arXiv量子コンピュータニュース（2026年10月3日）

キーワード: ニューラルデコーダ / 実時間復号 / 離散拡散モデルによる事後推論 / 検出誤りモデル / 事後選択 / 言語モデルエージェントによる自律校正

オープニング：2026年10月3日 — arxiv量子コンピュータ論文解説

期間限定特集「生成AIで量子計算をつくる」の5回目は、GQE（9月29日）、濱村一航氏の共著論文（9月30日）、トランスパイラと回路最適化（10月1日）、LLMによる量子コード生成（10月2日）に続き、量子計算機の古典側の制御層、つまり誤り訂正の復号と実験の校正に学習モデルを入れる研究を扱う。1本目はGoogle DeepMindとGoogle Quantum AIによる、表面符号とカラー符号を実時間で復号する再帰型・Transformer型のデコーダAlphaQubit 2、2本目は復号を離散拡散モデルによる事後分布の生成として定式化したDiffQECである。3本目と4本目は10月2日公開のquant-ph新着から選んだグラフニューラルネットワーク（GNN）の2本で、検出誤りモデル（DEM）だけを入力とする符号非依存のデコーダと、復号器を再実行せずに復号の失敗を予測する事後選択器である。5本目はMITのグループによる、LLMエージェントがダイヤモンドの窒素空孔（NV）中心を選び、共鳴周波数を校正し、測定を追加するまでを自律的に進めた量子センシング実験である。前半4本は、精度と処理速度の両立、どの情報を入力にするか、確信度を出力して事後選択に使えるか、という同じ3つの軸で比べられる。実機データを使うのは1本目（Willow）と2本目（Sycamore）と5本目（NV中心の実験装置）で、3本目と4本目はシミュレーションのみである。

論文1: 表面符号とカラー符号を実時間で復号するニューラルデコーダ

出典: A scalable and real-time neural decoder for topological quantum codes. arXiv:2512.07737 (2025, v2 2026).

2024年にNatureに掲載されたAlphaQubitの後継として本文中で「AlphaQubit 2」と明記され、機械学習デコーダとして初めて、精度・速度・規模の3条件を同時に満たす方向を具体的な実時間性能で示した点で、今日の基準点として選んだ。著者はGoogle DeepMindとGoogle Quantum AIのAndrew W. Senior氏、Johannes Bausch氏ら24人で、初版は2025年12月8日、カラー符号の実時間復号の結果を加えた第2版は2026年3月11日の投稿である。誤り訂正のデコーダには、物理誤り率が閾値を下回る領域で高い精度を出すことと、超伝導量子ビットの1サイクル（約1マイクロ秒）より速く処理して未処理データの指数的な蓄積を避けることが同時に求められる。表面符号では最小重み完全マッチング（MWPM、実装はPyMatching）が高速だが近似にとどまり、Libraのようなアンサンブル型やTesseractのようなA*探索型は精度が高い代わりに重い。カラー符号は論理演算の効率でまさる一方、高速なChromobiusは精度が低く、精度の高いTesseractは非常に遅いという分断があった。AQ2は、各スタビライザーの表現を再帰型ニューラルネットワークで時間方向に更新し、ある時刻の全スタビライザー間の情報交換をアテンション型のTransformer層で行う構造を交互に重ね、最終サイクル後の読み出しネットワークで論理誤りの確率を出す。連続する3〜6サイクルを学習済みの時間圧縮でまとめ、因果的に情報を前へ送るので、測定データが届くたびにストリーミングで計算できる。学習はStimで生成した数百万例を使い、小さな符号距離・短い実験から大きな符号距離へ進むカリキュラム学習、雑音のない論理観測量を予測させる補助損失、入力のランダムなドロップアウトを導入した。

評価には、SycamoreからWillowへの改善と同程度の将来のハードウェア改善を見込んだ回路レベル脱分極雑音SI1000（物理誤り率0.15%）を使っている。表面符号では符号距離23まで、遅いが準最適なLibraに近い精度を示し、相関あり・なしの両PyMatchingを大きく上回った。Bellフラグ型カラー符号では、Tesseractが距離5と7までしか評価できないため、そこから線形に外挿した理想曲線と比べ、距離23まで追従した。ただし距離27では3モデルのアンサンブルでも理想の傾向に届かず、著者らは学習の難しさと計算費用を理由に挙げる。実機検証では105量子ビットのWillowチップの距離3、5、7の表面符号データに、一般的な模擬雑音での事前学習、実験に当てはめたDEMからの模擬データでの微調整、実験データの一部での微調整の3段階で学習させ、先代AQ1と同程度、Libraより低い論理誤り率を得た。実時間向けに層と表現を小さくしたAQ2-RTは、市販の機械学習アクセラレータ（Trillium TPU）で、ASICやFPGAを使わずに、表面符号では距離11（241物理量子ビット）、superdense型カラー符号では距離9まで、1サイクル1マイクロ秒未満の処理量を達成した。距離11では、フル版AQ2がAQ1より9.6倍速く、AQ2-RTはさらに6倍速い。カラー符号でChromobiusが実時間になるのは距離3だけである。頑健性として、最長168サイクルで学習したモデルを100万サイクルの実験に適用しても1サイクルあたりの論理誤りはほぼ安定し（距離19と23で小さな劣化）、学習範囲の外を含む16倍の雑音強度の変化にも再学習なしで対応した。限界として、AQ2-RTはフル版より精度がやや落ち、カラー符号ではその低下が大きい。最終測定から復号結果が出るまでの遅延の短縮、大規模な論理演算の復号、距離11を超える実時間化は、著者ら自身が未解決として挙げている。

論文2: 離散拡散モデルで誤り訂正の事後分布を生成するデコーダ

出典: DiffQEC: A versatile diffusion model for quantum error correction. arXiv:2604.24640 (2026).

既存のデコーダの多くが1つの訂正仮説だけを返して事後分布の構造を捨てているのに対し、物理誤りの蓄積を拡散過程の順方向になぞらえ、復号をシンドロームを条件とする逆方向のデノイズとして生成的に解く、という発想の転換があるので選んだ。論文1の判別型デコーダと対になる生成型デコーダである。著者は香港城市大学のTianyi Xu氏ら6人とシュトゥットガルト大学のYang Wang氏で、2026年4月27日の投稿である。DiffQECは、複数ラウンドのシンドロームを時間方向に積んだ3次元の入力を、ラウンドごとの空間畳み込みとプーリング、ラウンド間のGRUで要約するシンドローム処理部と、そのシンドローム特徴から拡大・平行移動と残差ゲートの変調信号を作り、デノイズ網の全段にかけ続けるシンドローム特徴変調部からなる。出力は論理誤りの有無を表す2値ラベルで、離散の領域で反復的に精錬される。著者らは、この反復推論を確率伝搬（BP）に近いと位置づけつつ、BPがデータ量子ビットとチェックの2部グラフから更新則を明示的に導くのに対し、DiffQECは更新の動力学をデータから学ぶ点が違うとし、1つのシンドロームに同値類の誤り配置が対応する縮退にも生成的な定式化が合う、と述べている。

実機データは、AQ1の論文で公開されたGoogleのSycamoreによる表面符号メモリ実験（距離3と5）である。1ラウンドの設定では5つのハードウェア構成すべてでMWPMより論理誤り率が下がり、低減率は距離5で最大10.2%と距離3より大きかった。テンソルネットワーク復号に対しては約5%低く、複数ラウンドの設定では同程度だが、推論時間はテンソルネットワークより短いと報告している。シミュレーションでは脱分極雑音のもとで距離17まで、試した物理誤り率の大半でMWPMを上回った。論理ゲートを挟む回路レベルの復号では、論理回路専用に設計されたLSTM型デコーダMCCDと比べ、深さ1で92.35%対91.71%、深さ5で72.26%対69.64%の正答率で、深くなるほど差が開いた。予測した論理誤り確率を確信度として、確信度の低い試行を10%や20%捨てると距離5の性能が上がり、0%から50%の破棄率のすべてでMWPMより試行の順位付けがよかった。さらに、統合勾配法でシンドロームへの寄与を求め、パリティ検査行列を通じて物理量子ビット上の誤り候補の地図に写すと、代表例では真の誤り位置とおおむね一致し、この情報をMWPMの補助入力にすると距離3の2,500試行の部分集合で正答率が0.978から0.982に上がった。限界として、実機データは距離5までのメモリ実験に限られ、遅延は試行あたりミリ秒の領域でMWPMと同程度とされるが、論文1が示したサイクルあたり1マイクロ秒未満の処理量とは評価の単位が異なる。著者らは、異なる長さのシンドローム履歴を1つのモデルで学習しているため長さごとの特化が失われ得ること、現在の枠組みは物理誤りでなく最終的な論理訂正を直接の目標にしていることを挙げている。

論文3: 検出誤りモデルだけを入力とする符号非依存のグラフニューラルデコーダ

出典: A Code-Agnostic Graph Neural Network Decoder from the Detection Error Model. arXiv:2610.01683 (2026).

論文1と2がいずれも表面符号の格子構造を前提にするのに対し、入力を検出誤りモデル（DEM）だけに限り、格子・並進対称性・スタビライザーの重みといった符号固有の仮定を持たない同じ構造で、表面符号と高レートのqLDPC符号の両方を復号する。10月2日公開の新着で、汎用性の主張を汎化の失敗も含めて検証しているので選んだ。著者はストラスブール大学とCNRSのFederico Alberto Astolfi氏とGuido Pupillo氏（QPerfect社にも所属）の2人で、2026年10月1日の投稿である。POLYMECHANONと名付けたこのデコーダは、DEMを、検出器、誤り機構、論理観測量の3種類の節点からなる3部グラフとして表し、各誤り機構を、それが反転させる検出器と論理観測量へ辺で結ぶ。誤り機構の節点には事前確率を持たせ、検出器の節点には観測されたシンドロームを載せる。著者らは、これが最適デコーダの使う情報のすべてであり、雑音モデルが構造ではなく入力の一部になり、3つ以上の検出器を反転させる誤りも分解せずにそのまま表せる、と述べる。特徴量は同じ手順でDEMから計算し、再帰的な更新を伴うメッセージパッシングを繰り返した後、論理観測量の節点から論理誤りの確率を読み出す。

回転表面符号では、現象論的雑音と回路レベル雑音の両方で相関ありMWPMを上回り、論理失敗を最大25%減らした。中性原子のような長距離結合を持つ装置を想定した高レートのLaCross符号では、現象論的雑音のもとで、小さな符号ではBP+OSDと同等、大きな符号ほど差が広がり、130物理量子ビット・論理4・距離6の符号で論理失敗を最大16%減らした。復号時間は物理誤り率に依存せず、この符号では単一GPUで1試行あたり数ミリ秒であるのに対し、BP+OSDは単一CPUコアで数十ミリ秒かかり、誤り率とともに増える。計算グラフが固定なので中性原子プロセッサでの実時間復号の候補になると著者らは述べるが、比較は異なる計算資源の間で行われている。確率出力を使った事後選択では、表面符号で試行の90%以上を残しつつ論理誤り率を1桁以上下げた。一方、汎用性の検証として異なる系列の15符号で1つのモデルを学習させると、学習に含めたグラフ型の符号では無相関MWPMを上回り、それ以外の学習済み符号ではBP+OSDとの差を10%以内に保ったが、学習に含まれない符号、特に学習時の最大より大きな符号には汎化しなかった。著者らの試した範囲では、符号の数を増やしてもパラメータを増やしてもこの限界は消えず、汎化の上限は符号の系列ではなくグラフの大きさで決まっている。LaCross符号の評価は現象論的雑音だけで、通常の結果は符号と距離ごとに別々のモデルを学習したものである。

論文4: 復号器を再実行せずに失敗を予測するグラフニューラル事後選択

出典: Graph Neural Post-selection for Quantum Error Correction. arXiv:2610.00504 (2026).

論文2と3が復号の副産物として事後選択を示したのに対し、この研究は事後選択そのものを主題とし、復号を何度も実行する既存の基準に迫る性能をGNNの1回の順伝播で出しているので選んだ。10月2日公開の新着である。著者はインペリアル・カレッジ・ロンドンのConor Carty氏、Roberto Bondesan氏と、エディンバラ大学のTamas Noszko氏、Joschka Roffe氏の4人で、2026年9月30日の投稿である。事後選択は、論理誤りになりそうな試行を捨てて残りの信頼性を上げる手法で、符号距離を増やす代わりに受理率を下げることで低い論理誤り率を得る。捨てる費用が論理誤りの費用より小さい場面、たとえばマジック状態の準備や蒸留、資源状態の準備で有効になる。既存の基準には、復号器の確信度を再利用するもの、相補ギャップのように逆の論理結果に対する訂正の重みを比べて復号を繰り返すもの、3回の復号を要する3R-LECなどがある。著者らは事後選択を、デプロイする復号器が成功したか失敗したかの2値分類として学習させる。表面符号用のMPNNはシンドロームだけを入力とするので復号の前に実行でき、qLDPC符号用のFMPNNはシンドロームに加えて復号器自身のBP事後確率を使う。どちらもDEMの上で動き、ラベルは復号器を走らせたシミュレーション、あるいは既知の論理状態を保持する実機メモリ実験から作れる。

一様な脱分極の回路レベル雑音のもとで二変量バイシクル（BB）符号のメモリを評価すると、試行の90%を残した場合、現実的な物理誤り率で、72量子ビット・論理12・距離6の符号の論理誤り率が約3,700分の1に、144量子ビット・論理12・距離12の符号では約740分の1に下がった。FMPNNは、復号を複数回走らせない手法の中ではすべての棄却率で最良の論理誤り率と受理率のトレードオフを示し、3回の復号を要する3R-LECと同等以上だった。距離5の表面符号では、物理誤り率0.3%で、復号器を走らせずに、表面符号の主要な事後選択基準である相補ギャップと同程度の抑制を、より高い処理量で達成した。限界として、物理誤り率が低く符号が大きくなるほど失敗試行が稀になり、学習に必要な数の失敗を集めること自体が高価になる稀事象サンプリングの問題を著者ら自身が挙げている。評価はメモリ実験に限られ、蒸留や状態培養といった実際に事後選択を多用する誤り耐性プロトコルへの適用は今後の課題とされる。復号を止めないためには1ラウンドあたり1マイクロ秒程度の処理が必要で、GPUでの順伝播をFPGAへ移す必要がある。qLDPC符号ではBP系の復号器が前提である。重みとコードはギットハブで公開予定とされている。

論文5: 言語モデルエージェントが窒素空孔中心の校正と測定を自律実行する量子センシング実験

出典: Agentic AI for Scientific Reasoning in Autonomous Quantum Sensing Experiments. arXiv:2607.25145 (2026).

テーマ（4）の校正について、LLMエージェントが実機の共鳴周波数の校正から測定計画までを担い、さらに推論量を増やすと仮説形成は伸びる一方でデータ判定の偽陽性が増えるという、自動化の役割分担に直結する定量結果を示しているので選んだ。著者はマサチューセッツ工科大学（MIT）の原子核科学工学科、化学科、物理学科のTakuya Isogawa氏、Ryotaro Okabe氏、Paola Cappellaro氏ら5人で、2026年7月27日の投稿である。システムは、科学的な判断を担うLLMエージェントと、要求を検査してキューを管理し、安全制約を課して実行・記録する決定論的な制御ソフトに分かれ、エージェントがハードウェアを直接操作することはない。エージェントは呼び出しごとに、現在の状態、支持された結論、未解決の不確かさを保存した永続的なプロジェクト記録を読み、定量ツールで既存データを解析し、次の測定を要求するか終了するかを決める。3件の自律実験はいずれも、静磁場に沿ったNV中心を見つけてT2*を測り、ラムゼー測定のデータに近傍の核スピンとの結合の兆候があるかを調べる、という同じ目標で行われた。

詳しく報告された18.9時間の実行では、エージェントは追跡の失敗を「共鳴がない」証拠ではなく追跡の喪失と解釈して領域を再走査し、強いパルスのpODMRで共鳴の出ない候補を退け、3.87646 GHz付近に約14%の深さの共鳴を持つ候補を採用した。弱いパルスのpODMRで共鳴周波数を3.87650 GHzに校正した後、ラムゼー測定の離調を変えて弱い周波数成分が離調に追従することを確かめ、依頼にはなかったCPMG測定を自ら設計した。約359 Gの静磁場から炭素13のラーモア周波数を約384.6 kHzと見積もり、その周期に近いタイミングで応答を得て、近傍の炭素13らしい弱い信号をラムゼー以外の独立な手段で裏づけ、T2*は2〜3マイクロ秒程度と報告した。一方、別の1件では、校正の残留オフセットがラムゼーの信号周波数に影響していることを人の助言なしには認識できなかった。この事例から作ったラムゼーのチェックポイント課題（5時点、各モデル400回）では、推論量を低・中・高・最高と上げると合格数がGPT-5.4で100回中7、13、17、20、GPT-5.5で11、17、21、34、GPT-5.6 Solで16、42、55、49となり、4番目の時点では全モデルが1回も合格しなかった。もう1つのpODMR課題では、パルス系列の情報だけを与えると推論量を上げるほど偽陽性が増え、GPT-5.5では14.81%から53.24%、GPT-5.6 Solでは26.85%から45.37%に達した。判定の前に期待信号のシミュレーションか明示的な計算を要求すると、全モデル・全設定で偽陽性率は0〜3.70%に収まった。著者らはここから、仮説形成にはエージェントの推論を、定型的なデータ判定には決定論的な解析ツールを使い、ハードウェアは決定論的なコードが安全制約のもとで制御する分業を提案する。限界として、端から端までの実証は単一の装置での3件にとどまり、2つのベンチマークも自らのプロジェクト記録と既取得データから作られている。誤ったオフセットの原因は、メモリ文書の注意書きをエージェントが広く解釈し、走査で得た最小の標本点でマイクロ波周波数を決めたことにあった。

参考ソース

• 論文1: A scalable and real-time neural decoder for topological quantum codes. arXiv:2512.07737
• 論文2: DiffQEC: A versatile diffusion model for quantum error correction. arXiv:2604.24640
• 論文3: A Code-Agnostic Graph Neural Network Decoder from the Detection Error Model. arXiv:2610.01683
• 論文4: Graph Neural Post-selection for Quantum Error Correction. arXiv:2610.00504
• 論文5: Agentic AI for Scientific Reasoning in Autonomous Quantum Sensing Experiments. arXiv:2607.25145