量子機械学習（QML）入門｜変分量子分類器と古典MLとの違いをやさしく解説

「量子コンピュータでAIが爆速になる」——そんな見出しを目にしたことがある人も多いのではないでしょうか。実際には、量子機械学習（QML）はまだ研究の途上にあり、「AIがまるごと速くなる」わけではありません。この記事では、QMLの基本的な考え方と代表的な手法である変分量子分類器（VQC）、そして現時点で分かっている可能性と限界を、予備知識ゼロからやさしく整理します。

この記事で分かること

量子機械学習（QML）は、量子回路を『学習可能なモデル』として使う研究分野であること
代表的な手法である変分量子分類器（VQC）は、量子回路と古典コンピュータの最適化を組み合わせるハイブリッド方式であること
『バレンプラトー』などの理論的な壁があり、古典MLを上回る実用例はまだ限定的であること

対象読者：機械学習の基礎知識があり、量子コンピュータとの関わりを知りたいエンジニア・学生の方

執筆：ゆるふわ量子編集部　最終更新日：2026年8月28日

量子機械学習（QML）とは何か

量子機械学習（QML）（Quantum Machine Learning）

量子コンピュータの回路を、機械学習モデルの一部として使う研究分野。データを量子ビットの状態に変換し、パラメータ付きの量子回路（変分回路）に通して予測を行う。回路のパラメータは、VQEやQAOAと同じように、古典コンピュータ側の最適化アルゴリズムで少しずつ調整していく。

QMLと一口に言っても中身はさまざまですが、現在もっとも研究が進んでいるのは「量子回路と古典コンピュータを組み合わせるハイブリッド方式」です。量子コンピュータ単体で完結する機械学習ではなく、データの前処理・最適化・後処理は古典コンピュータが担当し、量子回路は『複雑な特徴量空間での計算』という一部分だけを担当する、という役割分担がポイントです。

変分量子分類器（VQC）のしくみ

QMLの代表例として、分類問題（例：画像がネコかイヌか）を解く「変分量子分類器（VQC）」の学習の流れを見てみましょう。

VQCの学習ループ

📥

①データ埋め込み

入力データを量子ビットの状態（回転角など）に変換して回路に読み込ませる

→

🔄

②変分回路を実行

パラメータ付きの量子ゲート列（アンザッツ）を通して状態を変化させる

→

📏

③測定して予測を得る

量子ビットを測定し、その結果からクラス（例：ネコ/イヌ）を予測する

→

📉

④誤差を計算

正解ラベルとの誤差（損失）を古典コンピュータ側で計算する

→

🧮

⑤パラメータを更新

誤差を減らす方向に回路のパラメータを更新し、①に戻る

ステップ⑤のパラメータ更新には、量子回路特有の性質を利用した「パラメータシフト則」という手法がよく使われます。数値微分のような近似ではなく、回路のパラメータを厳密にずらして測定するだけで正確な勾配が求まるという、量子回路ならではの便利な性質です。

💡

『量子カーネル法』というもう一つのアプローチ

VQCのように回路そのものを学習させる方式のほかに、量子回路を使ってデータ間の「似ている度合い（カーネル）」だけを計算し、その結果を古典の機械学習手法（サポートベクターマシンなど）に渡す「量子カーネル法」というアプローチもあります。どちらも、量子コンピュータが得意とする高次元・複雑な特徴量空間の表現力を活かそうとする点は共通しています。

量子機械学習は古典MLに勝てるのか？有望な領域と限界

「量子コンピュータを使えば機械学習が全般的に速くなる」というのは誤解です（詳しくは量子コンピュータのよくある誤解10選も参照）。QMLが本領を発揮する可能性があるのは、あくまで特定の条件がそろった場合に限られます。

✨

期待されている領域

量子系そのものが生成するデータ（分子・材料など）の学習
古典コンピュータでは表現しにくい高次元の相関構造を持つデータ
少量データからの複雑なパターン抽出（理論上の可能性）
量子化学シミュレーションと機械学習を組み合わせた創薬・材料探索

🧱

現時点での壁

『バレンプラトー』：量子ビット数が増えるほど勾配がほぼゼロになり学習が進まなくなる現象
データを量子状態に変換する『埋め込み』自体がボトルネックになりやすい
現行のノイズが多い量子コンピュータ（NISQ）では、精度が古典MLに及ばないことが多い
『量子優位性』を厳密に証明できたタスクは、実用的な機械学習ではまだ非常に少ない

⚠️

『量子優位性』の証明はまだ限定的

QMLが特定の人工的なタスクで理論上の優位性を持つことを示した研究はありますが、実社会で使われている機械学習タスク（画像認識・自然言語処理など）で、量子コンピュータが明確に古典コンピュータを上回った例は、2026年時点でもまだ確立されていません。多くの専門家は、QMLは「今すぐ実用」より「中長期的な研究テーマ」と位置づけています。

誰が研究しているか：研究機関・企業の動き

QMLはアカデミアだけでなく、量子コンピュータ企業や大企業の研究部門でも活発に取り組まれています。

IBM・Google：それぞれのQiskit・Cirqなどのソフトウェアスタック上でQML向けのライブラリを提供し、量子カーネル法や変分回路の研究を進めています。
Xanadu：光量子コンピュータを手がけるXanaduは、2026年にLockheed Martin（ロッキード・マーティン）と共同でQMLの基礎理論を再検討する研究提携を発表するなど、産業応用を見据えた基礎研究に力を入れています。
大学・研究機関：バレンプラトー現象の発見・分析（Googleと大学の共同研究など）をはじめ、QMLの理論的な限界と可能性を明らかにする学術研究が世界各地で進められています。

🌱

ポイント

QMLの研究動向を追うときは、「どのタスクで」「古典手法と比べて何が優れていると主張しているか」を確認する習慣をつけると、誇張された報道に惑わされにくくなります。

まとめ

量子機械学習（QML）は、量子回路を機械学習モデルの一部として使う研究分野で、多くは古典コンピュータとのハイブリッド方式
代表的な手法である変分量子分類器（VQC）は、データ埋め込み→回路実行→測定→誤差計算→パラメータ更新、というループを繰り返して学習する
量子系由来のデータや高次元の相関構造を持つデータでの活用が期待される一方、バレンプラトーやノイズの影響で、実社会のタスクで古典MLを明確に上回った例はまだ少ない
IBM・Google・Xanaduなどの企業や大学・研究機関が、理論と応用の両面から研究を進めている

もう少し詳しく（背景）

QMLの実用化における最大の理論的な壁とされているのが「バレンプラトー（barren plateau）」現象です¹。量子ビット数やパラメータ数が増えるほど、損失関数の勾配がほぼゼロに近づいてしまい、古典コンピュータ側の最適化アルゴリズムがどちらに進めばよいか分からなくなる、という問題です。この現象は2018年にGoogleと大学の共同研究チームによって理論的に指摘され、以降QML研究における重要な設計上の制約として広く認識されています。

また、量子カーネル法についても、データを量子状態に埋め込む方法（エンコーディング）自体が計算コストの高いボトルネックになりうることが指摘されており²、「量子コンピュータに計算させれば自動的に速くなる」という単純な話ではないことが分かってきています。QMLは、VQEやQAOAといった他の変分量子アルゴリズムと同様、NISQ時代の制約を強く受ける分野である点も押さえておくとよいでしょう。

次に読むなら

パラメータシフト則をQiskitで実装 — VQCの学習に使われる勾配計算の手法を、コードで確かめたい方に
VQE（変分量子固有値ソルバー）をQiskitで実装 — QMLと同じ「変分回路」の考え方を使う代表的アルゴリズム
QAOAで組合せ最適化問題を解く — もう一つの代表的な変分量子アルゴリズム
量子コンピュータのよくある誤解10選 — 「量子コンピュータ＝万能に速い」という誤解を正したい方に
Qiskitではじめる量子プログラミング — QMLを実際に手を動かして学びたい方の第一歩に

参考資料・出典

What is Quantum Machine Learning (QML)? | The Quantum InsiderQMLの基本概念と2026年時点の研究動向を整理した解説記事（英語）
Quantum Machine Learning in 2026: State of the FieldQMLの現状と実用化に向けた課題を整理した業界解説記事（英語）
Xanadu and Lockheed Martin Announce Quantum Machine Learning Research CollaborationXanaduとLockheed MartinによるQML基礎研究の提携発表（2026年）
Barren plateaus in quantum neural network training landscapesバレンプラトー現象を報告した2018年の学術論文（arXiv、英語）

ゆるふわポータルでは、一次情報・公的資料にもとづき、専門用語をできるだけやさしく翻訳することを心がけています。内容に誤りや古い情報がある場合は、お問い合わせからご連絡ください。