ビットまでの検証を報告しており、テストしたすべての規模で量子的な勝率が古典的な勝率を上回った。ただし、プレイヤーが増えるにつれて、その優位性は縮小した。プレイヤー数ごとに、研究者は50通りの量子ビット構成について20種類のゲームをテストし、各構成を1,000回繰り返した。これは、差が縮まるなかで、性能と統計的なばらつきを区別するためである。

別の二次元隠れ線形関数タスクでは、対称行列に対応する隠れたビット列をプロセッサーに見つけさせた。実験にはWillowの超伝導プロセッサーを用い、ネイティブのもつれ操作として制御Zゲートを使った。規模は9量子ビットから最大のデバイスまで検証した。各規模で、チームはランダムな行列を1,000個測定し、それぞれの行列について100回実行した。

誤りのない実装なら、実質的に2量子ビットゲートを4層適用した後に正しいビット列が得られる。ハードウェアの誤りを定量化するため、研究者は正しい出力の割合を実効深さに換算した。これは、正解を得るために追加で必要となる実行回数を反映する、解答到達時間の指標である。論文によると、この指標は最大規模のグリッドで約6層に達した。

ハードウェア診断と量子・古典間の差の限界

著者らは、文脈依存性に基づくアルゴリズムをプロセッサーのベンチマークとして提案している。また、多体版のテストによって、ランダムなユニタリ演算では見つからなかった微妙なコヒーレント誤差が明らかになったと報告している。つまり、これらのテストはゲームのスコアを測るだけでなく、ハードウェア診断にも役立つ。

Googleは、こうした誤り検出能力を、将来的な化学や材料科学への応用に向けた一歩と位置づけている。ただし、これらは可能性として示された用途であり、報告された実験でどちらかの応用がシミュレーションされたわけではない。

量子計算と古典計算の優位性の差がどこまで示されたかも重要だ。論文は、一般的な計算モデルにおいて量子優位性を無条件に証明した例はないと述べており、今回の結果は、資源に上限を設けた特定のタスクに関するものだ。隠れ線形関数の比較では、確立された古典計算の下界が意味を持つのは、およそ100万量子ビットに達してからに限られる。実験結果との比較に示された、近い将来における古典計算の深さの対数的な上界は、明確に予想として位置づけられている。したがって、現在のプロセッサー規模で、あらゆる古典実装に対する無条件の優位性が測定によって証明されたわけではない。

今回の成果がもたらす直接的な価値は、量子ハードウェアをより精密に評価する手段にある。文脈依存性を用いれば、計算上の優位性の源として提案されている性質に結びついた、規模を拡大できるタスクを設定できる。また、こうしたタスクは、構造の少ないテストでは見逃されることのある誤差にも敏感だ。一方、GHZゲームでの差が縮まり、実効深さが増していることは、参加する量子ビットが増えるほど、量子的な利点を維持するのが難しくなることを示している。

Quinn Aster は、Unite.AI の AI生成のリサーチエージェントで、人工知能と量子コンピューティングの交差点をカバーしています。彼らの仕事は、AI 手法がキュービット制御の最適化、量子エラー訂正の改善、量子アルゴリズムの高速化にどのように適用されているかを探求し、抽象的な理論と実験的進展のギャップを埋めることです。

理論的かつ深く知的な視点から、Aster は量子ラボ、学術機関、国の研究プログラムから生まれる研究を検証します。彼らは、機械学習モデルが量子ノイズの管理、ハードウェアの較正、量子システムの膨大な複雑性のナビゲーションにどのように役立つかに焦点を当てつつ、依然として分野を定義する制限や不確実性について明確に述べています。

Quinn Aster が執筆した記事は AI 生成であり、Unite.AI の編集チームによってレビューされ、量子コンピューティングと AI 主導の最適化の進展に関する正確性、明快さ、責任ある報道が確保されています。