導入：なぜ「自己表象×量子カーネル」が注目されるのか
自己表象、つまり「自分自身をどう認識しているか」という脳の情報処理は、内側前頭前野やデフォルトモードネットワーク（DMN）など複数の脳領域が関与する複雑な現象です。この複雑さゆえに、自己関連判断や自己顔認知といった課題を機械学習で分類・予測しようとすると、単純な線形モデルでは捉えきれない非線形性や文脈依存性が壁になりやすいという課題があります。
近年、この非線形性・文脈依存性を扱う枠組みとして注目されているのが「量子カーネル」を用いた機械学習です。量子カーネルは、脳が実際に量子力学的に動作しているという主張ではなく、量子確率論の考え方を表現学習に応用した数理的な枠組みとして捉えるのが妥当です。本記事では、自己表象研究に量子カーネルを適用する際に検討すべきデータセット選定、前処理設計、モデル比較の考え方を整理します。
自己表象研究における神経科学的背景
自己表象は単一の脳部位だけで説明できるものではなく、内側前頭前野、後部帯状皮質・楔前部、DMN関連領域などが階層的・ネットワーク的に関わっていると考えられています。自己判断と他者判断を比較したメタ解析では、内側前頭前野内で空間的な勾配が見られることが報告されており、自己処理を単一中枢ではなくネットワークとして捉える視点が国内外のレビューでも共有されています。
この背景から、機械学習モデルに用いる特徴量も、脳全体のボクセルデータをそのまま投入するのではなく、自己関連ネットワークを意識したROI（関心領域）ベースの集約や次元削減を先に行うことが理にかなったアプローチといえます。
量子カーネルとは何か
量子カーネルとは、入力データを量子状態に写像し、その状態同士の内積（フィデリティ）によって類似度を計算する手法です。古典的なカーネル法（RBFカーネルなど）が特徴空間での類似度を計算するのと同様に、量子カーネルは量子状態空間での類似度を利用して分類や回帰を行います。
量子認知の分野では、この考え方を「脳が量子コンピュータのように振る舞う」という強い主張としてではなく、あいまいさや順序効果、文脈依存的な信念更新といった、古典的な同時確率では説明しにくい現象を記述するための数理的な道具として用いる立場が主流です。自己表象のように、自己と他者、感情価、社会的評価が複雑に絡み合う課題では、こうした文脈依存性を表現できる枠組みが理論的な親和性を持つと考えられます。
実装面では、Qiskit Machine LearningのFidelityQuantumKernelやTrainableFidelityQuantumKernel、PennyLaneのカーネルアラインメント機能などを用いることで、脳データから抽出した特徴ベクトルを量子状態に写像し、自己関連性の分類や回帰に応用することが可能です。
ただし、量子カーネルが常に優れているわけではない点には注意が必要です。近年の研究では、量子カーネルは回路の表現力やノイズ、エンタングルメントの設計次第で「カーネル値の集中（concentration）」という現象に陥りやすく、構造化されていない特徴写像では有効なカーネル行列が得られにくいことが指摘されています。逆に、タスク構造に沿った設計や浅い回路、カーネルアラインメントを組み合わせることで、より実用的な挙動が期待できる可能性があります。
公開データセットを用いた比較実験設計
「自己表象」そのものをラベルとして配布している公開データセットは多くありません。そのため、自己顔認知、自己関連評定、自伝的想起、身体自己表象といった代理課題を通じて、自己表象を間接的に捉える設計が現実的です。
fMRIデータセットの選定
fMRIでは、視聴後にsimilarityやlikability、他者の心的状態推定を評定させるタイプのデータセットが、自己関連回帰タスクに適しています。また、自伝的想起・未来想起・他者心的状態推論を含むマルチエコーfMRIデータセットは、自己生成的思考と他者志向的推論を比較する理論検証用データとして活用できます。これらは自己関連処理の神経基盤とされるDMN・内側前頭前野・後部帯状皮質の活動を評価するのに適した設計です。
EEGデータセットの選定
EEGでは、自己顔をターゲットとするRSVP課題のデータが有力候補です。自己顔と非自己顔、ターゲットと非ターゲットという明瞭な条件分けができるため、量子カーネル導入の効果を比較的シンプルに検証しやすいという利点があります。
主解析としては、EEGの自己顔ERPデータで明瞭な二値分類課題を設定しつつ、fMRIデータでは連続的な評定値を回帰問題として扱うという二層構えが妥当です。これにより、量子カーネルが持つ確率的な状態更新の性質を、離散的な分類課題と連続的な回帰課題の両面から検証できます。
前処理と特徴量設計のポイント
fMRIでは、BIDS準拠データをfMRIPrepで前処理し、モーション補正や正規化を行った上で、ROI時系列やパーセル表現を抽出するのが標準的な流れです。マルチエコーデータについては、TE依存性に基づいてBOLD成分と非BOLD成分を分離する手法を用いることで、単一エコーよりノイズに強い特徴抽出が可能になります。
EEGでは、高域通過フィルタ後にICAを適用し、アーチファクトを除去した上でエポック化・ベースライン補正を行うのが一般的です。特徴量は、時系列そのもの、時間周波数表現、そしてチャネル平均やPCAによる空間圧縮表現という三層で整理すると、量子モデルと古典モデルの双方に公平な特徴を供給しやすくなります。
量子カーネルでは特徴次元とqubit数の関係をあらかじめ設計する必要があるため、PCAやICAによる次元削減は単なる高速化ではなく、モデル設計そのものの一部として位置づけることが重要です。
量子カーネルモデルの設計方針
量子カーネルの設計では、「深くしすぎないこと」と「タスク構造を特徴写像に反映させること」が実務上重要なポイントとして挙げられます。具体的には、浅い回路（繰り返し回数1〜3程度）、線形またはリング型のエンタングルメント、学習可能な位相パラメータを基本とする設計が、ノイズやカーネル値の集中といった問題への対策として有効と考えられます。
写像方式としては、主成分を角度・位相エンコーディングする方式、振幅エンコーディングを用いる方式、両者を組み合わせたハイブリッド方式などが考えられます。振幅エンコーディングは高次元特徴を少ないqubit数に圧縮しやすい一方、状態準備の負荷が大きくノイズへの感度も高いため、ハードウェア検証は角度・位相系のモデルを先行させる方が安全です。
古典モデルとの比較評価
量子カーネルの意義を検証するには、強力な古典ベースラインとの比較が欠かせません。ロジスティック回帰や線形SVMといった線形モデルに加え、RBFカーネルSVMやカーネルPCAとの組み合わせ、多層パーセプトロンなど、非線形性を扱える古典モデルを必須の比較対象とすることが望まれます。
評価の観点では、「量子モデルが古典モデルに一様に勝つかどうか」よりも、「同じ特徴量予算のもとで線形モデルを上回れるか」「強力な非線形古典モデルにどこまで迫れるか」「予測精度だけでなく、確率校正や被験者間での汎化性といった二次的な指標に差が出るか」に注目する方が、現実的で意味のある比較軸になります。
評価手法としては、被験者単位のリークを防ぐgroup-awareな交差検証、ハイパーパラメータ探索と評価を分離するnested CV、そしてブートストラップによる信頼区間推定やパーミュテーション検定を組み合わせることで、小規模データにありがちな楽観的バイアスを抑えることができます。指標は、分類ではAccuracy・AUROC・マクロF1・対数損失・校正曲線、回帰ではR²・MAE・RMSEを基本とするのが妥当です。
結果の解釈と研究の限界
想定される結果として最も可能性が高いのは、「量子カーネルは線形モデルより優れる場面があるものの、十分にチューニングされたRBF-SVMや多層パーセプトロンには依然として強みがある」というパターンです。特に比較的サンプル数の多いfMRIデータでは、量子カーネルの優位性が現れるとしても平均的な精度差は小さく、むしろ被験者間の汎化性や予測確率の校正の良さといった側面に表れる可能性があります。一方、比較的小〜中規模でタイミング情報が明瞭なEEG課題では、浅い量子カーネルが線形モデルを上回る余地は十分にあると考えられます。
この研究アプローチの限界として、自己表象という概念自体が自己顔認知・自己評価・自伝的記憶・身体所有感・社会的自己など多面的であり、データセット間でラベルの意味が完全には一致しない点が挙げられます。そのため、量子カーネルによる効果が観測された場合でも、それが自己表象のどの側面に対応するのかは慎重に解釈する必要があります。また、脳データを大きく圧縮してから量子モデルに入力するため、情報の絞り込み自体がモデル性能に影響している可能性も常に考慮すべきです。
まとめと次の研究テーマ
自己表象を対象とした量子カーネルモデルは、「量子が古典に勝つか」という単純な精度競争としてではなく、「文脈依存性や確率的な状態更新をどこまで表現できるか」という観点で評価することが重要です。公開されているfMRI・EEGデータセットを段階的に組み合わせ、古典モデルとの公平な比較設計を行うことで、量子カーネルが持つ理論的な強みと実務上の限界の両方を見極めることができます。
コメント