量子アニーリングを実務に適用する際、ほぼ必ず語られる言葉が「モデル化」である。しかし、この言葉はあまりにも軽く使われている。多くの場合、モデル化とは「現実の問題を数式にすること」「QUBO や Ising に落とすこと」程度の意味で理解されている。しかし実際には、量子アニーリングにおけるモデル化は、そのような技術的変換にとどまらない。モデル化とは、問題の意味そのものを設計する行為である。[1] [2] [3]
量子アニーリングは、モデル化されたエネルギー関数の基底状態を探索する。つまり、量子アニーリングが「何を計算するか」は、モデル化が完了した時点ですでに決まっている。計算装置としての量子アニーリングは、その後に登場するだけであり、意味の判断には一切関与しない。ここにまず、役割分担の非対称性がある。物理は忠実であるが、意味は与えない。意味を与えるのは、常に人間側である。[4] [5]
この「意味を与える」という行為が、具体的に何を指すのか。それが最も端的に現れるのが、「制約を罰点（ペナルティ）にする」という操作である。制約を罰点に変換するとは、現場の「禁止」「義務」「推奨」「例外」といった異質な判断を、エネルギーという 1 つの尺度に射影し、比較可能にしてしまうことである。以降は、この変換がどのように意味を変形し、どこで破綻し、どう検証すべきかを、できるだけ現場の言葉で整理する。[6] [7]
1. 制約は、なぜ罰点になるのか
現実の問題には、必ず制約が存在する。人員配置であれば「同じ人を同時刻に二箇所へ割り当ててはならない」、配送計画であれば「積載量を超えてはならない」、スケジューリングであれば「前工程が終わらなければ後工程は開始できない」といった条件である。現場では、これらはしばしば「守らなければならないルール」として語られる。[8] [9]
しかし、量子アニーリングにおいて制約は、そのままでは扱えない。量子アニーリングが最小化するのは、ただ 1 つのスカラー量、すなわちエネルギーである。そのため、制約は「守る／破る」という質的な条件から、「どれだけエネルギーを増やすか」という量的な条件へと変換される。この変換が、制約のペナルティ化である。[1] [2] [10]
1.1 「禁止」が数値になる瞬間
現場の禁止は、本来は比較不能である。たとえば「法令違反をしてよいか」と「コストをいくら削るか」は、同じ土俵で比較する話ではない。しかしペナルティ化の瞬間、それらは同じ土俵に乗る。モデルの中で「違反 1 件の悪さ」は係数として置かれ、その係数が他の目的項と合算され、最小化される。量子アニーリングにとって、違反は倫理ではなく、単なるエネルギー差である。[11] [12]
1.2 「硬い制約」と「柔らかい制約」の境界が消える
現場では、守るべき度合いが異なる制約が混在する。絶対に破れないもの（安全・法規）、状況で例外があり得るもの（希望・公平）、運用で吸収できるもの（軽微な順序違反）などである。ペナルティ化は、この違いを「係数の大小」という単一表現に押し込む。設計者が係数で境界を再現できていればよいが、再現できなければ境界は消える。境界が消えたモデルは、現場の常識とは異なる判断を「最適」として返す。[7]
1.3 罰点は「大きいほど良い」ではない
直観的には「絶対制約は罰点を大きくすればよい」と思える。しかし実装では係数レンジ、スケーリング、ノイズ、埋め込み、サンプリングといった制約があり、無限大は置けない。さらに罰点を極端に大きくすると、目的項の差が埋もれ、「制約は守るが目的はどうでもよい」地形になりやすい。結果として、制約を守るだけの大量の同点解（退化）が生まれ、どれが現場で良いかはモデルの外に残る。[6] [13]
| 小項目 | 要点 | 実務での含意 |
|---|---|---|
| 1.1 禁止が数値になる | 倫理・法規も係数として合算される | 「禁止」を別軸で守る設計が必要 |
| 1.2 硬い／柔らかいの混在 | 違いが係数の大小に圧縮される | 境界の再現は係数設計に依存 |
| 1.3 大きいほど良いではない | スケーリングと退化で意味が崩れる | 目的差が消えると運用で解釈不能 |
2. 具体例：資格制約が破られる瞬間
ある業務には資格が必要であり、資格を持たない人をその業務に割り当ててはならない、という制約があるとする。現場感覚では、これは「絶対禁止」に近い条件である。[14]
2.1 期待：大罰点で排除できるはず
この制約を量子アニーリングに持ち込むためには、「資格を持たない人が割り当てられた場合に、大きな罰点を与える」という形でモデル化する必要がある。ここで設計者は罰点の係数を決める。十分に大きな値を選べば、制約違反は最適解から排除されるだろう。少なくとも、そう期待される。[1] [6]
2.2 現実：他の目的項が同じ土俵に入る
しかし評価関数には他の項も含まれる。人件費の総額、移動距離、全体の負荷バランス、希望充足などである。これらの項との相対関係次第では、「資格違反を一件起こす代わりに、全体コストを大幅に下げる」解が最小エネルギーとして現れる可能性がある。量子アニーリングは、その解を躊躇なく提示する。[15]
2.3 何が起きたか：モデルが下した判断の可視化
計算が間違ったわけではない。モデルが次の判断を下したのである。「資格違反一件の悪さは、コスト削減の良さと比較可能である」。この判断を下したのは量子アニーリングではない。モデルを設計した人間である。ここで初めて「モデル化＝意味の設計」が具体的な責任として見える。[16]
| 小項目 | 要点 | 実務での含意 |
|---|---|---|
| 2.1 期待 | 大罰点で違反は消えるはず | 係数レンジと他項の上界見積もりが必要 |
| 2.2 現実 | 他の目的項が比較に入る | 「禁止」は目的項と競合する |
| 2.3 可視化 | モデルが価値比較を固定した | 責任は装置ではなく設計に戻る |
3. 意味が「比較可能」になるということ
制約を罰点にするとは、異質な価値を同一の尺度で比較可能にすることを意味する。安全とコスト、効率と公平、禁止と推奨といった、本来は異なる次元に属する概念が、エネルギーという 1 つの軸に射影される。この射影は計算を可能にする一方で、意味の構造を単純化する。[17] [18]
3.1 比較可能性は「説明可能性」を要求する
比較可能にするとは、同じ単位で足し算できるようにすることである。すると「なぜこの解が選ばれたか」は、係数と項の寄与として説明できるはずだ、という要請が生まれる。つまりモデル化は、単に最適化を可能にするだけでなく、説明責任の形式を固定する。説明が成立しないモデルは、現場で採用できない。[19]
3.2 量子アニーリングでは責任が見えにくくなる
線形計画法でも整数計画でも同じ変換は起きるが、量子アニーリングの場合、その結果が「物理的にもっとも安定な状態」として返ってくるため、責任が見えにくくなる。「機械がそう言った」「量子が選んだ」という言い方ができてしまう。しかし実際には、選んだのはモデルであり、そのモデルを定義したのは人間である。[20] [21] [22]
| 小項目 | 要点 | 実務での含意 |
|---|---|---|
| 3.1 説明可能性 | 足し算可能な形は説明形式を固定する | 監査・合意の前提はモデルに埋め込む |
| 3.2 責任の不可視化 | 物理結果に見えても設計判断が源泉 | 「量子のせい」にしない運用設計が必要 |
4. モデル化とは、何を切り捨てるかを決めること
制約を罰点に変換する過程では、必ず切り捨てが発生する。例外的な判断、文脈依存のルール、現場での暗黙知といったものは、基本的にモデルの外に置かれる。モデルに入らなかった要素は、計算の結果には一切影響を与えない。[19] [23]
4.1 例外は「現場の強さ」だが、モデルでは高コスト
現場は例外で回る。例外の集積が運用の実体である。しかし例外はモデル化しにくい。条件分岐、条件付きの許可、状況依存の優先順位は、二次形式へ落とすと変数と項が膨張しやすい。その結果、例外は「モデル外」に追い出され、運用ルールとして残る。モデル化は、例外を切るか、コストを払って入れるかの選択になる。[24]
4.2 切り捨てたものは最適解で復活しない
モデル外に落とした価値は、計算の中では存在しない。したがって最適解の中で復活することはない。最適化は世界を良くするのではなく、モデルが表現できる世界の中で最も低い点を選ぶだけである。ここが理解できると、「なぜこんな解が出たのか」は常にモデル内に答えがあり、「なぜ期待と違うのか」は常にモデル外に原因がある、という見取り図が得られる。[25]
| 小項目 | 要点 | 実務での含意 |
|---|---|---|
| 4.1 例外の扱い | 例外は入れにくく、入れると膨張する | 例外はモデル外の運用として残りやすい |
| 4.2 復活しない | モデル外の価値は計算で一切考慮されない | 「良い解」に見える条件を明示的に入れる |
5. 評価関数とは「目的」ではなく「視点」である
制約を罰点に変換することで、異質な価値が比較可能になる。その結果、モデルは一つのエネルギー地形を持つ。しかしここでしばしば誤解されるのが「評価関数は目的を表している」という理解である。実際には、評価関数は目的そのものではない。それは、設計者が世界をどう見ているかを固定した写像にすぎない。[26] [27]
5.1 含まれない価値は、存在しない価値になる
たとえば「コストを最小化する」という評価関数は明確に見える。しかし現実には、コスト以外にも安全性、持続性、心理的負担、公平性といった要素がある。評価関数に含まれなかった要素は、計算の中では存在しないものとして扱われる。量子アニーリングは、含まれなかった理由を問わない。ただ、含まれていないという事実だけを忠実に反映する。[28]
5.2 評価項を増やしても、衝突は消えない
「全部入れればよい」という発想は危険である。評価項を増やすほど係数調整は困難になり、価値同士の衝突は単に数値の押し合いになる。結果として、現場の合意が必要な価値判断が、係数の中に埋没し、説明不能になることがある。多目的最適化の知見が示す通り、価値の衝突は本質であり、モデルの外で意思決定しなければならない部分が残る。[29]
| 小項目 | 要点 | 実務での含意 |
|---|---|---|
| 5.1 欠落の効果 | 含めない価値は計算で完全に無視される | 「守りたい価値」を明示的に項にする |
| 5.2 増やしても解決しない | 衝突は係数の押し合いになる | 価値の優先順位は事前合意が必要 |
6. 具体例：最適解なのに「使えない」解
現場でよく起きるのが、「計算としては最適だが、実際には使えない」という結果である。たとえば配送計画の最適化で、総移動距離は最小になっているが、特定の作業員に極端な負荷が集中する解が得られることがある。評価関数に「移動距離」しか含めていなければ、これは当然の結果だ。[30]
6.1 「正しい」のに「採用できない」
このとき量子アニーリングは何も間違えていない。むしろ完全に正しい振る舞いをしている。問題は、評価関数が「誰に負荷が集中するか」という視点を持っていなかったことにある。解が「使えない」と感じられるのは、評価関数が捉えていない価値が、現場では重要だったからにすぎない。[31]
6.2 直し方は「結果の修正」ではなく「視点の追加」
この種の問題は、得られた解を後で手直しするだけでは根治しない。なぜなら、次回も同じ視点欠落が同じ種類の解を生むからである。直すべきは評価関数であり、負担集中を罰する項、偏りを抑える項、あるいは「採用不可」を明示する制約を追加する必要がある。ここで重要なのは、追加項は現場の価値判断（何を公平とみなすか）を含むため、係数は技術問題ではなく合意問題になる、という点だ。[25]
| 小項目 | 要点 | 実務での含意 |
|---|---|---|
| 6.1 採用できない最適 | 視点欠落が「使えない最適」を生む | 「使える」の条件をモデルに入れる |
| 6.2 視点の追加 | 修正はモデル側で行う必要がある | 係数は合意の写像になる |
7. モデルは世界を説明するものではない
この段階で、モデル化に対する根本的な誤解を一つ取り除いておく必要がある。モデルは世界を説明するためのものではない。モデルは、ある行動を選ぶための道具である。量子アニーリングのモデルは「この条件のもとで、どの選択肢が最も安定か」を示す。それ以上でも以下でもない。現実がそのモデルに従う保証はないし、モデルが現実を網羅している必要もない。重要なのは、モデルが「どの判断を代行しているか」を理解することだ。[19] [32]
7.1 判断の委譲と境界線
モデル化とは、判断の委譲である。人間が下すべき判断の一部を「エネルギー最小化」という形に翻訳し、物理過程に委ねる。その際に委ねられなかった判断は、人間の側に残る。この境界線を曖昧にすると、「計算結果に従うべきか否か」という場面で混乱が生じる。逆に言えば、境界線を明確にすれば、量子アニーリングは意思決定支援として有効に機能する。[33]
| 小項目 | 要点 | 実務での含意 |
|---|---|---|
| 7.1 境界線 | 委ねる判断と残す判断を分ける | 運用（承認・例外）を設計に含める |
8. 量子アニーリングは「答え」を出していない
ここで、量子アニーリングに関する最も重要な点をはっきりさせておく。量子アニーリングは、答えを出していない。量子アニーリングが出しているのは、モデル化された世界における、もっとも安定な状態である。その状態を「答え」と呼ぶかどうかは、人間の判断に委ねられている。現場の制約、倫理、責任、例外処理といった要素はモデルの外側にあり続ける。量子アニーリングはそれらを無視しているのではない。最初から扱うように設計されていないだけである。[22] [34]
8.1 「万能か」という問いが無意味になる理由
この点を理解すると、「量子アニーリングは万能か」という問いは意味を失う。万能である必要はない。重要なのは、どの判断をモデルに委ね、どの判断を人間が引き受け続けるかである。量子アニーリングは「判断を実行する機械」であり、「判断を決める機械」ではない。[35]
| 小項目 | 要点 | 実務での含意 |
|---|---|---|
| 8.1 万能の誤解 | 装置は判断を決めない | 仕様・責任・例外を人間側で固定する |
9. 最終的なまとめ：モデル化とは責任の引き受けである
ここまで論じてきたことを一つにまとめる。モデル化とは、現実を忠実に写す作業ではない。それは「この問題では、何を重要とし、何を比較可能とし、何を無視するか」を、計算が始まる前に固定する行為である。制約を罰点にするとは、禁止や義務といった概念を量として扱い、異質な判断を 1 本の尺度へ押し込むことを意味する。評価関数とは、目的そのものではなく、設計者の視点を固定した写像である。量子アニーリングは、その写像に対して誠実に振る舞う。だからこそ、結果に責任を持つのは装置ではない。モデルを設計した人間である。[19] [25] [36]
最適化とは世界を良くすることではない。最適化とは、世界をどう見るかを決め、その見方の中で何を選ぶかを決めることである。量子アニーリングが高速に実行しているのは、その「見方に従った選択」にすぎない。ゆえに、意味を与える責任も、結果を引き受ける責任も、人間の側から外には出ない。これが、量子アニーリングにおいて「モデル化が全てを決める」と言える最終的な理由である。[17]
参考文献
- D-Wave Documentation, “QUBOs and Ising Models”. https://docs.dwavequantum.com/en/latest/quantum_research/qubo_ising.html
- D-Wave Support, “What Is a Binary Quadratic Model (BQM)?” https://support.dwavesys.com/hc/en-us/articles/360009944734-What-Is-a-Binary-Quadratic-Model-BQM
- A. Lucas, “Ising formulations of many NP problems” (Frontiers in Physics, 2014). https://www.frontiersin.org/articles/10.3389/fphy.2014.00005/full
- T. Albash, D. A. Lidar, “Adiabatic Quantum Computation” (Rev. Mod. Phys., 2018). https://link.aps.org/doi/10.1103/RevModPhys.90.015002
- S. Morita, H. Nishimori, “Mathematical foundation of quantum annealing” (J. Math. Phys., 2008). https://pubs.aip.org/aip/jmp/article/49/12/125210/231148/Mathematical-foundation-of-quantum-annealing
- D-Wave Japan, “D-Wave 問題解決ハンドブック” (PDF, 2020). https://dwavejapan.com/app/uploads/2020/08/09-1171A-C_J-Developer_Guide_Problem_Solving_Handbook.pdf
- D-Wave Documentation, “Problem Formulation” (concepts). https://docs.dwavequantum.com/en/latest/concepts/formulation.html
- R. K. Ahuja, T. L. Magnanti, J. B. Orlin, “Network Flows: Theory, Algorithms, and Applications”. https://web.mit.edu/dimitrib/www/networkflows.html
- P. Van Hentenryck, L. Michel, “Constraint-Based Local Search”. https://mitpress.mit.edu/9780262220743/constraint-based-local-search/
- F. Glover, G. Kochenberger (eds.), “Handbook of Metaheuristics”. https://link.springer.com/book/10.1007/978-1-4419-1665-5
- S. Boyd, L. Vandenberghe, “Convex Optimization”. https://web.stanford.edu/~boyd/cvxbook/
- A. Schrijver, “Theory of Linear and Integer Programming”. https://onlinelibrary.wiley.com/doi/book/10.1002/9781118033023
- dimod documentation, “BinaryQuadraticModel”. https://docs.ocean.dwavesys.com/en/stable/docs_dimod/reference/models.html
- ILO, “International Standard Classification of Occupations (ISCO)”. https://ilostat.ilo.org/resources/methods/classification-isco/
- D-Wave Documentation, “Hybrid Solvers” (Leap). https://docs.dwavequantum.com/en/latest/industrial_optimization/leap_hybrid.html
- T. F. Rønnow et al., “Defining and detecting quantum speedup” (arXiv, 2014). https://arxiv.org/abs/1401.2910
- K. Arrow, “Social Choice and Individual Values”. https://yalebooks.yale.edu/book/9780300186987/social-choice-and-individual-values/
- A. Sen, “Collective Choice and Social Welfare”. https://www.hup.harvard.edu/books/9780674174626
- H. A. Simon, “The Sciences of the Artificial”. https://mitpress.mit.edu/9780262691918/the-sciences-of-the-artificial/
- K. G. Murty, “Linear Programming”. https://onlinelibrary.wiley.com/doi/book/10.1002/9781118032484
- G. B. Dantzig, “Linear Programming and Extensions”. https://press.princeton.edu/books/paperback/9780691160348/linear-programming-and-extensions
- D-Wave Documentation, “Sampling”. https://docs.dwavequantum.com/en/latest/concepts/sampling.html
- Stanford Encyclopedia of Philosophy, “Nonmonotonic Logic” (exceptions overview). https://plato.stanford.edu/entries/logic-nonmonotonic/
- J. Pearl, “Causality”. https://www.cambridge.org/core/books/causality/0F9D0E1B3A5F4E67B2F6A2B7D9A0A4A2
- A. Amodei et al., “Concrete Problems in AI Safety” (specification). https://arxiv.org/abs/1606.06565
- S. Russell, P. Norvig, “Artificial Intelligence: A Modern Approach”. https://aima.cs.berkeley.edu/
- C. Bishop, “Pattern Recognition and Machine Learning”. https://www.springer.com/gp/book/9780387310732
- WHO, “Health equity”. https://www.who.int/health-topics/health-equity
- K. Deb, “Multi-Objective Optimization using Evolutionary Algorithms”. https://onlinelibrary.wiley.com/doi/book/10.1002/0470018123
- J. T. Linderoth, “Integer Programming” (overview entry). https://optimization-online.org/2016/07/5544/
- R. S. Sutton, A. G. Barto, “Reinforcement Learning: An Introduction” (2nd ed.). https://www.andrew.cmu.edu/course/10-703/textbook/BartoSutton.pdf
- G. Gigerenzer, “Risk Savvy”. https://www.penguinrandomhouse.com/books/228755/risk-savvy-by-gerd-gigerenzer/
- IEEE, “Ethically Aligned Design / Autonomous Systems”. https://standards.ieee.org/industry-connections/ec/autonomous-systems/
- OECD, “AI Principles”. https://oecd.ai/en/ai-principles
- T. F. Rønnow et al., “Defining and detecting quantum speedup” (comparison discipline). https://arxiv.org/abs/1401.2910
- D-Wave Documentation, “Best Practices”. https://docs.dwavequantum.com/en/latest/concepts/best_practices.html