Quantum X Labs、CUDA-Qで量子誤り訂正を高速化

量子ソフトウェア開発企業のQuantum X Labsは2026年8月21日、NVIDIA CUDA-Q（NVIDIAの量子・古典ハイブリッド計算プラットフォーム）とGPUアクセラレーションを活用したAI駆動型量子誤り訂正（QEC（量子誤り訂正（Quantum Error Correction）））デコーダの最新ベンチマーク結果を発表した。Googleの公開表面符号（Surface-Code）実験データセットにおいて、業界標準の「PyMatching」およびGoogleの相関マッチングを上回る復号精度を達成した。

合成データ学習から実機ノイズへのゼロショット汎化を実証

フォールトトレラント（耐量子誤り）量子計算の実現において最大のボトルネックの一つが、リアルタイムに発生する物理シンドロームデータを極小の遅延で解析・復号するデコーダの開発である。

• ​ゼロショット実機汎化​: Quantum X LabsのAIデコーダモデルは、合成シミュレーションデータのみで事前学習されており、学習時には実機の測定ショットデータを一切使用していない。それにもかかわらず、Googleの実機実験データセット上で従来の最小重み完全マッチング（MWPM）ソルバーを上回る精度を記録した。
• CUDA-QによるGPU並列処理​: 表面符号のトポロジー構造情報とAIベースのエラー重み付けを統合し、CUDA-Q環境下で高速な推論を実行。実機システムにおけるリアルタイム復号に必要な低レイテンシ基盤を確立した。
• ​今後の展開​: テルアビブ大学のNir Sharon教授率いる研究チームは、他の量子ハードウェアバックエンドや異なる符号トポロジーへの適用を進める計画である。

表面符号デコーダの手法・特徴比較

量子誤り訂正における主要デコーダ手法と今回のAIデコーダの特性差分は以下の通りである。

手法・ツール	アプローチ	学習・入力要件	実機ノイズへの耐性	実行レイテンシ
PyMatching	最小重み完全マッチング（MWPM）アルゴリズム	事前学習不要・グラフ構造定義	標準的（独立ノイズ仮定）	CPUベースでグラフ探索（中〜高）
相関マッチング（Google）	相関エラーを考慮したグラフマッチング	デバイス特性のキャリブレーション	高い（実機相関エラーに対応）	計算負荷が高くスケールに課題
Quantum X Labs AI-QEC	CUDA-Q高速化深層学習デコーダ	合成サンプルのみで事前学習（ゼロショット）	極めて高い（実機データで最高精度）	GPUアクセラレーションによる超低遅延

分析と展望：商用フォールトトレラント量子計算への貢献

実機量子コンピュータの物理量子ビット数が増加するにつれ、古典計算機側でリアルタイムに誤りを訂正・処理するスループットが極めて重要になる。NVIDIAのGPUおよびCUDA-Qプラットフォームを用いたAI推論によって、合成データ学習モデルが実機ノイズを正しく処理できることが実証された意義は大きい。今後は多ノードクラスタでのスケールと超伝導・イオントラップなど多様なハードウェアへの汎化検証が焦点となる。

引用元：Quantum Computing Report