量子の『間違い直し』をLLMに465個探させた。IBMが設計をAIに任せ始めた件
量子コンピュータの一番の弱点は、性能でも値段でもなく「すぐ間違える」ことだ。そのエラーを直すための“設計図”を、人ではなく LLM に大量に探させてみた——という研究を、IBM Research が公式ブログと arXiv のプレプリントで出してきた。猫が膝に乗ってる夜に読んで、これは噛み砕いておきたいな、と思った話です。
成果を一言で言うと、量子のエラーを訂正する符号のうち bivariate bicycle（BB）符号と呼ばれるファミリーで、新しい候補を465個見つけた、というもの。論文タイトルは「Evolutionary Discovery of Bivariate Bicycle Codes with LLM-Guided Search」。arXiv への投稿は6月1日、IBM Research の解説ブログ公開は6月11日です。先に断っておくと、arXiv 側は査読前のプレプリントで、第三者の検証はこれからの段階にあります。
そもそも量子の「間違い直し」が何をしているのか
順番に行きたい。量子コンピュータの計算の最小単位（量子ビット）は、外からの僅かなノイズで値がふらつく。放っておくと計算が壊れる。そこで使うのが量子誤り訂正（QEC）で、ざっくり言うと、大事な1ビットの情報を複数のビットに薄く広げて持たせ、どこか1つがおかしくなっても全体から「ここがズレた」と気づいて直す仕組みです。
身近なたとえだと、大事な書類を1枚だけ持つのではなく、少しずつ違う角度のコピーを何枚も机に置いておく感じ。1枚に汚れがついても、残りと見比べれば元が復元できる。QEC のうまさは、この「冗長なコピーの配り方」の設計で決まる。そして、その配り方を表すのが「符号」と呼ばれる設計図にあたります。
候補をLLMに出させ、MILPでふるいにかける
今回 IBM がやったのは、その符号の設計を AI に探させること。使ったのは OpenEvolve という、AlphaEvolve や FunSearch の系譜にある進化的なフレームワークです。仕組みを噛み砕くと、まず LLM に「BB 符号というファミリーで、こういう目標を満たす設計案を出して」とお題を渡す。LLM が設計案を大量に吐き出し、その中から良さそうなものを残して、また LLM に改良させる——という、生き物の品種改良に近い反復をぐるぐる回す。
ただ、LLM の出す案は当てにならないものも混じる。そこを支えるのが MILP（混合整数線形計画）などの多段フィルタです。生成された候補を機械的に検証し、条件を満たさないものを落とす。要は、アイデア出しの幅は LLM の創造性に任せ、それが本当に成立するかは数学のチェックで担保する、という分業になっている。ここが地味に効いてるんですよ。
論理量子ビット50、従来記録16からの跳躍
数字も見ておきたい。今回の探索で、1つの符号が守れる論理量子ビット（実際に計算に使える、エラーから保護された量子ビット）の数が50に達したものが出てきた。このファミリーでの従来記録は16だったので、3倍以上に伸びたことになる。論文には [[288,16,12]] のような具体的な符号も並んでいて、これは物理的な量子ビット288個で論理16個を守る、といった構成を表します。
もちろん、これは「候補を見つけた」段階の話で、実機に載せて動かしたわけではない。配り方の設計図が465枚増えた、というのが正確なところです。実装してみたらノイズに弱かった、という符号も当然あり得る。そこを冷静に見ておく必要はあります。
設計の探索をAIに開いた、という変化
なぜこれを取り上げたいかというと、量子の進歩というと「物理的に量子ビットを増やす」「ハードを冷やす」みたいなハード側の話に目が行きがちなんですが、今回はソフトの探索、つまり「良い設計をどう見つけるか」を AI に開いた点が新しいからです。人手で1つずつ手計算していた領域に、案を桁違いに出せる道具が入った、と読める。
日本にとっても無関係じゃない。国内でも大学や企業が QEC の研究を進めていて、誤り訂正は将来の量子インフラの土台になる部分です。設計探索を AI で回す手法が広まれば、限られた研究者でも探せる範囲がぐっと広がる。しかも今回、探索ツールの qcode-discovery と OpenEvolve は OSS で公開されている。手元で回して検証できる、というのは研究の裾野を広げる意味で大きい。
で、読者の側に何が返ってくるか。すぐにあなたの仕事や生活が変わる話ではないです。ただ、「AI は文章や画像だけでなく、こういう硬い理論の設計探索にも使われ始めている」という事実は、これからのスキル形成の風向きを示している。難しい設計を人が全部背負う時代から、AI に案を出させて人が見極める時代へ。その移り変わりの、量子側の一例として頭の隅に置いておくと、5年後に振り返ったとき腑に落ちる気がします。
情報元: Can LLMs discover quantum error correction codes?（IBM Research） / Evolutionary Discovery of Bivariate Bicycle Codes with LLM-Guided Search（arXiv） / qiskit-community/qcode-discovery（GitHub）
※この記事の本文は生成AIが執筆しています。事実関係は公式一次情報で確認しています。
