ライフサイエンス・医療・創薬分野の
量子HPC連携アプリケーションの開拓

量子機械学習は、従来の機械学習を越えることが期待されていますが、現状の限られた量子ビット数では量子機械学習のみを用いるのは困難です。そこで、GPU・QPU・HPCを組み合わせたときに初めて価値が出るライフサイエンス問題を見つけ、その有用性を実証することを検討します。GPUで探索空間を絞りQPUの量子機械学習を行う組み合わせが考えられますが、QPUに対してどのように入力を埋め込むかの問題を解決する必要があります。さらに、QPUの活用として、GPUで学習・特徴抽出、QPUで高次元確率分布の表現・サンプリング、HPCで大規模データ処理・検証を行うことも検討します。これにより、GPU・QPU・HPCのハイブリッド計算の有効性を実証できるだけでなく、本プロジェクトが進めてきたプラットフォームの先進性を活用することができます。

具体的には、以下の医療分野の問題に対して、量子コンピュータの活用を検討します。

生命医科学分野では、オミクス観測技術の急速な進展や、それらに臨床情報や画像情報なども加えたマルチモーダルデータが集約されており、医療・生命科学のビッグデータを成しています。しかし、それらのデータは、サイズの大きさのみならず、高次元・相互作用性、ヘテロ性、スパース性、非線形性が強く、従来の計算方法を超えた解析方法が求められています。近年発展が目覚ましい量子計算と生成AIを利活用することによってこの問題を解決する新しいパラダイムを提案します。ここで、生命医科学分野で扱うデータはいわゆる古典的データであり、量子性は通常は考えないことから、量子回路にいかにデータを埋め込むか、ハイパフォーマンスコンピューティング（HPC）といかに連携して効率よくプロセッシングするか、そしてそれらに基づきいかに適切な量子回路を設計するかを検討します。

これまで、SQD法を用いることにより、生体に関係する鉄・イオンクラスタ分子の精緻な基底エネルギー計算やフラグメントに分割することにより、個々のフラグメントをSQDで計算し、大規模な生体分子系のエネルギー計算・ドッキング解析ができるようになりました。また、生体分子中の様々な現象をとらえるには分子中の電子輸送問題を必要がありますが、全体を既存のHPCアプリで解析し、電子輸送解析が必要な部分に量子コンピュータを使うなどの試みが行われています。

特に創薬分野では、さらにこのような取り組みを進める必要があり、GPUによる機械学習と組み合わせるなどの高度な解析を可能とします。