夢とガラクタの集積場

落ちこぼれ三流エンジニアである管理人の夢想=『夢』と、潰えた夢=『ガラクタ』の集積場です。

RCO Study Night "RCOにおける機械学習と次世代量子情報処理技術「量子アニーリング」" に参加してきました

こんにちは。

最近技術的な内容は大体Qiitaに書いているので
こちらは間が空いてしまっていますが、勉強会の参加記録はこちらに。

RCO Study Night "RCOにおける機械学習と次世代量子情報処理技術「量子アニーリング」"に参加してきました。

atnd.org

正直な話、ソフトウェア屋なので物理的な内容に踏み込んだ個所は理解できていないのですが、
その理解なりにわかったことを参加記録として残しておきます。

当然間違った内容も紛れているでしょうけど、まぁそれが現時点の私の理解可能なレベルということで。

参加メモ

RCOにおける機械学習(高柳 慎一)

  • アドテクはコードがそのままビジネス価値につながる
    • 特に重要な要素
      • 大量データのハンドリング
      • 多変数要素の最適化
  • 何故量子アニーリングを?
    • 最適化とは、つまりはモデルのパラメータを決定すること
      • 組み合わせ最適問題の解く手法として量子アニーリングを考える
      • ノーフリーランチの定理
        • 万能な最適化は存在しない
        • 各領域に最適なツールは個別に存在
        • つまりは、自分達の道具が必要
      • どういう領域に量子アニーリングは向くのか、実際に検証中

次世代量子情報処理技術「量子アニーリング」が拓く新時代 情報処理と物理学のハーモニー(田中 宗)

  • 組み合わせ最適問題とは?
    • 全ての組み合わせを確かめて一番いい結果を選ぶ問題
      • 2択テスト
      • 巡回セールスマン問題
    • 問題数が増えるにつれて計算量が爆発する。まともにやるととても解けない。
    • 定式化すると、離散変数を引数とする実数関数が最小値を取る条件を見つける問題
      • y = f(x1,x2,x3...xn) を最小化
  • 量子アニーリングの特長
    • 自己組織化
      • プログラミング不要、問題を与えれば自然に答えが出力
    • 統計力学理論
      • 組合せ最適化問題において、膨大なデータ処理の理論基盤
    • 量子並列性
      • 大量の情報を一度に並列処理可能
  • 自然現象は、計算(ナチュラルコンピューティング)
    • 自然現象を記述する言語、物理学
      • 運動方程式を解くと、システムの振る舞いが予言できる
        • 逆に言うと、システムの振る舞いが運動方程式の答えとなっている
    • 組合せ最適問題とは、離散変数を引数とする実数関数が最小値を取る条件を見つける問題
      • 力学:力学運動は作用と呼ばれる関数の最小値を取る軌道
      • 波動光学:光路最小条件を満たす所に光線が伝搬、屈折、干渉現象
      • 自然現象から着想を得て、計算の飛躍的発展を狙う
    • ナチュラルコンピューティング
      • 自然界のシステムを用いて、ベストな答えを探しだす
        • 粘菌コンピュータ
        • DNAコンピュータ
      • 自然現象からアルゴリズムを出す考え
    • 組合せ最適問題において、ただ結果を小さくするだけでは局所最適にはまり、ベストな答えは見つからない
      • 上がるプロセスも必要だが、それをどのように実現するか?
        • 熱による揺らぎを利用する
    • アニーリング(徐冷)
      • 合金は高温状態だとランダムな状態だが、徐々に冷却していくと物質して安定する状態=最適な状態に収斂する
    • イジングモデル
  • 量子の時代
    • 物理学とテクノロジーは下記のように発展してきた
      • 16世紀~:光学
      • 17世紀~:力学
      • 18世紀~:電磁気学
      • 19世紀~:熱力学
      • 20世紀~:量子力学
    • 熱力学:熱効果によるゆらぎ
      • 熱アニーリング
      • シミュレーテッドアニーリング
    • 量子力学:量子効果によるゆらぎ
    • 2択問題で考える
      • 熱揺らぎによる、ランダムな答え(A or B)
      • 量子揺らぎによる、「重ね合わせ」の答え(AでもありBでもある)
    • 量子効果を反映させた物理系のダイナミクスをシミュレーション
  • 何故量子アニーリングを使うのか?
    • 1億倍速い計算(1か月前のGoogle社のニュース)
      • D-Wave(初めての商用量子コンピュータ:2011~)
      • シミュレーテッドアニーリングと比べて1億倍高速
    • D-Waveの代表的数値
      • 10億円/台
      • 1nTまで減磁
        • 地磁場の5万分の1
      • 20mkまで冷却
      • 12kWの消費電力
        • スパコンは10MWオーダー、一般家庭は400Wとか
      • 1000+ 量子ビット
    • 但し、D-Waveの電力は大部分が冷却に費やされており、量子計算による消費電力はごく一部
      • この後量子ビット数=計算能力が伸びても消費電力はほとんど変わらない
    • 「1億倍速い計算」に対する見解
    • 多様な産業に展開し、無意識に使える技術まで落とし込みたい
      • 以前は数百年かかると言われていた
      • その後事情が変わり、発展が高速化
      • 講演者が現役のうちに、各産業に展開されるのでは
  • 現在リクルートとの共同研究で行っていること
    • どのような領域に量子アニーリングが使えるか、の実証研究
      • 現状、「この問題には有用」「この問題には使えない」ということはいくつか挙がっている
      • だが、「この問題領域には有用」「この問題領域には使えない」はわかっていない。
    • 量子モンテカルロ法(QMC)で量子アニーリングをシミュレーション
      • 通常コンピュータ上でQMCはシミュレーション可能
      • 計算効率は量子アニーリングに比べて落ちるが、計算量の増大ペースはほぼ同じ

感想

量子力学は素人向けの本を1冊読んだくらいの前提知識でしたが、シュレーディンガーの猫で有名なシュレーディンガー方程式がここで出てるとは、と正直驚いた発表でした。(そこかい

ただ、量子アニーリングとは何なのか、何に使えるのか、何故使うのかと、あとは現状の進展度合いの概要がわかったという意味で非常に興味深かった勉強会でした。

勉強会での講演者である田中先生は今年のうちに一般向けの書籍も記述されるとのことですので、そのあたりを楽しみに、気長に情報は追っておこうと思います。
一般向けの、になるとは思いますが。

後は、エンジニアが全員機械学習のコードを書けて、発表の中で挙がった4要素を兼ね備えるとはさすがリクルートコミュニケーションズ、マッチョなエンジニアが揃っていそうな会社ですね。
そちらは現状私自身は初歩の機械学習アルゴリズムを実装できるレベルでしかないので、勉強は重ねておく必要はありそうです。

2016/01/19追記:
発表資料公開されていました。

speakerdeck.com


www.slideshare.net