量子コンピューターで何ができる？創薬・材料・最適化・AI・暗号の可能性と限界【後編】

量子計算では、重ね合わせや干渉を利用し、求める性質が測定結果に表れるように操作を組み立てます。大量の候補を表現できることと、それらの答えを一度の測定ですべて取り出せることは別です。速さを議論するには、どんな問題にどのアルゴリズムを使うのかを指定しなければなりません。

代表例がGroverの探索です。構造のないN個の候補から、条件を満たす1個を探す理想化された問題では、条件判定への問い合わせ回数を、おおむねNに比例する回数から√Nに比例する回数へ減らせます。これは重要な改善ですが、すべての探索が一瞬で終わるという話ではありません。

さらに、1回の問い合わせを現実の回路でどう実装するか、入力をどう準備するか、結果を何回測るかという費用があります。N件のデータベースを持っているだけで、量子版の高速な問い合わせ装置が自動的に手に入るわけではありません。これらを含む処理全体を評価することを、end-to-endの評価と呼びます。

たとえば、ある計算部分を速くできても、量子入力を準備したり、必要な精度が得られるまで測定を繰り返したりする時間が大きければ、処理全体は思ったほど短くなりません。「アルゴリズムの手順が少ない」と「欲しい結果が早く手に入る」を分けて考える理由はここにあります。

量子コンピューターをCPUやGPUの全面的な後継と考えるより、仕事のどの計算を担当させ、その前後を古典計算でどう支えるかを考える方が、用途を具体化できます。

分子や材料では、電子同士の相互作用が性質を左右します。量子コンピューターへの期待は、こうした量子系の一部を別の量子系で表現し、エネルギーや時間変化など、知りたい量を計算することにあります。特に量子シミュレーションは、有望な応用として検討されてきました。

ただし、化学計算のすべてが古典コンピューターに不向きなわけではありません。まず計算対象のモデルと必要精度を定め、その問題に適した古典手法と比べる必要があります。分子が大きいというだけで、量子計算の優位性が確定するわけではありません。

具体的な研究例として、Reiherらは窒素固定に関わる酵素の反応機構を題材に、量子コンピューターを古典計算の補助として使うための資源を検討しました。これは量子計算で研究対象へ近づく道筋を示したもので、その時点の実機で酵素の全過程を解き明かした報告ではありません。

この区別は最近の発表にも当てはまります。「この装置なら計算できるはず」という資源見積もり、「簡略化したモデルで実行できた」という実験、「材料開発の意思決定に役立った」という実用評価を、別々の成果として読みます。

創薬への期待を考える際も、何を出力として求めるかが重要です。分子のエネルギー、反応の経路、励起状態、温度の影響などは別々の問題で、必要な計算方法も同じではありません。2026年のAnnual Review of Physical Chemistry掲載総説は、基底状態の電子構造にとどまらず、反応機構、反応ダイナミクス、有限温度の化学へ応用を広げる研究と課題を整理しています。

したがって、ニュースを読むときは「創薬に使える」という用途名だけでなく、薬の開発工程のどの計算を改善するのかを確かめます。分子モデルについて一つの数値が求まったことは、薬の効果や安全性が確かめられたことと同じではありません。

ここからは実用性を判断するための編集上のチェック項目です。計算の成功を研究や事業の成果へ結び付けるには、少なくとも次の問いを分けると整理しやすくなります。

• 出力は何か。エネルギー、反応速度に関係する量、候補分子の順位など、目的が明確か。
• その精度は、候補を選ぶ判断に十分か。わずかな改善に実際の価値があるか。
• モデル化で省いた効果による誤差と、計算機の誤りを区別しているか。
• 実験や既存計算で結果をどう確かめるか。次の工程へ渡せる形の出力か。

期待すべき対象を狭く具体的にすることは、技術を低く評価することではありません。どの部分が改善すれば役立つのかを明確にする作業です。

配送経路、勤務割当、資源配分などでは、条件を満たす候補の中から良いものを探します。量子近似最適化アルゴリズムQAOAは、量子回路から得る測定結果を利用し、古典側でパラメーターを調整する方法です。どの問題・規模・回路で有利になるかは、研究上の重要な問いです。

「組み合わせが多いから量子向き」とだけ考えると、比較が不十分になります。実務の最適化では、最良解を保証することより、決められた時間内に十分良い解を得る方が重要な場合もあります。量子側が良い解を出したという報告には、古典側にも適切な解法と調整を与えたかという確認が必要です。

量子最適化のベンチマーク研究でも、問題に合う定式化、現実のデータや難しい問題の選択、解に到達するまでの時間、時間制約下の解の品質、公平なパラメーター調整を重視しています。古典側に素朴な総当たりだけを置いた比較では、現場で使われる解法より有利かは分かりません。

また、量子アニーリングは、エネルギーが低い状態を探す過程を利用する方式です。ゲートを組み合わせる量子計算とは提供される操作や問題の与え方が異なります。アニーリング装置の量子ビット数を、そのままShorのアルゴリズムを実行できる規模へ読み替えることはできません。

「AIと量子の融合」という表現には、異なる方向の研究が含まれます。一つは量子コンピューターで機械学習を助ける研究。もう一つは古典的なAIで量子装置の制御や誤りの推定を助ける研究です。前編で紹介したGoogleの制御研究は後者であり、大規模言語モデルの学習が量子計算で高速化された報告ではありません。

量子機械学習では、入力が通常の数値データなのか、実験で得られる量子状態なのかで条件が変わります。通常のデータを量子状態として入力するなら、その準備の負担を含めて比較します。

古典側に、データの成分を読み出したり、定められた分布に従って抽出したりできる「sample-and-query（SQ）アクセス」を認めると、一部の課題では量子側に匹敵する手法が得られます。ただし、これは量子状態を入力として受け取る条件と同等とは限りません。Cotlerらは、SQアクセスの方が多くの情報を得られ、比較結果を左右する場合を示しています。一方、大規模な古典データから量子入力を作る設定では、SQとの比較が妥当な場合もあります。どちらが速いかを論じる前に、入力から何を取り出せるかと、その準備にかかる費用を明示する必要があります。

一方、量子実験から得た量子状態を量子装置で処理する場合については、学習に必要な実験回数の優位性を扱う理論と実験の研究があります。これは「AIには量子計算が役立たない」という一律の否定にも根拠がないことを示します。ただし、その結果を通常の画像認識や文章生成の全面的な高速化へ広げることもできません。

見るべきなのはAIという用途名ではなく、入力、学習目標、比較するモデル、精度、学習と推論を含む全体の負担です。

暗号分野には、用途との関係が明確な理論があります。Shorのアルゴリズムは、十分な量子計算資源があれば、整数の素因数分解や離散対数問題を、入力サイズの多項式で抑えられる手順数で解く方法を与えます。RSAや楕円曲線暗号など、これらの問題の難しさに依存する仕組みが移行対象となる理由です。

しかし、アルゴリズムの存在だけでは攻撃用の装置は完成しません。必要な量子ビット数、演算回数、誤り訂正、古典制御、動作時間を一緒に満たす必要があります。小さな整数の因数分解デモを、実際の暗号鍵の解読能力と同一視することはできません。

また、これは「すべての暗号やパスワードが同じように破られる」という意味でもありません。NISTの耐量子暗号移行では、脆弱になる公開鍵の鍵確立・署名方式と、移行先の方式を具体的に扱っています。対象をRSA、楕円曲線、共通鍵暗号、ハッシュと分けて考える必要があります。

2025年5月のGidneyのプレプリントは、RSA-2048の整数を100万未満のノイズを持つ物理量子ビットで、1週間未満に因数分解する資源見積もりを示しました。前提には、隣接接続の格子、0.1%のゲート誤り率、1マイクロ秒の誤り訂正サイクル、10マイクロ秒の制御応答などがあります。実機でRSA-2048を解読した報告ではありません。

別の2026年3月公開・4月改訂のホワイトペーパーが直接扱うのは、256ビット楕円曲線secp256k1の離散対数問題です。論理量子ビットを1200以下、Toffoliゲートを9000万以下に抑える構成などを見積もっています。物理誤り率10⁻³、平面上で各量子ビットを最大4個の隣接量子ビットに接続する超伝導装置、表面符号を基にした誤り訂正などを仮定し、必要な物理量子ビットは50万未満としています。

実行時間にはさらに、古典制御の応答が10マイクロ秒、Toffoliゲートごとの追加負担が50%という仮定があります。著者らは9000万ゲートの構成で回路全体の実行を約23分と見積もっています。これは、事前計算を済ませた後の残り時間だけを数えた値ではありません。こうした理論的な資源見積もりは、実行済みの攻撃ではありません。また、同じ256ビットでも別の楕円曲線へ数値をそのまま適用することはできません。

Toffoliゲートは、3量子ビットに作用する基本演算の一種です。ここで、前者の「物理100万未満」と後者の「論理1200以下」を直接比べてはいけません。問題の種類も、量子ビットの種類も違います。RSA-2048の2048とsecp256k1の256という数字も、暗号の安全性を同じ物差しで表した値ではありません。

さらに、これらはあらゆる装置に共通する絶対的な最低条件ではありません。アルゴリズム、誤り訂正、並列化の選び方が変われば、必要な規模と時間も変わります。「あと何個増やせば危険か」という単純なカウントダウンには使えません。

確認した公開資料の範囲では、ここで取り上げたRSA-2048やsecp256k1の見積もりに対応する攻撃を、実機で達成した証拠は確認していません。ただし、将来の完成時期を保証できないことと、対策を先送りしてよいことは別です。

耐量子暗号、またはポスト量子暗号PQCは、量子コンピューターそのものを使う暗号ではありません。通常のコンピューターで実装し、量子攻撃にも耐えられることを目指す暗号方式です。将来解読するために現在の暗号通信を保存しておく「Harvest Now, Decrypt Later」のリスクも、早めの移行を検討する理由になります。

NISTは2024年に、鍵確立のML-KEM、署名のML-DSAとSLH-DSAについて、最初の3つの最終標準を公開しました。現在の案内でも、組織は脆弱な方式が使われている場所を把握し、移行を開始すべきとしています。

NISTの案内に登場する2035年は、量子攻撃に弱い方式を標準から段階的に退役させる計画上の年です。参照先のIR 8547は、本稿の確認時点では初期公開草案です。「2035年に暗号解読装置が完成する」という予言でも、すべての国・企業に一律に適用される法的期限でもありません。

実務では、暗号の利用箇所を棚卸しし、長く機密性を保つ必要がある情報や、更新に時間がかかる機器を識別したうえで、対応製品と相互運用性を確認します。独自の暗号方式を作ることではなく、標準と提供元の移行手順を組み合わせる作業です。

TLSの鍵確立との関係は、既存記事「量子コンピュータでTLSは破られるのか」でも解説しています。

誤りがある部品では、長い量子計算は原理的に無理なのでしょうか。量子誤り訂正のしきい値定理は、想定するノイズモデルなどの条件の下で、個々の操作の誤りが一定のしきい値より低ければ、符号化を拡張して大きな計算を高い信頼性で実行できることを示します。これは実現可能性を支える理論的な根拠です。

ただし、しきい値を一度下回れば、すぐに必要なプログラムが動くわけではありません。装置で生じる誤りが想定に合うか、必要な操作をすべて保護できるか、長時間の制御や復号が間に合うか、装置を増やしても精度を維持できるかを調べます。部品ごとの最高記録を集めただけでは、それらを同時に満たすシステムがあることにはなりません。

誤りの積み重なりは、単純化した例でも重要性が分かります。仮に、各操作が独立に確率pで失敗し、一度でも失敗すれば計算全体が失敗するモデルを置くと、G回すべて成功する確率は(1−p)^Gです。

• p = 10⁻⁴、G = 10,000なら、すべて成功する確率は約36.8%。
• p = 10⁻⁶、G = 10,000なら、約99.0%。

これは本稿の説明用の計算で、実機の性能予測ではありません。実際には誤りの相関、訂正、誤りが出力へ与える影響などがあり、この式をそのまま当てはめられません。それでも、1回の操作がかなり正確でも、長い計算全体では別の厳しさが生じることが分かります。

万能な実用化年を一つ挙げるのは難しい問いです。必要な論理量子ビット数も計算時間も、用途によって異なります。研究に役立つ時点と、事業費用に見合う時点も一致するとは限りません。

Google Quantum AIの研究者らによる「The Grand Challenge of Quantum Applications」は、量子優位性が期待できる具体的な問題を選び、それを実際の用途へ結び付けること自体を大きな研究課題として扱っています。ハードウェアが良くなれば自動的に価値ある用途が出そろう、とは考えていません。

企業の導入検討やニュースの評価には、次のような条件を先に置くと、期待を検証可能な問いへ変えられます。これは特定の研究の実測値ではなく、本稿の評価用チェックリストです。

1. 解きたい課題: 入力データと欲しい出力を具体化する。
2. 必要な品質: 許容誤差、成功確率、納期を決める。
3. 現在の基準: 実際に使う古典手法の時間と費用を測る。
4. 量子側の総負担: 入出力、反復測定、誤り対策、古典処理、利用費用を含める。
5. 確かめる方法: 小規模での照合、別手法、実験データなどを用意する。
6. 失敗時の扱い: 精度が届かない場合や利用できない場合の代替手段を残す。

ロードマップの年は、この条件をいつ満たすつもりかという計画として読みます。計画が公表されたこと、資金が集まったこと、第三者の評価計画に採択されたことを、そのまま性能達成の証拠にはしません。

材料・化学では量子系の性質を計算するという自然な動機があります。最適化では実務に合う解の品質と時間の比較が重要で、AIでは入力データや学習課題の違いが結果を左右します。暗号では具体的な脅威となるアルゴリズムがあり、装置完成前から移行を進める理由があります。

用途を横断して本稿が重視するのは、計算できるか、既存手法より有利か、その違いが実際の判断に役立つかという三つの問いです。たとえば分子のエネルギーを求められても、候補を選ぶのに必要な精度へ届くかは別に確かめます。良い配送経路が得られても、必要な時間内に既存手法より良い結果を出せるかを比べます。一つ目の成功だけで三つ目まで達成したと考えないことが、応用を評価する基本になります。

前編と後編を通じた結論は、量子コンピューターの進歩を疑う必要がないということではありません。むしろ、何をどの条件で実証したのかを確かめると、実際に進んだ点も、まだ飛び越えてはいけない点も見えやすくなるということです。次の大きな発表も、量子ビット数と将来の年だけでなく、計算内容、誤り、比較条件、総費用を見て判断できます。