大阪大学研究生院理学研究科的川室太希助教、立教大学的山田真也副教授、博士生酒井优辅、国立研究开发法人理化学研究所的长泷重博主任研究员、松浦俊司高级研究员、日本东北大学的山田智史助教等人的研究团队，利用欧洲航天局（ESA）运营的X射线天文卫星XMM-Newton在过去约24年间收集的大规模宇宙X射线变动数据，构建了结合量子计算机和机器学习的“量子机器学习模型”，成功捕捉到了113个异常能量（X射线）辐射现象。相关成果已发表在《The Astrophysical Journal》期刊上，这是全球首次将量子机器学习应用于宇宙X射线观测数据，并验证了其有用性。
宇宙中经常发生突发性波动现象，如恒星爆炸、黑洞周围的活动等，这些现象对于探索宇宙构造的形成和极限条件下的物理规律至关重要。偶尔也会发现研究人员意想不到的波动现象，这些异常现象也正成为揭示宇宙多样性和隐藏物理现象的最前沿研究。
宇宙观测技术正日益精进，未来有望通过LSST（Large Synoptic Survey Telescope，大型综合巡天望远镜）和NewAthena等最先进的天文望远镜，利用X射线等各种光的波长，获得记录更大范围的宇宙时间变化的数据。而这就需要一种可从所获得的海量数据中自动检测出微小异常波动的技术手段，研究人员此前一直在考虑利用机器学习来对应。
此次研究团队全球首次通过模拟验证了将量子计算机的能力引入机器学习的“量子机器学习”的实用性。
研究人员构建了采用量子计算机制的机器学习方法——量子长短期记忆模型QLSTM（Quantum Long Short－term Memory）。通过将时间和亮度数据连续输入嵌入了量子电路的单元模块，最终实现了对未来亮度的预测，并可以根据该亮度与正常预测的偏差来检测异常波动。
实际的研究并非在真实的量子计算机上运行的，而是通过模拟量子电路的形式进行了实装和实用性验证。最后，将经过训练的量子机器学习模型应用于ESA的X射线天文卫星“XMM-Newton”获得的约4万个光度曲线数据，结果发现了113个异常波动现象，成功捕捉到了比既往LSTM模型更多的异常。其中，还有些波动被认为是恒星爆炸瞬间或来自黑洞的准周期性活动。
今后，在关注日益重要的“宇宙时间变化”的时代，该技术有望成为有效检测异常天体现象的新研究基础。此外，该技术是将量子计算技术应用于实际天文数据这一前所未有领域的开创性成果，也是为量子信息科学在天文学中的正式应用迈出了划时代的一步。
川室助教表示：“在此次研究中，团队构建了能够自动检测异常光度波动的量子机器学习模型，并将其应用于实际的X射线宇宙观测数据，结果比使用传统计算机时检测到了更多的候选异常现象。我们希望不仅止步于这次捕捉宇宙时间变化的研究，还计划进一步探讨如何将量子计算机应用于各种天文数据的解析之中。”
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
期刊：The Astrophysical Journal
论文：Quantum Machine Learning for Identifying Transient Events in X-Ray Light Curves
DOI：doi.org/10.3847/1538-4357/adda43
