特開 2025-149718 情報処理プログラム、情報処理方法、および情報処理装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2025149718

(43)【公開日】2025-10-08

(54)【発明の名称】情報処理プログラム、情報処理方法、および情報処理装置

(51)【国際特許分類】

   G06N 10/20 20220101AFI20251001BHJP

   G06F 18/213 20230101ALI20251001BHJP

   G06F 18/24 20230101ALI20251001BHJP

【ＦＩ】

G06N10/20

G06F18/213

G06F18/24

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2024050527

(22)【出願日】2024-03-26

(71)【出願人】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】100104190

【弁理士】

【氏名又は名称】酒井 昭徳

(72)【発明者】

【氏名】五木田 駿

(57)【要約】

【課題】量子回路による分類精度を向上すること。
【解決手段】情報処理装置１００は、学習済みモデル１１０を取得する。情報処理装置１００は、特定の種類のデータを含む第２データセット１０２を記憶する。情報処理装置１００は、特定の種類のデータの分類精度が向上するよう、第２データセット１０２に基づいて、取得した学習済みモデル１１０を更新する。情報処理装置１００は、第２データセット１０２に基づいて、更新した学習済みモデル１１１によって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路１２０を学習するよう、演算部１３０を制御する。
【選択図】図１

【特許請求の範囲】

【請求項1】

入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する学習済みモデルを取得し、
特定の種類のデータの分類精度が向上するよう、前記特定の種類のデータを含むデータセットに基づいて、取得した前記学習済みモデルを更新し、
前記データセットに基づいて、更新した前記学習済みモデルによって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路を学習するよう、演算部を制御する、
処理をコンピュータに実行させることを特徴とする情報処理プログラム。

【請求項2】

前記演算部を前記学習に利用するリクエストを、前記演算部に送信する、
処理を前記コンピュータに実行させ、
前記更新する処理は、前記リクエストに応じて前記演算部が前記学習に利用可能になる前に開始される、ことを特徴とする請求項１に記載の情報処理プログラム。

【請求項3】

前記更新する処理は、前記リクエストに応じて前記演算部が前記学習に利用可能になるまでに繰り返し実行され、
前記制御する処理は、
前記演算部が前記学習に利用可能になった後に、前記データセットに基づいて、最後に更新した前記学習済みモデルによって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路を学習するよう、前記演算部を制御する、ことを特徴とする請求項２に記載の情報処理プログラム。

【請求項4】

入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する学習済みモデルを取得し、
特定の種類のデータの分類精度が向上するよう、前記特定の種類のデータを含むデータセットに基づいて、取得した前記学習済みモデルを更新し、
前記データセットに基づいて、更新した前記学習済みモデルによって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路を学習するよう、演算部を制御する、
処理をコンピュータが実行することを特徴とする情報処理方法。

【請求項5】

入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する学習済みモデルを取得し、
特定の種類のデータの分類精度が向上するよう、前記特定の種類のデータを含むデータセットに基づいて、取得した前記学習済みモデルを更新し、
前記データセットに基づいて、更新した前記学習済みモデルによって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路を学習するよう、演算部を制御する、
制御部を有することを特徴とする情報処理装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理プログラム、情報処理方法、および情報処理装置に関する。

【背景技術】

【0002】

従来、入力されたデータの分類結果を出力する量子回路を学習する技術がある。また、学習済みモデルを活用して、入力されたデータから、学習済みモデルによって抽出した特徴量に応じて、当該データの分類結果を出力する量子回路を学習する手法がある。

【0003】

先行技術としては、例えば、データセットの第１の表現と第２の表現との間の差を最小化する損失項と複雑度を最小化する正則化項を含む目的関数を定式化するものがある。また、例えば、ユーザの不満度を考慮して、実行中のジョブの一時的な停止または一時的な中断を行う技術がある。また、例えば、ニューラルネットワークの１または複数のコンポーネントを、量子コンポーネントに置換する技術がある。また、例えば、離散変分自動エンコーダを介して、入力空間に対して教師なし学習を実行する技術がある。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１９－０９６３３４号公報

【特許文献2】特開２００１－０２２６０１号公報

【特許文献3】米国特許出願公開第２０２０／０２８５９４７号明細書

【特許文献4】米国特許出願公開第２０２１／０３６５８２６号明細書

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、従来技術では、量子回路による分類精度を向上することが難しい場合がある。例えば、学習済みモデルを学習する際のデータセットと、学習済みモデルを活用して、量子回路を学習する際のデータセットとの関連性が小さいほど、量子回路による分類精度を向上することが難しくなる傾向がある。

【0006】

１つの側面では、本発明は、量子回路による分類精度を向上することを目的とする。

【課題を解決するための手段】

【0007】

１つの実施態様によれば、入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する学習済みモデルを取得し、特定の種類のデータの分類精度が向上するよう、前記特定の種類のデータを含むデータセットに基づいて、取得した前記学習済みモデルを更新し、前記データセットに基づいて、更新した前記学習済みモデルによって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路を学習するよう、演算部を制御する情報処理プログラム、情報処理方法、および情報処理装置が提案される。

【発明の効果】

【0008】

一態様によれば、量子回路による分類精度を向上することが可能になる。

【図面の簡単な説明】

【0009】

【図1】図１は、実施の形態にかかる情報処理方法の一実施例を示す説明図である。

【図2】図２は、情報処理システム２００の一例を示す説明図である。

【図3】図３は、情報処理装置１００のハードウェア構成例を示すブロック図である。

【図4】図４は、計算装置２０１のハードウェア構成例を示すブロック図である。

【図5】図５は、情報処理装置１００の機能的構成の一例を示すブロック図である。

【図6】図６は、情報処理システム２００の機能的構成の具体例を示すブロック図（その１）である。

【図7】図７は、情報処理システム２００の機能的構成の具体例を示すブロック図（その２）である。

【図8】図８は、情報処理システム２００の動作の一例を示す説明図（その１）である。

【図9】図９は、情報処理システム２００の動作の一例を示す説明図（その２）である。

【図10】図１０は、情報処理システム２００の動作の一例を示す説明図（その３）である。

【図11】図１１は、全体処理手順の一例を示すフローチャートである。

【図12】図１２は、更新処理手順の一例を示すフローチャートである。

【発明を実施するための形態】

【0010】

以下に、図面を参照して、本発明にかかる情報処理プログラム、情報処理方法、および情報処理装置の実施の形態を詳細に説明する。

【0011】

（実施の形態にかかる情報処理方法の一実施例）
図１は、実施の形態にかかる情報処理方法の一実施例を示す説明図である。情報処理装置１００は、データの分類結果を出力する機能を実現する量子回路１２０を学習するためのコンピュータである。情報処理装置１００は、例えば、サーバまたはＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）などである。

【0012】

従来、入力されたデータの分類結果を出力する機能を有する量子回路を学習する技術として、ＱＣＬ（Ｑｕａｎｔｕｍ Ｃｉｒｃｕｉｔ Ｌｅａｒｎｉｎｇ）がある。例えば、サンプルデータと、サンプルデータに対する出力の正解とを対応付けて表すデータセットに基づいて、入力されたデータの分類結果を出力する機能を有する量子回路を学習することが考えられる。具体的には、サンプルデータを第１量子回路で変換した量子状態に応じた第２量子回路の出力が、サンプルデータに対する出力の正解に近付くよう、第２量子回路のパラメータを更新することにより、第２量子回路を学習することが考えられる。ＱＣＬでは、量子回路が有するユニタリ性により、過学習を防止し易くすることができると考えられる。また、ＱＣＬでは、指数関数的な数の基底関数により、データセットを説明する表現力が向上すると考えられる。

【0013】

一方で、ＱＣＬでは、分類精度を向上することが難しいという問題、または、量子回路を学習する際にかかる所要時間が増大してしまうという問題などがある。例えば、現状の量子コンピュータの実機上では、利用し得る量子ビットの数が比較的少なく、量子回路の規模を大きくすることが難しいため、分類精度を向上することが難しい場合がある。また、現状の量子コンピュータの実機上では、量子ビットのエラー頻度が比較的高く、量子回路の深さを大きくすることが難しいため、分類精度を向上することが難しい場合がある。また、現状の量子コンピュータの実機は、複数のユーザが共用する傾向があり、ＱＣＬを実施するにあたって、現状の量子コンピュータの実機の利用待ちが発生してしまい、量子回路を学習する際にかかる所要時間が増大し易い。

【0014】

これに対し、分類精度を向上し、または、所要時間を低減することを目的として、転移学習の手法を、ＱＣＬに適用する技術として、Ｃ２Ｑ（Ｃｌａｓｓｉｃａｌ ｔｏ Ｑｕａｎｔｕｍ）転移学習がある。具体的には、学習済みモデルを活用して、入力されたデータから、学習済みモデルによって抽出した特徴量に応じて、当該データの分類結果を出力する量子回路を学習することが考えられる。

【0015】

しかしながら、依然として、量子回路による分類精度を向上することが難しい場合がある。例えば、学習済みモデルを学習する際のデータセットと、学習済みモデルを活用して、量子回路を学習する際のデータセットとの関連性が小さいほど、量子回路による分類精度を向上することが難しくなる傾向がある。具体的には、学習済みモデルを学習する際のデータセットが、英語の文書に関し、量子回路を学習する際のデータセットが、日本語の文書に関する場合、学習済みモデルを活用しても、量子回路による分類精度を向上することが難しくなる傾向がある。また、Ｃ２Ｑ転移学習を実施するにあたって、現状の量子コンピュータの実機の利用待ちが発生してしまい、量子回路を学習する際にかかる所要時間が増大し易いという問題は解消されない。

【0016】

そこで、本実施の形態では、量子回路による分類精度を向上することができる情報処理方法について説明する。

【0017】

図１において、量子計算を実施可能な演算部１３０が存在する。演算部１３０は、例えば、量子コンピュータの実機である。情報処理装置１００は、演算部１３０と通信可能である。また、例えば、演算部１３０が、情報処理装置１００に含まれる場合があってもよい。また、例えば、演算部１３０が、量子シミュレータである場合があってもよい。

【0018】

（１－１）情報処理装置１００は、学習済みモデル１１０を取得する。学習済みモデル１１０は、入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する。学習済みモデル１１０は、例えば、第１データセット１０１に基づいて学習されるとする。学習済みモデル１１０は、例えば、ニューラルネットワークなどである。学習済みモデル１１０は、例えば、パラメータを有する。パラメータは、例えば、ニューラルネットワークのエッジに対応付けられた重みなどである。学習済みモデル１１０は、例えば、複数の層を有する。情報処理装置１００は、例えば、第１データセット１０１に基づいて、学習済みモデル１１０を学習することにより、学習済みモデル１１０を取得する。情報処理装置１００は、例えば、学習済みモデル１１０を他のコンピュータから受信することにより、学習済みモデル１１０を取得してもよい。

【0019】

（１－２）情報処理装置１００は、特定の種類のデータを含む第２データセット１０２を記憶する。情報処理装置１００は、特定の種類のデータの分類精度が向上するよう、第２データセット１０２に基づいて、取得した学習済みモデル１１０を更新する。情報処理装置１００は、例えば、ファインチューニングにより、特定の種類のデータの分類精度が向上するよう、第２データセット１０２に基づいて、取得した学習済みモデル１１０の前半の層にかかるパラメータを更新する。

【0020】

（１－３）情報処理装置１００は、第２データセット１０２に基づいて、量子回路１２０を学習するよう、演算部１３０を制御する。量子回路１２０は、更新した学習済みモデル１１１によって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を実現するよう学習される。情報処理装置１００は、例えば、更新した学習済みモデル１１１の前半の層を、量子回路１２０に付す特徴量抽出部１１２に設定する。情報処理装置１００は、例えば、第２データセット１０２に基づいて、設定した特徴量抽出部１１２によってデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を実現するよう、量子回路１２０のパラメータを更新する。

【0021】

これにより、情報処理装置１００は、量子回路１２０による分類精度を向上することができる。情報処理装置１００は、例えば、第１データセット１０１と、第２データセット１０２の関連性が比較的小さくても、学習済みモデル１１０を、第２データセット１０２に合わせて一旦更新することができる。情報処理装置１００は、例えば、第２データセット１０２に合わせて、更新した学習済みモデル１１１を活用して、分類精度が比較的よい量子回路１２０を学習することができる。分類精度は、特定の種類のデータに関する。

【0022】

また、情報処理装置１００は、量子回路１２０が有するユニタリ性により、過学習を防止し易くすることができ、汎化性能を向上することができる。また、情報処理装置１００は、指数関数的な数の基底関数により、データセットを説明する表現力を向上することができる。また、情報処理装置１００は、演算部１３０の利用待ちが発生した場合に、待ち時間を活用して、学習済みモデル１１０を更新する場合があってもよい。この場合、情報処理装置１００は、演算部１３０の利用待ちが発生しても、量子回路１２０を学習する際にかかる所要時間の増大を抑制することができる。

【0023】

ここでは、情報処理装置１００としての機能が、単独のコンピュータで実現される場合について説明したが、これに限らない。例えば、情報処理装置１００としての機能が、複数のコンピュータの協働で実現される場合があってもよい。例えば、情報処理装置１００としての機能が、クラウド上に実現される場合があってもよい。

【0024】

（情報処理システム２００の一例）
次に、図２を用いて、図１に示した情報処理装置１００を適用した、情報処理システム２００の一例について説明する。

【0025】

図２は、情報処理システム２００の一例を示す説明図である。図２において、情報処理システム２００は、情報処理装置１００と、計算装置２０１と、クライアント装置２０２とを含む。

【0026】

情報処理システム２００において、情報処理装置１００と計算装置２０１とは、有線または無線のネットワーク２１０を介して接続される。ネットワーク２１０は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネットなどである。また、情報処理システム２００において、情報処理装置１００とクライアント装置２０２とは、有線または無線のネットワーク２１０を介して接続される。

【0027】

情報処理装置１００は、データの分類結果を出力する機能を実現する量子回路を学習するためのコンピュータである。情報処理装置１００は、例えば、量子回路を学習するジョブの処理依頼を取得する。処理依頼は、例えば、サンプルデータと、サンプルデータに応じた量子回路の出力の正解とを対応付けたデータセットを含む。処理依頼は、例えば、学習済みモデルを含んでいてもよい。処理依頼は、学習の雛型となる量子回路を含んでいてもよい。雛型は、例えば、量子ビットを定義し、量子回路を形成する量子ゲートを定義し、量子ゲートに関するパラメータの初期値を含む。

【0028】

情報処理装置１００は、具体的には、処理依頼を他のコンピュータから受信することにより、処理依頼を取得する。他のコンピュータは、例えば、クライアント装置２０２などである。情報処理装置１００は、具体的には、ユーザの操作入力に基づき、処理依頼の入力を受け付けることにより、処理依頼を取得してもよい。

【0029】

情報処理装置１００は、処理依頼に応じて、データセットに基づいて、量子回路を学習する。情報処理装置１００は、例えば、処理依頼に応じて、量子回路を学習するジョブの実行依頼を、計算装置２０１に送信する。情報処理装置１００は、例えば、量子回路を学習するジョブの実行依頼を計算装置２０１に送信したことに応じて、量子回路を学習するジョブの実行待ちの状態に移行する。情報処理装置１００は、例えば、量子回路を学習するジョブの実行待ちの間に、データセットに基づいて、学習済みモデルをファインチューニングする。

【0030】

情報処理装置１００は、例えば、量子回路を学習するジョブが実行可能であることを示す通知を、計算装置２０１から受信する。情報処理装置１００は、例えば、通知を受信したことに応じて、ファインチューニングした学習済みモデルを活用して、データの分類結果を出力する機能を実現する量子回路を学習するよう、計算装置２０１を制御する。情報処理装置１００は、例えば、学習した量子回路を、計算装置２０１から受信する。

【0031】

情報処理装置１００は、例えば、受信した量子回路を出力する。情報処理装置１００は、具体的には、受信した量子回路を、他のコンピュータに送信する。他のコンピュータは、例えば、クライアント装置２０２などである。情報処理装置１００は、具体的には、受信した量子回路を、ユーザが参照可能に出力してもよい。情報処理装置１００は、例えば、サーバまたはＰＣなどである。

【0032】

計算装置２０１は、量子計算を実行するためのコンピュータである。計算装置２０１は、情報処理装置１００の制御に従って、特定の計算処理の全部または一部を分担する。計算装置２０１は、例えば、量子コンピュータの実機である。計算装置２０１は、例えば、複数のユーザが共用するコンピュータである場合がある。

【0033】

クライアント装置２０２は、量子回路を学習するジョブの処理依頼を発行するためのコンピュータである。クライアント装置２０２は、ユーザの操作入力に基づき、量子回路を学習するジョブの処理依頼を生成し、情報処理装置１００に送信する。クライアント装置２０２は、量子回路を、情報処理装置１００から受信する。クライアント装置２０２は、受信した量子回路を、ユーザが参照可能に出力する。クライアント装置２０２は、例えば、ＰＣ、タブレット端末、または、スマートフォンなどである。

【0034】

ここでは、情報処理装置１００と計算装置２０１とが異なる装置である場合について説明したが、これに限らない。例えば、情報処理装置１００が、計算装置２０１としての機能を有し、計算装置２０１としても動作する場合があってもよい。また、情報処理装置１００とクライアント装置２０２とが異なる装置である場合について説明したが、これに限らない。例えば、情報処理装置１００が、クライアント装置２０２としての機能を有し、クライアント装置２０２としても動作する場合があってもよい。

【0035】

（情報処理システム２００の適用例）
情報処理システム２００は、例えば、画像を表すデータの分類結果を出力する機能を実現する量子回路を学習する用途に適用することができる。分類結果は、例えば、画像に映った物体の認識結果に対応する。情報処理システム２００は、例えば、文書を表すデータの分類結果を出力する機能を実現する量子回路を学習する用途に適用することができる。分類結果は、例えば、文書の種類などである。

【0036】

（情報処理装置１００のハードウェア構成例）
次に、図３を用いて、情報処理装置１００のハードウェア構成例について説明する。

【0037】

図３は、情報処理装置１００のハードウェア構成例を示すブロック図である。図３において、情報処理装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１と、メモリ３０２と、ネットワークＩ／Ｆ（Ｉｎｔｅｒｆａｃｅ）３０３と、記録媒体Ｉ／Ｆ３０４と、記録媒体３０５とを有する。また、各構成部は、バス３００によってそれぞれ接続される。

【0038】

ここで、ＣＰＵ３０１は、情報処理装置１００の全体の制御を司る。メモリ３０２は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）およびフラッシュＲＯＭなどを有する。具体的には、例えば、フラッシュＲＯＭやＲＯＭが各種プログラムを記憶し、ＲＡＭがＣＰＵ３０１のワークエリアとして使用される。メモリ３０２に記憶されるプログラムは、ＣＰＵ３０１にロードされることにより、コーディングされている処理をＣＰＵ３０１に実行させる。

【0039】

ネットワークＩ／Ｆ３０３は、通信回線を通じてネットワーク２１０に接続され、ネットワーク２１０を介して他のコンピュータに接続される。そして、ネットワークＩ／Ｆ３０３は、ネットワーク２１０と内部のインターフェースを司り、他のコンピュータからのデータの入出力を制御する。ネットワークＩ／Ｆ３０３は、例えば、モデムやＬＡＮアダプタなどである。

【0040】

記録媒体Ｉ／Ｆ３０４は、ＣＰＵ３０１の制御に従って記録媒体３０５に対するデータのリード／ライトを制御する。記録媒体Ｉ／Ｆ３０４は、例えば、ディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポートなどである。記録媒体３０５は、記録媒体Ｉ／Ｆ３０４の制御で書き込まれたデータを記憶する不揮発メモリである。記録媒体３０５は、例えば、ディスク、半導体メモリ、ＵＳＢメモリなどである。記録媒体３０５は、情報処理装置１００から着脱可能であってもよい。

【0041】

情報処理装置１００は、上述した構成部の他、例えば、キーボード、マウス、ディスプレイ、プリンタ、スキャナ、マイク、スピーカーなどを有してもよい。また、情報処理装置１００は、記録媒体Ｉ／Ｆ３０４や記録媒体３０５を複数有していてもよい。また、情報処理装置１００は、記録媒体Ｉ／Ｆ３０４や記録媒体３０５を有していなくてもよい。

【0042】

（計算装置２０１のハードウェア構成例）
次に、図４を用いて、計算装置２０１のハードウェア構成例について説明する。

【0043】

図４は、計算装置２０１のハードウェア構成例を示すブロック図である。図４において、計算装置２０１は、ＣＰＵ４０１と、メモリ４０２と、ネットワークＩ／Ｆ４０３と、記録媒体Ｉ／Ｆ４０４と、記録媒体４０５とを有する。計算装置２０１は、さらに、演算筐体Ｉ／Ｆ４０６と、演算筐体４０７とを有する。また、各構成部は、バス４００によってそれぞれ接続される。

【0044】

ここで、ＣＰＵ４０１は、計算装置２０１の全体の制御を司る。メモリ４０２は、例えば、ＲＯＭ、ＲＡＭおよびフラッシュＲＯＭなどを有する。具体的には、例えば、フラッシュＲＯＭやＲＯＭが各種プログラムを記憶し、ＲＡＭがＣＰＵ４０１のワークエリアとして使用される。メモリ４０２に記憶されるプログラムは、ＣＰＵ４０１にロードされることにより、コーディングされている処理をＣＰＵ４０１に実行させる。

【0045】

ネットワークＩ／Ｆ４０３は、通信回線を通じてネットワーク２１０に接続され、ネットワーク２１０を介して他のコンピュータに接続される。そして、ネットワークＩ／Ｆ４０３は、ネットワーク２１０と内部のインターフェースを司り、他のコンピュータからのデータの入出力を制御する。ネットワークＩ／Ｆ４０３は、例えば、モデムやＬＡＮアダプタなどである。

【0046】

記録媒体Ｉ／Ｆ４０４は、ＣＰＵ４０１の制御に従って記録媒体４０５に対するデータのリード／ライトを制御する。記録媒体Ｉ／Ｆ４０４は、例えば、ディスクドライブ、ＳＳＤ、ＵＳＢポートなどである。記録媒体４０５は、記録媒体Ｉ／Ｆ４０４の制御で書き込まれたデータを記憶する不揮発メモリである。記録媒体４０５は、例えば、ディスク、半導体メモリ、ＵＳＢメモリなどである。記録媒体４０５は、計算装置２０１から着脱可能であってもよい。

【0047】

演算筐体Ｉ／Ｆ４０６は、ＣＰＵ４０１の制御に従って演算筐体４０７に対するアクセスを制御する。演算筐体Ｉ／Ｆ４０６は、マイクロ波パルス発生器を利用して、ＣＰＵ４０１からの出力信号を、演算筐体４０７に対する入力信号に変換し、演算筐体４０７に送信する。演算筐体Ｉ／Ｆ４０６は、マイクロ波パルス復調器を利用して、演算筐体４０７からの出力信号を、ＣＰＵ４０１に対する入力信号に変換し、ＣＰＵ４０１に送信する。演算筐体４０７は、１０ｍＫの極低温に冷却された、１以上の量子ビットチップを搭載した演算装置である。量子ビットチップは、例えば、論理量子ビットを表す。演算筐体４０７は、１以上の量子ビットチップを利用して、入力信号に応じて所定の演算を実施し、所定の演算を実施した結果に対応する出力信号を出力する。

【0048】

計算装置２０１は、上述した構成部の他、例えば、キーボード、マウス、ディスプレイ、プリンタ、スキャナ、マイク、スピーカーなどを有してもよい。また、計算装置２０１は、記録媒体Ｉ／Ｆ４０４や記録媒体４０５を複数有していてもよい。また、計算装置２０１は、記録媒体Ｉ／Ｆ４０４や記録媒体４０５を有していなくてもよい。また、演算筐体４０７における量子ビットチップは、マイクロ波以外の方法で制御されていてもよい。演算筐体４０７における量子ビットチップは、例えば、光量子ビットを実現していてもよい。

【0049】

（情報処理装置１００の機能的構成の一例）
次に、図５を用いて、情報処理装置１００の機能的構成の一例について説明する。

【0050】

図５は、情報処理装置１００の機能的構成の一例を示すブロック図である。情報処理装置１００は、記憶部５００と、取得部５０１と、第１学習部５０２と、更新部５０３と、第２学習部５０４と、出力部５０５とを含む。また、量子計算を実施可能な演算部５１０が存在する。演算部５１０は、情報処理装置１００と通信可能である。

【0051】

記憶部５００は、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域によって実現される。以下では、記憶部５００が、情報処理装置１００に含まれる場合について説明するが、これに限らない。例えば、記憶部５００が、情報処理装置１００とは異なる装置に含まれ、記憶部５００の記憶内容が情報処理装置１００から参照可能である場合があってもよい。

【0052】

取得部５０１～出力部５０５は、制御部の一例として機能する。取得部５０１～出力部５０５は、具体的には、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域に記憶されたプログラムをＣＰＵ３０１に実行させることにより、または、ネットワークＩ／Ｆ３０３により、その機能を実現する。各機能部の処理結果は、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域に記憶される。

【0053】

記憶部５００は、各機能部の処理において参照され、または更新される各種情報を記憶する。記憶部５００は、例えば、学習済みモデルを記憶する。学習済みモデルは、入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する。学習済みモデルは、例えば、ニューラルネットワークである。

【0054】

学習済みモデルは、例えば、第１データセットを利用して学習される。第１データセットは、例えば、複数の種類のそれぞれの種類のデータを含む。第１データセットは、例えば、それぞれの種類のデータと、当該データの分類結果の正解とを対応付けて表す。学習済みモデルは、例えば、取得部５０１によって取得される。学習済みモデルは、例えば、第１データセットを利用して、第１学習部５０２によって学習されていてもよい。

【0055】

記憶部５００は、例えば、データセットを記憶する。記憶部５００は、具体的には、第１データセットを記憶する。第１データセットは、例えば、取得部５０１によって取得される。第１データセットは、例えば、予めユーザによって設定されていてもよい。

【0056】

記憶部５００は、具体的には、量子回路を学習する際に利用される第２データセットを記憶する。量子回路は、データの分類結果を出力する機能を有する。第２データセットは、例えば、特定の種類のデータを含む。特定の種類は、例えば、複数の種類のいずれかの種類である。特定の種類は、例えば、複数の種類とは異なる種類であってもよい。第２データセットは、例えば、特定の種類のデータと、当該データの分類結果の正解とを対応付けて表す。第２データセットは、例えば、取得部５０１によって取得される。第２データセットは、例えば、予めユーザによって設定されていてもよい。

【0057】

記憶部５００は、例えば、学習の雛型となる量子回路を記憶する。学習の雛型は、例えば、量子ビットを定義し、量子回路を形成する量子ゲートを定義し、量子ゲートに関するパラメータの初期値を含む。学習の雛型は、例えば、取得部５０１によって取得される。学習の雛型は、例えば、予めユーザによって設定されていてもよい。

【0058】

取得部５０１は、各機能部の処理に用いられる各種情報を取得する。取得部５０１は、取得した各種情報を、記憶部５００に記憶し、または、各機能部に出力する。また、取得部５０１は、記憶部５００に記憶しておいた各種情報を、各機能部に出力してもよい。取得部５０１は、例えば、ユーザの操作入力に基づき、各種情報を取得する。取得部５０１は、例えば、情報処理装置１００とは異なる装置から、各種情報を受信してもよい。

【0059】

取得部５０１は、例えば、量子回路を学習することを要求する処理依頼を取得する。処理依頼は、例えば、第１データセットを含んでいてもよい。処理依頼は、例えば、学習済みモデルを含んでいてもよい。処理依頼は、例えば、第２データセットを含んでいてもよい。処理依頼は、例えば、学習の雛型となる量子回路を含んでいてもよい。取得部５０１は、具体的には、処理依頼を他のコンピュータから受信することにより、処理依頼を取得する。他のコンピュータは、例えば、クライアント装置２０２などである。取得部５０１は、具体的には、不図示の入力装置を介したユーザの操作入力に基づき、処理依頼の入力を受け付けることにより、処理依頼を取得してもよい。

【0060】

取得部５０１は、例えば、第１学習部５０２で学習済みモデルを生成する場合には、第１データセットを取得する。取得部５０１は、具体的には、第１データセットを処理依頼から抽出することにより、第１データセットを取得する。取得部５０１は、具体的には、第１データセットを他のコンピュータから受信することにより、第１データセットを取得してもよい。他のコンピュータは、例えば、クライアント装置２０２などである。取得部５０１は、具体的には、不図示の入力装置を介したユーザの操作入力に基づき、第１データセットの入力を受け付けることにより、第１データセットを取得してもよい。

【0061】

取得部５０１は、例えば、第１学習部５０２で学習済みモデルを生成しない場合には、学習済みモデルを取得する。取得部５０１は、具体的には、学習済みモデルを処理依頼から抽出することにより、学習済みモデルを取得する。取得部５０１は、具体的には、学習済みモデルを他のコンピュータから受信することにより、学習済みモデルを取得してもよい。他のコンピュータは、例えば、クライアント装置２０２などである。取得部５０１は、具体的には、不図示の入力装置を介したユーザの操作入力に基づき、学習済みモデルの入力を受け付けることにより、学習済みモデルを取得してもよい。

【0062】

取得部５０１は、例えば、第２データセットを取得する。取得部５０１は、具体的には、第２データセットを処理依頼から抽出することにより、第２データセットを取得する。取得部５０１は、具体的には、第２データセットを他のコンピュータから受信することにより、第２データセットを取得してもよい。他のコンピュータは、例えば、クライアント装置２０２などである。取得部５０１は、具体的には、不図示の入力装置を介したユーザの操作入力に基づき、第２データセットの入力を受け付けることにより、第２データセットを取得してもよい。

【0063】

取得部５０１は、例えば、学習の雛型となる量子回路を取得する。取得部５０１は、具体的には、量子回路を処理依頼から抽出することにより、量子回路を取得する。取得部５０１は、具体的には、量子回路を他のコンピュータから受信することにより、量子回路を取得してもよい。他のコンピュータは、例えば、クライアント装置２０２などである。取得部５０１は、具体的には、不図示の入力装置を介したユーザの操作入力に基づき、量子回路の入力を受け付けることにより、量子回路を取得してもよい。

【0064】

取得部５０１は、いずれかの機能部の処理を開始する開始トリガーを受け付けてもよい。開始トリガーは、例えば、ユーザによる所定の操作入力があったことである。開始トリガーは、例えば、他のコンピュータから、所定の情報を受信したことであってもよい。開始トリガーは、例えば、いずれかの機能部が所定の情報を出力したことであってもよい。取得部５０１は、例えば、処理依頼を取得したことを、第１学習部５０２と、更新部５０３と、第２学習部５０４との処理を開始する開始トリガーとして受け付けてもよい。

【0065】

第１学習部５０２は、学習済みモデルを生成する。第１学習部５０２は、例えば、第１データセットに基づいて、複数の種類のそれぞれの種類のデータに応じて雛型となるモデルが出力する当該データの分類結果が正解に近付くよう、雛型となるモデルのパラメータを更新することにより、学習済みモデルを生成する。これにより、第１学習部５０２は、量子回路に付す特徴量抽出部の元となる学習済みモデルを用意することができる。

【0066】

更新部５０３は、特定の種類のデータの分類精度が向上するよう、第２データセットに基づいて、取得部５０１で取得した学習済みモデルを更新する。更新は、例えば、ファインチューニングである。更新部５０３は、例えば、第２データセットに基づいて、特定の種類のデータに応じて学習済みモデルが出力する当該データの分類結果が正解に近付くよう、学習済みモデルのパラメータを更新することにより、学習済みモデルをファインチューニングする。これにより、更新部５０３は、量子回路を学習する前に、量子回路に付す特徴量抽出部の元となる学習済みモデルを、第２データセットに合わせて一旦更新し、分類精度が比較的よい量子回路を学習し易くすることができる。

【0067】

更新部５０３は、例えば、処理依頼に応じて、演算部５１０を学習に利用するリクエストを、演算部５１０に送信してもよい。更新部５０３は、例えば、リクエストに応じて演算部５１０が学習に利用可能になる前に、特定の種類のデータの分類精度が向上するよう、第２データセットに基づいて、取得部５０１で取得した学習済みモデルを更新する処理を開始する。更新部５０３は、例えば、リクエストに応じて演算部５１０が学習に利用可能になるまでに、特定の種類のデータの分類精度が向上するよう、第２データセットに基づいて、取得部５０１で取得した学習済みモデルを更新する処理を繰り返し実行してもよい。これにより、更新部５０３は、リクエストに応じて演算部５１０が学習に利用可能になるまでの待ち時間を活用して、学習済みモデルを更新することができる。このため、更新部５０３は、量子回路を学習する際にかかる所要時間の増大を抑制することができる。

【0068】

第２学習部５０４は、第２データセットに基づいて、量子回路を学習するよう、演算部５１０を制御する。量子回路は、更新部５０３で更新した学習済みモデルによって入力されたデータから抽出される特徴量に応じて、当該データの分類結果を出力する機能を有する。第２学習部５０４は、例えば、演算部５１０が学習に利用可能になった後に、更新部５０３で更新した学習済みモデルの前半の層を、量子回路に付す特徴量抽出部に設定する。特徴量抽出部は、例えば、演算部５１０が学習に利用可能になった後に、更新部５０３で最後に更新した学習済みモデルの前半の層であることが好ましい。

【0069】

第２学習部５０４は、例えば、第２データセットに基づいて、設定した特徴量抽出部によって入力されたデータから抽出される特徴量に応じて、当該データの分類結果を出力する機能を有する量子回路を学習するよう、演算部５１０を制御する。これにより、第２学習部５０４は、分類精度が比較的よい量子回路を学習することができる。第２学習部５０４は、第１データセットと、第２データセットの関連性が比較的小さくても、分類精度が比較的よい量子回路を学習することができる。

【0070】

第２学習部５０４は、例えば、演算部５１０が学習に利用可能になった後に、更新部５０３で更新が完了していない場合には、元の学習済みモデルの前半の層を、量子回路に付す特徴量抽出部に設定してもよい。第２学習部５０４は、例えば、第２データセットに基づいて、設定した特徴量抽出部によって入力されたデータから抽出される特徴量に応じて、当該データの分類結果を出力する機能を有する量子回路を学習するよう、演算部５１０を制御する。これにより、第２学習部５０４は、更新の完了を待たずに、量子回路を学習することができ、量子回路を学習する際にかかる所要時間の増大を抑制することができる。

【0071】

出力部５０５は、少なくともいずれかの機能部の処理結果を出力する。出力形式は、例えば、ディスプレイへの表示、プリンタへの印刷出力、ネットワークＩ／Ｆ３０３による外部装置への送信、または、メモリ３０２や記録媒体３０５などの記憶領域への記憶である。これにより、出力部５０５は、少なくともいずれかの機能部の処理結果をユーザに通知可能にし、情報処理装置１００の利便性の向上を図ることができる。

【0072】

出力部５０５は、例えば、第２学習部５０４で学習した量子回路を出力する。出力部５０５は、具体的には、量子回路を、他のコンピュータに送信する。他のコンピュータは、例えば、クライアント装置２０２などである。出力部５０５は、具体的には、量子回路を、ユーザが参照可能に出力してもよい。これにより、出力部５０５は、量子回路を、外部で利用可能にすることができる。

【0073】

ここでは、情報処理装置１００が、第１学習部５０２と、更新部５０３と、第２学習部５０４とを含む場合について説明したが、これに限らない。例えば、情報処理装置１００が、いずれかの機能部を含まない場合があってもよい。具体的には、情報処理装置１００が、第１学習部５０２を含まない場合があってもよい。ここでは、情報処理装置１００が、演算部５１０を含まない場合について説明したが、これに限らない。例えば、情報処理装置１００が、演算部５１０を含む場合があってもよい。演算部５１０が、量子シミュレータである場合があってもよい。

【0074】

（情報処理システム２００の機能的構成の具体例）
次に、図６および図７を用いて、情報処理システム２００の機能的構成の具体例について説明する。

【0075】

図６および図７は、情報処理システム２００の機能的構成の具体例を示すブロック図である。情報処理システム２００は、クラウドシステム６００を含む。クラウドシステム６００は、例えば、ファインチューニング実施部６０１と、ハイパーパラメータ最適化部６０２と、転移学習実施部６０３とを含む。ファインチューニング実施部６０１と、ハイパーパラメータ最適化部６０２とは、例えば、情報処理装置１００によって実現される。転移学習実施部６０３は、例えば、計算装置２０１によって実現される。

【0076】

クライアント装置２０２は、不図示の入力装置を介したユーザの操作入力に基づき、転移学習ジョブ６１０を生成し、クラウドシステム６００に送信する。転移学習ジョブ６１０は、入力データセット６１１と、学習済みモデル６１２と、量子回路モデル６１３とを含む。クラウドシステム６００で、情報処理装置１００は、転移学習ジョブ６１０を受信し、キュー６０４に投入する。キュー６０４は、ＦＩＦＯ（Ｆｉｒｓｔ ｉｎ Ｆｉｒｓｔ ｏｕｔ）である。キュー６０４は、計算装置２０１が有していてもよい。キュー６０４は、計算装置２０１を管理する不図示の管理装置が有していてもよい。計算装置２０１は、キュー６０４からジョブを順に取り出して、ジョブに対応する量子計算を実行する。

【0077】

ファインチューニング実施部６０１は、転移学習ジョブ６１０がキュー６０４に投入されたことに応じて、学習済みモデル６１２をファインチューニングする。ファインチューニング実施部６０１は、例えば、転移学習ジョブ６１０が実行可能になるまでの間に、ハイパーパラメータを参照して、入力データセット６１１に基づいて、学習済みモデル６１２を繰り返しファインチューニングする。ハイパーパラメータは、例えば、固定する層および更新する層を指定する値である。ハイパーパラメータは、例えば、学習率である。ハイパーパラメータは、例えば、エポック数である。ファインチューニング実施部６０１が、学習済みモデル６１２をファインチューニングする都度、ハイパーパラメータ最適化部６０２は、ハイパーパラメータを更新する。

【0078】

計算装置２０１は、キュー６０４から転移学習ジョブ６１０を取り出す。計算装置２０１が、キュー６０４から転移学習ジョブ６１０を取り出したことに応じて、転移学習実施部６０３は、ファインチューニングした学習済みモデル６１２の前半の層を、量子回路モデル６１３に付す特徴量抽出部に設定する。転移学習実施部６０３は、入力データセット６１１に基づいて、特徴量抽出部によってデータから抽出した特徴量に応じて当該データの分類結果を出力する機能を実現するよう、量子回路モデル６１３の変分パラメータを更新する。これにより、転移学習実施部６０３は、分類精度が比較的よい量子回路モデル６１３を学習することができる。次に、図７の説明に移行する。

【0079】

図７に示す通り、ファインチューニング実施部６０１は、具体的には、入力データ保持部７０１と、再学習実施部７０２と、出力モデル保持部７０３とを含む。入力データ保持部７０１は、入力データセット６１１と、初期状態の学習済みモデル６１２とを保持する。再学習実施部７０２は、学習済みモデル６１２をファインチューニングする。出力モデル保持部７０３は、ファインチューニングした学習済みモデル６１２を保持する。

【0080】

ハイパーパラメータ最適化部６０２は、具体的には、グリッドサーチ実施部７１１と、ランダムサーチ実施部７１２と、ベイズ最適化実施部７１３とを含む。グリッドサーチ実施部７１１は、グリッドサーチによって、ハイパーパラメータを更新する。ランダムサーチ実施部７１２は、ランダムサーチによって、ハイパーパラメータを更新する。ベイズ最適化実施部７１３は、ベイズ最適化によって、ハイパーパラメータを更新する。

【0081】

ハイパーパラメータ最適化部６０２は、具体的には、グリッドサーチ実施部７１１と、ランダムサーチ実施部７１２と、ベイズ最適化実施部７１３との少なくともいずれかによって、ハイパーパラメータを更新する。ハイパーパラメータ最適化部６０２は、具体的には、グリッドサーチ実施部７１１と、ランダムサーチ実施部７１２と、ベイズ最適化実施部７１３とを順に選択し、選択した機能部によって、ハイパーパラメータを更新してもよい。ハイパーパラメータ最適化部６０２は、具体的には、グリッドサーチ実施部７１１と、ランダムサーチ実施部７１２と、ベイズ最適化実施部７１３とのうち、指定の機能部によって、ハイパーパラメータを更新してもよい。

【0082】

転移学習実施部６０３は、具体的には、入力データ保持部７２１と、量子回路学習部７２２と、変分パラメータ更新部７２３と、出力モデル保持部７２４とを含む。入力データ保持部７２１は、入力データセット６１１と、ファインチューニングした学習済みモデル６１２と、量子回路モデル６１３とを保持する。

【0083】

量子回路学習部７２２は、ファインチューニングした学習済みモデル６１２の前半の層を、量子回路モデル６１３に付す特徴量抽出部に設定する。量子回路学習部７２２は、入力データセット６１１に基づいて、特徴量抽出部によってデータから抽出した特徴量に対して、量子回路モデル６１３を実行し、量子状態を求める。変分パラメータ更新部７２３は、量子回路学習部７２２で求めた量子状態に基づいて、データの分類結果が正解に近付くよう、量子回路モデル６１３の変分パラメータを更新することにより、量子回路モデル６１３を更新する。出力モデル保持部７２４は、更新した量子回路モデル６１３を保持する。これにより、転移学習実施部６０３は、分類精度が比較的よい量子回路モデル６１３を学習することができる。

【0084】

（情報処理システム２００の動作の一例）
次に、図８～図１０を用いて、情報処理システム２００の動作の一例について説明する。

【0085】

図８～図１０は、情報処理システム２００の動作の一例を示す説明図である。図８において、大規模汎用データセットＡ８０１に基づいて学習された事前学習済みモデル８１０が存在する。事前学習済みモデル８１０は、１０００ラベルのうち、入力されたデータの分類結果となるいずれかのラベルを出力する機能を有する。事前学習済みモデル８１０は、例えば、１０００ラベルでデータを分類するタスクＡ８３０を解決する。事前学習済みモデル８１０は、例えば、ＲｅｓＮｅｔなどである。大規模汎用データセットＡ８０１は、画像を表すデータと、当該データの分類結果の正解として、１０００ラベルのいずれかのラベルとを対応付けて表す。

【0086】

ここで、事前学習済みモデル８１０を活用して、特定データセットＢ８０２に基づいて、特定データの分類精度が比較的よい量子回路モデルを学習することが望まれる場合がある。例えば、情報処理装置１００が、量子回路モデルを学習する転移学習ジョブを、クライアント装置２０２から受信することにより受け付ける場合が考えられる。量子回路モデルは、２ラベルのうち、入力されたデータの分類結果となるいずれかのラベルを出力する機能を実現することが望まれる。量子回路モデルは、例えば、２ラベルでデータを分類するタスクＢ８４０を解決する。

【0087】

量子回路モデルは、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）８２１と、量子状態埋込部８２２と、推論部８２３と、ＣＮＮ８２４とを含む。ＣＮＮ８２１は、Ｎ次元の特徴量をＭ次元の量子状態に変換する。量子状態埋込部８２２と、推論部８２３とは、Ｍ次元の量子状態を取り扱う。ＣＮＮ８２４は、Ｍ次元の量子状態をＬ次元の特徴量に変換する。特定データセットＢ８０２は、特定の画像を表すデータと、当該データの分類結果の正解として、２ラベルのいずれかのラベルとを対応付けて表す。ここで、図９の説明に移行する。

【0088】

図９に示す通り、情報処理装置１００は、受信した転移学習ジョブを、キューに投入する。ファインチューニング実施部６０１は、転移学習ジョブがキューに投入されたことに応じて、転移学習ジョブが実行可能になるまでの間に、事前学習済みモデル８１０をファインチューニングする。図８の説明に戻り、ファインチューニング実施部６０１は、例えば、ハイパーパラメータを参照して、特定データセットＢ８０２に基づいて、事前学習済みモデル８１０を繰り返しファインチューニングする。ファインチューニング実施部６０１が、事前学習済みモデル８１０をファインチューニングする都度、ハイパーパラメータ最適化部６０２は、ハイパーパラメータを更新する。これにより、ファインチューニング実施部６０１は、量子回路モデルに付す特徴量抽出部８１２の元となる事前学習済みモデル８１０を、特定データセットＢ８０２に合わせて更新することができる。再び、図９の説明に移行する。

【0089】

図９に示す通り、転移学習ジョブが実行可能になると、転移学習実施部６０３は、ファインチューニングした事前学習済みモデル８１１を活用して、量子回路モデルを学習する。学習は、例えば、量子回路モデルの推論部８２３の変分パラメータの更新に対応する。ここで、図１０を用いて、量子回路モデルの推論部８２３の一例について説明する。

【0090】

図１０に示す通り、推論部８２３は、例えば、量子ビットｑ₀，ｑ₁，ｑ₂，ｑ₃に関する量子回路である。推論部８２３は、例えば、アダマールゲート１００１を含む。推論部８２３は、例えば、回転ゲート１００２を含む。推論部８２３は、例えば、ＣＮＯＴ（Ｃｏｎｔｒｏｌｌｅｄ ＮＯＴ）ゲート１００３を含む。推論部８２３は、例えば、回転ゲート１００４を含む。推論部８２３は、例えば、ＣＮＯＴゲート１００５を含む。推論部８２３は、例えば、回転ゲート１００６を含む。推論部８２３は、例えば、量子状態を測定して古典ビットｃ₄に複製する測定部１００７を含む。変分パラメータは、例えば、回転ゲート１００２，１００４，１００６の回転角などである。

【0091】

図８の説明に戻り、転移学習実施部６０３は、ファインチューニングした事前学習済みモデル８１１の前半の層を、量子回路モデルに付す特徴量抽出部８１２に設定する。転移学習実施部６０３は、特定データセットＢ８０２に基づいて、特徴量抽出部８１２によってデータから抽出した特徴量に応じて当該データの分類結果を出力する機能を実現するよう、推論部８２３の変分パラメータを更新する。

【0092】

これにより、転移学習実施部６０３は、大規模汎用データセットＡ８０１と、特定データセットＢ８０２の関連性が比較的小さくても、分類精度が比較的よい量子回路モデルを学習することができる。転移学習実施部６０３は、例えば、事前学習済みモデル８１１を、特定データセットＢ８０２に合わせて一旦更新してから、事前学習済みモデル８１１を活用して、量子回路モデルの推論部８２３を学習することができる。

【0093】

また、情報処理装置１００は、量子回路モデルが有するユニタリ性により、過学習を防止し易くすることができ、汎化性能を向上することができる。また、情報処理装置１００は、指数関数的な数の基底関数により、データセットを説明する表現力を向上することができる。また、情報処理装置１００は、転移学習ジョブが実行可能になるまでの待ち時間を活用して、事前学習済みモデル８１１をファインチューニングすることができ、量子回路モデルを学習する際にかかる所要時間の増大を抑制することができる。

【0094】

また、転移学習実施部６０３は、転移学習ジョブが実行可能になるまでに、事前学習済みモデル８１１をファインチューニングし終えていない場合、元の事前学習済みモデル８１１の前半の層を、量子回路モデルに付す特徴量抽出部８１２に設定してもよい。これにより、転移学習実施部６０３は、量子回路モデルを学習する際にかかる所要時間の増大を抑制することができる。

【0095】

（全体処理手順）
次に、図１１を用いて、情報処理装置１００が実行する、全体処理手順の一例について説明する。全体処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。

【0096】

図１１は、全体処理手順の一例を示すフローチャートである。図１１において、情報処理装置１００は、量子回路を学習するジョブを受け付ける（ステップＳ１１０１）。情報処理装置１００は、量子回路を学習するジョブを、キューに投入する（ステップＳ１１０２）。

【0097】

情報処理装置１００は、図１２に後述する更新処理を実行することにより、学習済みモデルをファインチューニングする（ステップＳ１１０３）。情報処理装置１００は、ファインチューニングした学習済みモデルを、量子回路に付す特徴量抽出部に設定する（ステップＳ１１０４）。

【0098】

情報処理装置１００は、特定のデータセットに基づいて、特徴量抽出部を付した量子回路を学習するよう、計算装置２０１を制御する（ステップＳ１１０５）。情報処理装置１００は、学習した量子回路を出力する（ステップＳ１１０６）。情報処理装置１００は、全体処理を終了する。

【0099】

（更新処理手順）
次に、図１２を用いて、情報処理装置１００が実行する、更新処理手順の一例について説明する。更新処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。

【0100】

図１２は、更新処理手順の一例を示すフローチャートである。図１２において、情報処理装置１００は、ファインチューニングの複数のハイパーパラメータの指定を受け付ける（ステップＳ１２０１）。情報処理装置１００は、複数のハイパーパラメータのそれぞれのハイパーパラメータに対する複数の候補値の指定を受け付ける（ステップＳ１２０２）。

【0101】

情報処理装置１００は、複数のハイパーパラメータの探索手法の指定を受け付ける（ステップＳ１２０３）。情報処理装置１００は、それぞれのハイパーパラメータに対する候補値を参照して、特定のデータセットに基づいて、学習済みモデルをファインチューニングする（ステップＳ１２０４）。

【0102】

情報処理装置１００は、キューに先行する他のジョブが残っているか否かを判定する（ステップＳ１２０５）。ここで、他のジョブが残っている場合（ステップＳ１２０５：Ｙｅｓ）、情報処理装置１００は、指定の探索手法で、ファインチューニングの複数のハイパーパラメータをアップデートし（ステップＳ１２０６）、ステップＳ１２０４の処理に戻る。一方で、他のジョブが残っていない場合（ステップＳ１２０５：Ｎｏ）、情報処理装置１００は、更新処理を終了する。

【0103】

以上説明したように、情報処理装置１００によれば、入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する学習済みモデルを取得することができる。情報処理装置１００によれば、特定の種類のデータの分類精度が向上するよう、特定の種類のデータを含むデータセットに基づいて、取得した学習済みモデルを更新することができる。情報処理装置１００によれば、データセットに基づいて、更新した学習済みモデルによって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路を学習するよう、演算部を制御することができる。これにより、情報処理装置１００は、分類精度が比較的よい量子回路を学習することができる。

【0104】

情報処理装置１００によれば、演算部を学習に利用するリクエストを、演算部に送信することができる。情報処理装置１００によれば、更新する処理を、リクエストに応じて演算部が学習に利用可能になる前に開始することができる。これにより、情報処理装置１００は、リクエストに応じて演算部が学習に利用可能になるまでの待ち時間を活用して、量子回路を学習する際にかかる所要時間の増大を抑制することができる。

【0105】

情報処理装置１００によれば、更新する処理を、リクエストに応じて演算部が学習に利用可能になるまでに繰り返し実行することができる。情報処理装置１００によれば、演算部が学習に利用可能になった後に、最後に更新した学習済みモデルによって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路を学習するよう、演算部を制御することができる。これにより、情報処理装置１００は、リクエストに応じて演算部が学習に利用可能になるまでの待ち時間を活用して、量子回路を学習する際にかかる所要時間の増大を抑制することができる。情報処理装置１００は、リクエストに応じて演算部が学習に利用可能になるまで、学習済みモデルをより適切な状態に更新することができる。

【0106】

情報処理装置１００によれば、学習した量子回路を出力することができる。これにより、情報処理装置１００は、分類精度が比較的よい量子回路を外部で利用可能にすることができる。

【0107】

なお、本実施の形態で説明した情報処理方法は、予め用意されたプログラムをＰＣやワークステーションなどのコンピュータで実行することにより実現することができる。本実施の形態で説明した情報処理プログラムは、コンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行される。記録媒体は、ハードディスク、フレキシブルディスク、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）－ＲＯＭ、ＭＯ（Ｍａｇｎｅｔｏ Ｏｐｔｉｃａｌ ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）などである。また、本実施の形態で説明した情報処理プログラムは、インターネットなどのネットワークを介して配布してもよい。

【0108】

上述した実施の形態に関し、さらに以下の付記を開示する。

【0109】

（付記１）入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する学習済みモデルを取得し、
特定の種類のデータの分類精度が向上するよう、前記特定の種類のデータを含むデータセットに基づいて、取得した前記学習済みモデルを更新し、
前記データセットに基づいて、更新した前記学習済みモデルによって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路を学習するよう、演算部を制御する、
処理をコンピュータに実行させることを特徴とする情報処理プログラム。

【0110】

（付記２）前記演算部を前記学習に利用するリクエストを、前記演算部に送信する、
処理を前記コンピュータに実行させ、
前記更新する処理は、前記リクエストに応じて前記演算部が前記学習に利用可能になる前に開始される、ことを特徴とする付記１に記載の情報処理プログラム。

【0111】

（付記３）前記更新する処理は、前記リクエストに応じて前記演算部が前記学習に利用可能になるまでに繰り返し実行され、
前記制御する処理は、
前記演算部が前記学習に利用可能になった後に、前記データセットに基づいて、最後に更新した前記学習済みモデルによって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路を学習するよう、前記演算部を制御する、ことを特徴とする付記２に記載の情報処理プログラム。

【0112】

（付記４）学習した前記量子回路を出力する、
処理を前記コンピュータに実行させることを特徴とする付記１～３のいずれか一つに記載の情報処理プログラム。

【0113】

（付記５）入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する学習済みモデルを取得し、
特定の種類のデータの分類精度が向上するよう、前記特定の種類のデータを含むデータセットに基づいて、取得した前記学習済みモデルを更新し、
前記データセットに基づいて、更新した前記学習済みモデルによって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路を学習するよう、演算部を制御する、
処理をコンピュータが実行することを特徴とする情報処理方法。

【0114】

（付記６）入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する学習済みモデルを取得し、
特定の種類のデータの分類精度が向上するよう、前記特定の種類のデータを含むデータセットに基づいて、取得した前記学習済みモデルを更新し、
前記データセットに基づいて、更新した前記学習済みモデルによって入力されたデータから抽出される特徴量に応じて当該データの分類結果を出力する機能を有する量子回路を学習するよう、演算部を制御する、
制御部を有することを特徴とする情報処理装置。

【符号の説明】

【0115】

１００ 情報処理装置
１０１ 第１データセット
１０２ 第２データセット
１１０，１１１，６１２ 学習済みモデル
１２０ 量子回路
１３０，５１０ 演算部
２００ 情報処理システム
２０１ 計算装置
２０２ クライアント装置
２１０ ネットワーク
３００，４００ バス
３０１，４０１ ＣＰＵ
３０２，４０２ メモリ
３０３，４０３ ネットワークＩ／Ｆ
３０４，４０４ 記録媒体Ｉ／Ｆ
３０５，４０５ 記録媒体
４０６ 演算筐体Ｉ／Ｆ
４０７ 演算筐体
５００ 記憶部
５０１ 取得部
５０２ 第１学習部
５０３ 更新部
５０４ 第２学習部
５０５ 出力部
６００ クラウドシステム
６０１ ファインチューニング実施部
６０２ ハイパーパラメータ最適化部
６０３ 転移学習実施部
６１０ 転移学習ジョブ
６１１ 入力データセット
６１３ 量子回路モデル
７０１，７２１ 入力データ保持部
７０２ 再学習実施部
７０３，７２４ 出力モデル保持部
７１１ グリッドサーチ実施部
７１２ ランダムサーチ実施部
７１３ ベイズ最適化実施部
７２２ 量子回路学習部
７２３ 変分パラメータ更新部
８０１ 大規模汎用データセットＡ
８０２ 特定データセットＢ
８１０，８１１ 事前学習済みモデル
１１２，８１２ 特徴量抽出部
８２１，８２４ ＣＮＮ
８２２ 量子状態埋込部
８２３ 推論部
８３０ タスクＡ
８４０ タスクＢ
１００１ アダマールゲート
１００２，１００４，１００６ 回転ゲート
１００３ ゲート
１００５ ＣＮＯＴゲート
１００７ 測定部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】