机の上で量子をまねて、できることの境目を見る。

使っているのは普通の計算機上のシミュレータです。状態ベクトルという方式では、0や1の組み合わせごとの振幅を記憶して、回路による変化を計算します。測定結果の出やすさは振幅から求めます。

理想的な回路のシミュレーションと、ノイズのある実機で同じ結果が出るかは別の確認です。展示した実験は実機の性能を測ったものではありません。

当時の計画は、単精度で状態ベクトルを保持する方式と、この計算機のメモリを前提に33量子ビットを上限の目安にしました。33で64GiBという数字は状態ベクトル1個だけの概算で、回路を実行・学習する全メモリや実測時間ではありません。

同じ精度・方式なら、量子ビットが一つ増えるごとに表の大きさは2倍になります。学習では更新や繰り返し計算も必要なため、当時の資料では学習側は30を上限とし、小さい回路での学習と大きい回路での生成・検証を分ける計画でした。これはその方式・機材・当時の条件での記録です。

ゲートは量子状態を変える操作です。この検索の例では、候補の重ね合わせ→条件に合う候補への印付け→その候補の振幅を増やす操作→測定、という流れに組みます。結果は確率で出るため、1回の測定で必ず正解を返す説明にはしません。

必要なのは、候補が条件に合うかを判定する回路です。これをオラクルと呼びます。答えを直接埋め込む小さな見本も作れますが、未知の答えを探す問題では、答えそのものを知らずに判定条件を回路へ書ける必要があります。

判定の回路を作る費用や、入力を用意する手間までなくなるわけではありません。回数の理論上の利点と、仕事全体で速いことは分けて見ます。

この展示はパスワード解読の実証ではありません。現物のテンキーを量子の重ね合わせで押すこともできません。Grover探索の理論は、候補を回路の中で検査できる条件についての話で、現実の認証システムをそのまま高速化する話ではありません。

Grover探索の理論上の利点は、条件を調べる回数が候補数Nに対しておおむねN回から√N回へ変わる点です。シミュレータの実行時間や、どの問題でも高速になるという保証ではありません。

この展示の規模なら普通の計算機で十分、というのが当時の記録の結論です。GPUで量子の中身を再現する負担も含め、シミュレーションの速度を実機の速度へ置き換えて説明しません。

見本と回路の出方のずれを減らすよう、回路のパラメータを調整する試験です。当時の一条件では1ステップ96.6秒という記録があり、同じ時間を1,000回に掛けると約26.8時間になります。後者は単純な見積りで、1,000回の全実測や学習の成功を示す数値ではありません。

ここでは、特定の回路・方式・機材・条件の記録として残します。量子を使ったあらゆる学習がこの時間になるわけではありません。

練習と重なる断片は、同じ採点方法でコマを半分〜4分の1へ減らした比較版と近い劣化の水準でした。初見の時間帯では復元できず、単一の「精度」で良い結果としてまとめられません。

数値での比較が、人間に自然な動きに見えることを保証するわけでもありません。人間向けの判定画面が分かりにくかった経験から、何を見て成功とするかを読める形にする必要が残りました。研究用の画面そのものは公開していません。