RESEARCH 06
量子
QUANTUM & AI
量子計算と深層学習の融合――重ね合わせと量子もつれを活かし、医療AIの特徴量とモデル構造を同時に最適化します。
量子計算と深層学習の融合――重ね合わせと量子もつれを活かし、医療AIの特徴量とモデル構造を同時に最適化します。
量子計算は、量子ビットが有する重ね合わせや量子もつれといった性質を活用することで、特定の計算問題に対して高い並列処理能力を発揮する可能性があります。特に、複雑かつ高次元なデータセットを対象とする場合、量子計算と深層学習を融合することにより、有効な特徴量の選択や、深層学習モデルのネットワーク構造パラメータの最適化を効率的に行うことが期待されています。
本研究では量子進化アルゴリズムを用い、乳がん・パーキンソン病・心疾患などの医療データセットを対象として、疾患の有無を判定する深層学習モデルの特徴量選択とネットワーク構造パラメータを統合的に最適化しています。さらに量子コンピュータ上で実機検証を行い、提案手法の実行可能性を確認しました。
各特徴量を量子ビット |φ⟩ = a|0⟩ + b|1⟩ で表現し、重ね合わせと量子もつれにより高次元な探索空間を並列的に走査します。測定によって0/1の選択ベクトルへ変換したうえで評価し、優良個体を量子回転ゲート U(θ) で更新する反復により、少ない世代数で良質な解へ収束させます。
特徴量の選択ビットと、隠れ層数・ニューロン数・学習率といったネットワーク構造パラメータをひとつの染色体に統合して同時に探索します。特徴量とモデル構造を切り離して調整する場合よりも、両者の相性を含めた良好な組合せを効率的に見つけ出せます。
乳がん・パーキンソン病・心疾患などの医療データセットを対象に、疾患の有無を判定するモデルへ適用。データに含まれる冗長な特徴量を大幅に削減するとともに、診断精度の向上を実現しています。
シミュレーションに留まらず、量子コンピュータ上で実機検証を行い、提案手法の実行可能性を確認しました。