科学・研究 - chinng-lab AI実験室

ポリシリコンに15%関税と最低輸入価格——米国が突いた半導体と太陽光の共通急所

米国が2026年8月6日、ポリシリコンと派生製品に15%の追加関税と最低輸入価格を課す布告に署名した。発効は12月4日。半導体ウエハーと太陽光パネルという二つの産業が同じ原料でつながっていることを、通商政策が改めて可視化した。制度の中身と日本への波及経路を整理する。

科学・研究

D-Waveの量子エラー訂正ブレイクスルー：デュアルレール量子ビットが切り拓く実用量子コンピューティングへの道

はじめに — 読者の痛みを共感し、解決を約束「量子コンピューターはいつ実用化されるの？」この問いを、私たちは何度も耳にしてきた。何年も前から「あと10年」「あと20年」と言われ続け、結局いつになるのか分からない——そんな徒労感を抱えていないだろうか。 2026年8月、その答えが大きく変わった。 D-Wave Quantum Inc.がNature誌（査読付き）で発表した量子エラー訂正のブレイクスルーが、実用量子コンピューティングのタイムラインを根底から書き換える可能性を示したのだ。最大の障壁は「エラー訂正のコスト」にあった実用量子コンピュータの開発を阻んできた最大の壁は、エラー訂正のコストだ。量子ビットは極めて壊れやすく、わずかなノイズで計算結果が崩壊する。これを防ぐため、従来は1つの信頼できる「論理量子ビット」を作るために1,000〜10,000個の物理量子ビットが必要とされてきた。この「力任せ」のアプローチでは、実用的な計算を行うのに数百万個の物理量子ビットが必要になる。現在の最大規模システムでも1,000個程度にとどまっており、あまりに遠い目標だった。

科学・研究

宇宙デブリ除去が動き出す——ClearSpace-1とAstroscaleが開く軌道クリーンアップ産業の未来

はじめに——軌道上の「見えないゴミ」問題朝起きてスマートフォンで天気予報を確認する。カーナビで目的地までのルートを検索する。海外のニュースをリアルタイムで読む。これらは当たり前の日常だが、すべて「上空数百キロメートルの宇宙空間に浮かぶ人工衛星」に支えられている。しかし、その宇宙空間は今、かつてないほど混雑している。 2026年2月時点で、地球の軌道上には29,790個の追跡対象物が存在する。そのうち活動中の衛星は8,377個。残りの約21,000個は——死んだ衛星、使い捨てられたロケットの上部段、衝突や爆発で生まれた断片——つまり「宇宙のゴミ（スペースデブリ）」だ。さらに恐ろしいのは、追跡できない小さなデブリだ。10cm未満の破片は約1億個、1cm未満は約1億3,000万個と推定されている。これらは地上のレーダーでは見えないが、秒速7〜15kmで飛び交う凶器だ。1cmのアルミニウム片が10km/sで衝突したときのエネルギーは、10階建てのビルからボウリング球を落とした運動量に匹敵する。この記事では、宇宙デブリ問題の現状から、ClearSpace-1（ESA）やELSA

科学・研究

ペロブスカイト太陽電池35.5%——世界記録と日本の「フィルム型」戦略

中国LONGiが結晶シリコン・ペロブスカイトタンデム太陽電池で変換効率35.5%を達成し、ESTI認証で世界記録を更新。シリコン単独の理論限界29%を超える数字です。同じ週にQcellsがタンデムで初のIEC認証を取得し、技術は研究室から量産へ。一方、日本は効率競争ではなく「フィルム型」という別の勝ち筋に4.1兆円を賭けています。

AI・テクノロジー

HALO: A Layered Defense Architecture for Zero Hallucination in LLMs

Abstractの要約 HALOは、言語モデルの幻覚を抑制するための層状防御アーキテクチャである。複数の検証・根拠付けの層を組み合わせることで、出力の信頼性とトレーサビリティを高め、不可知性の高いケースでの不確実性を適切に扱えるよう設計されている。第一層はデータのグラウンディングとリトリーブを担当し、外部情報源から根拠を引き出して出力と紐づける。第二層は事実検証と整合性チェックを行い、推論経路と結論の整合性を検証する。第三層は出力の自己検証と制御を実装し、過信を抑制する仕組みを提供する。第四層にはユーザーフィードバックと知識更新を取り込み、知識ベースの鮮度と正確性を保つ。これらの層を通じて、出力が根拠付きであることを担保し、信頼性の高い回答を提供することを目標とする。計画的な設計と評価設計に基づく実装は、医療や法務など高信頼性が求められる領域での適用性を拡張する可能性を示唆する。背景と関連研究近年、RAG（Retrieval-Augmented Generation）とファクトチェックの組み合わせは、幻覚を抑制する有力なアプローチとして定着している。検索で取り出した根拠を出

科学・研究

Planning for Cooler Cities: A Multimodal AI Framework for Predicting and Mitigating Urban Heat Stress through Urban Landscape Transformation

1. 背景と動機都市部では夏季の熱波や高温現象が住環境の快適性や健康リスクに直結しており、熱ストレスの緩和は都市設計の核心課題となっている。人口集中と気候変動の組み合わせにより、微細な地表条件や樹木の配置が日内の温度分布に大きく影響するため、空間解像度の高いデータと機敏な分析手法が不可欠である。従来手法として用いられてきたSOLWEIGやENVI-metは、熱挙動を再現するうえで有用だが、計算コストが高く、都市全体をカバーできる解像度には限界がある。特に1m級の解像度を達成して現実の都市設計に応用するには、データ統合と処理速度の向上が求められる。これが本研究の動機の一つとなっている。本研究の貢献点としては、都市景観変換を介して熱ストレスを予測・緩和するマルチモーダルAIフレームワークの要点を提示する点が挙げられる。第一に、1m解像度を前提にしたデータ統合とFiLM条件付けの活用により、微細空間での予測精度と柔軟性を両立させる。第二に、SOLWEIG由来のUTCIマップを基盤として、さまざまなシナリオの比較分析を可能にする。第三に、都市計画への応用可能性を示すとともに、今後の

科学・研究

Enhancing Small Language Models Reasoning through Knowledge Graph Grounding

はじめに知識グラフ groundingとは、外部知識グラフの情報を根拠として小規模言語モデルの推論を支援する手法である。モデルが内部に保持する知識だけでは検証が難しい事実や結論の整合性を、グラフ上の関係性とエビデンスとして参照可能にする点が特徴だ。例えば、エンティティ同士の結びつき、階層構造、時系列的な関係性を推論過程に組み込むことで、出力の信頼性と解釈性を高め、根拠を可視化しやすくする。本論文の目的は、小規模LMの推論信頼性と解釈性を高めるための、知識グラフ grounding 推論の設計と評価を示すことである。提案手法の全体像、実験設計、実務的応用、関連研究との位置づけを整理し、現場での活用に向けた指針を提示する。本稿では、以下の三点を軸に展開する。第一に、外部グラフから関連ノードを検索・抽出し、LMに根拠を提供して推論を導くアーキテクチャの要点。第二に、推論の正確性と根拠の整合性を評価する実験設計と評価指標。第三に、実務での適用に向けたデータ連携や運用上の留意点を整理する。背景と課題小規模言語モデルは、データ量や計算資源の制約のため、推論の正確さ・一貫性・解

科学・研究

大規模言語モデル基盤エージェントの評価に関する総説

はじめに近年、LLMを組み込んだエージェントの実装と適用が急速に広がっている。推論だけでなく、観察・計画・実行を統合するエージェントの評価は従来のタスク別指標だけでは捉えきれない複雑さを伴う。評価の公平性・再現性を確保しつつ、現実世界のタスクでのパフォーマンスを正しく予測する統一的な枠組みが求められている。何をもって"良い"エージェントとするか――透明性の高い設計と多様なタスク間の比較が鍵だ。本論は、LLMベースのエージェントの評価手法を網羅的に整理し、評価ベンチマーク・指標・方法論を統合的に解説する。再現性と透明性を重視した設計原理を提示し、実験デザインの要点を整理する。選択論文 A Survey on the Evaluation of Large Language Model-based Agents（arXiv: 2507.11805）を起点に、ベンチマークのカテゴリと評価指標の関係性を体系化する。読者が即実務に落とせる視点として、ベンチマーク設計の留意点・指標の組み合わせ方・評価プロトコルの透明化を提案する。技術用語は背景と根拠を短く示し、数値的な目安や実践例を交

科学・研究

利根川進さん死去〜日本人初のノーベル生理学・医学賞受賞者が遺したもの

はじめに — 巨星の逝去 2026年7月11日、日本人として初めてノーベル生理学・医学賞を受賞した利根川進（とねがわすすむ）さんが、86歳でこの世を去りました。 MIT（マサチューセッツ工科大学）教授として半世紀以上にわたり世界の科学最前線で活躍した利根川さん。その最大の功績は、「抗体の多様性はどのように生まれるのか」という免疫学の最大の謎を解き明かしたことです。この発見は、1987年のノーベル生理学・医学賞（単独受賞）につながり、現代免疫学の基盤となりました。この記事では、利根川進さんの生涯、ノーベル賞をもたらした画期的な発見、そしてそれが現代医療にどう生きているのかをわかりやすく解説します。利根川進さんの生涯 — 名古屋から世界の研究舞台へ名古屋で生まれ、京都で化学を学ぶ利根川進さんは1939年、名古屋市に生まれました。京都大学理学部化学科に進学し、1963年に卒業。京都大学大学院に進みましたが、当時まだ日本では黎明期だった分子生物学を深く学ぶため、アメリカ・カリフォルニア大学サンディエゴ校（UCSD）に渡りました。1968年、同校で博士号を取得しています

科学・研究

GRID（Grammar-Railed Decoding for Enterprise SQL）とは？エンタープライズSQL生成の信頼性を高める文法ベースデコード手法を徹底解説

はじめに：GRIDとは何か GRID (Grammar-Railed Decoding) は、エンタープライズ環境におけるSQL生成の信頼性を高めるためのデコード制約手法です。基本思想は、生成プロセスを文法ルールの枠組みで縛りつつ、企業固有の方言・拡張・セキュリティポリシーを組み込み、意味的一貫性をグラフ知識ベースで支える点にあります。これにより、従来の自由生成ベース手法で起きがちな構文エラーや意味不整合を低減し、運用現場で安全に使えるSQLを供給します。要点 * 文法規則セット: 標準SQL＋エンタープライズ拡張・方言・セキュリティ制約を統合 * デコード時の適合性検証: 構文適合性を第一優先に評価 * 意味的整合性チェック: データ辞書・スキーマ参照を用いる * GraphRAG の活用: 知識グラフを補助情報として連携 * 学習/推論フェーズ: 微調整とプロンプト戦略の組み合わせ可能性アーキテクチャとワークフローの概要 GRIDデコーダがユーザー要求を受け取り、文法適用→SQL候補生成→構文・意味検査を経て、最終出力を返します。下記のMermaid図は

科学・研究

ANCHOR: Automatic CLI Agent Hardening through Offense-based Auditing and Remediation

1. ANCHOR とは何か: 問題設定と動機 ANCHOR は Automatic CLI Agent Hardening through Offense-based Auditing and Remediation の頭文字を取った自動化フレームワークです。CLI エージェントのセキュリティを強化することを目的に、攻撃者視点の監査（Offense-based Auditing）と自動修復（Remediation）を統合します。 CLI エージェントは開発者の生産性を高める一方で、コマンド実行や権限管理の不備から脆弱性を露出しやすい対象です。制御不能な実行や機密情報の露出といったリスクは、運用の信頼性を大きく損ないます。近年、CLI ベースの自動化は DevOps やデータ処理の中核になりましたが、入力の検証不足、危険な権限の過剰付与、秘密情報の露出、依存モジュールの脆弱性など、多様な攻撃経路が日々発生しています。従来は検出中心で対応が分断されがちであり、是正の自動化が不足しているのが現状です。本研究の狙いは、検知と是正を一体化し、攻撃の成否に応じて即座に防御を適用する流れを

科学・研究

Graph-Augmented Tree SearchとLayered World ModelsによるLLMエージェントの計画能力向上

はじめに Graph-Augmented Tree Search は、強化学習と探索木を統合する手法です。高次元の状態空間に対して、探索木の分岐を現実的な範囲に絞りつつ、方策の改善を継続的に行います。従来の強化学習は価値の近似と反復更新に依存しますが、探索木の構造を併用することで、未知の分岐を事前評価し、失敗を最小化します。次に、Layered World Models は環境を階層的に表現して長期計画の安定性を高める設計思想です。低レベルの動作と高レベルの戦略を分離することで、学習データの再利用性と計画の長距離展開を両立します。 LightRAG/GraphRAG の活用は、エージェントが関連する世界知識を動的に取得・更新する仕組みを提供します。内部知識と外部情報を橋渡しすることで、推論の現実性と適応性を高めます。SearXNG検索を組み合わせることで、論文の背景技術・先行研究・実装例・コミュニティの反応を補足情報として参照でき、研究の全体像を把握しやすくします。この導入では、現実世界のタスクでの適用が最も期待される点を挙げます。ロボティクス、ゲームAI、自動運転など、ダイナ

科学・研究

アイデアにもゲノムがある：AIは科学の系譜を理解できるか？——IdeaGene-Benchが暴くLLMの創造性の限界

1. はじめに本論では、科学の進歩をアイデアの系譜として捉え、継承と進化を定量的に評価する新しい指標の必要性を提案します。アイデアは単なる論文の断片ではなく、過去の知識から派生し、検証と改良を経て次世代へと受け継がれます。IdeaGeneフレームワークの核心は、Idea GenomeオブジェクトとGenomeDiff、そして六つの進化ダイナミクスです。これらはアイデアの継承・変異・組換え・外部取り込み・新規挿入といった連鎖を再現する設計思想に基づきます。IG-Benchはこの枠組みを実証するデータセットとして機能し、1,961本の黄金系譜 traces、1,085のIdea Genome、920のGenomeDiffを含みます。これにより、系譜推論の研究・評価を体系化でき、研究計画や論文生成の設計にも直結します。GEO対策として、用語の定義・数値・具体例を明示し、段落ごとに独立した意味を持たせることで、検索エンジンにも適合する可読性を確保します。 2. IdeaGeneフレームワークの技術解説 IdeaGeneフレームワークは、科学論文のアイデアを検証可能な最小単位へ分解し、

科学・研究

「The Illusion of Equivalency」が暴く量子化の幻想：LLMの挙動変化を統計的に評価する

はじめに量子化はLLMのデプロイコストを抑え、家庭用サーバーや現場環境での実運用を可能にします。しかし、ビット幅を落とすほど、精度指標だけでは捉えきれない挙動変化が生じることがあります。本研究の要点は、従来の正解率に加え Correctness Agreement という新しい評価指標を導入し、元モデルと量子化モデルの予測がどの程度重なるかを定量的に評価する点にあります。8-bit から 2-bit への量子化を横断的に検証すると、タスク完遂性が保たれていても内部挙動が分岐するケースが見つかりました。この分岐は attention 重みの構造的変化として現れ、特に Query と Key の Projection が Value/Output より敏感であることが統計的に示されています。実務的には、ローカル環境での評価フローを見直し、Accuracy だけでなく Correctness Agreement を組み込んだ判断プロセスを導入することが推奨されます。以下は本稿の要旨を反映した図解と要点です。 graph TD A[Base LLM] --> B[量子化モデル

科学・研究

AGIとASIの違いとは？2026年6月DeepMind論文が示す人工超知能への道筋

導入「AGI」と「ASI」という言葉を、同じ意味で使ってしまっていないだろうか。生成AIの進化が加速する中、両者を混同したまま議論が交わされる場面は少なくない。だが実際には、この二つは「人間と対等」なのか「人間を凌駕」するのかという、決定的に異なる次元の概念だ。折しも2026年6月、Google DeepMindの研究チームがAGIからASIへの移行経路を体系的に分析した報告書「From AGI to ASI」を公開し、この議論に新たな理論的基盤を与えた。本稿では両者の定義の違いと、最新の研究が描く未来像を整理する。背景：ANI・AGI・ASIという3段階モデル AI技術の発展段階を語る際、しばしば「ANI→AGI→ASI」という3段階のモデルが用いられる。ANI（Artificial Narrow Intelligence／特化型人工知能）は、画像認識や翻訳、レコメンデーションなど特定のタスクに特化したAIで、現在世の中に普及しているAIシステムのほぼすべてがこれに該当する。従来型のAIは一つのプログラムやアルゴリズムで動作しており、活動範囲が限定的だ。これに対しAG

科学・研究

量子コンピューティングは「トランジスタ・モーメント」を迎えた — 2026年のブレイクスルーが変える計算の地図

はじめに — 「あと数十年」と言われていた技術が、突然「あと数年」になった 2026年、量子コンピューティングの世界で地殻変動が起きた。それまで「実用化はあと数十年先」と信じられていたこの技術が、突如として「あと数年」という射程に入ってきたのだ。その転換点をもたらしたのは、Harvard大学Mikhail Lukin教授の研究チームによる、448個の中性ルビジウム原子を使った耐障害性量子計算の実証だった（Nature誌2025年11月号掲載）。この単一の実験が、産業全体のロードマップを10年以上前倒しにした。「トランジスタ・モーメント」とは何か 1947年12月、Bell研究所で世界初のトランジスタが発明された。当時、ほとんどの人はその重要性を理解していなかった。真空管を置き換える「小さなスイッチ」に過ぎない — そう見えたからだ。しかし、この発明が半導体革命を引き起こし、現代のあらゆるデジタル技術の基盤となった。量子コンピューティングは今、まさにこの「トランジスタ・モーメント」を迎えている。単なる実験室の成果ではなく、産業化への明確な道筋が見え始めた瞬間だ。IBMは

科学・研究

When Does In-Context Search Help? A Sampling-Complexity Theory of Reflection-Driven Reasoning

背景と目的大規模言語モデル（LLMs）は、複雑な推論タスクにおいて長い推論経路を要するケースが多い一方で、文脈の取り扱い次第で初期仮説の正確さが大きく揺れる。文脈内検索（In-context search）は、推論過程の途中で外部情報を参照し、得られた情報を自分の解答と照合・修正する手法である。本稿の背景と目的は、こうした動機を明確に示し、推論の難しさを定量化する枠組みを提示することにある。 * In-context search（文脈内検索）とは、推論の過程で外部知識や検索結果を取り込み、回答の精度を改善する手法である。 * 反射的推論（self-reflection）と組み合わせることで、初期仮説の誤りを早期に検出・修正し、サンプリングの効率を高める可能性がある。 * この動機は、ゼロショットでの難問に対して、逐次試行回数を過剰に増やさずとも成功確率を高められる点にある。 * ただし、検索コストの増大、文脈ノイズ、過剰適合のリスクなどの課題もあり、理論と実装のバランスを取ることが重要である。ここで、In-context searchと反射的推論の基本的な関係性を図

科学・研究

量子とAIが融合する新次元：欧州「LUMI AI Factory」が超伝導量子コンピュータ「LUMI-IQ」を導入する意義と未来

1. 導入：計算機科学の新たな地平を開く「ハイブリッド計算」の幕開け 2026年7月8日（現地時間）、フィンランドのエスポーにおいて、欧州のテクノロジーと研究の未来を決定づける極めて重要な発表が行われました。欧州高性能計算共同事業（EuroHPC JU）の主導のもと、フィンランドの科学ITセンター（CSC - IT Center for Science）がコーディネートする「LUMI AI Factory」が、欧州を代表する量子コンピュータメーカーであるIQM Quantum Computers（以下、IQM社）を選定し、同社の極めて先進的な超伝導量子コンピュータ「IQM Halocene H4」を導入することを正式に決定したのです。この新システムは「LUMI-IQ」と命名され、初期納入段階においてすでに150量子ビット（qubits）という驚異的な規模を誇る超伝導量子コンピュータとして稼働する予定です。さらに、単に量子計算を行うだけでなく、世界で最もクリーンでエネルギー効率に優れたスーパーコンピュータの一つである「LUMI」と密結合され、高性能計算（HPC）、人工知能（

科学・研究

Transformers converge to invariant algorithmic cores

はじめに本研究は、小型の Transformer がアルゴリズム的タスクを学習する際の学習ダイナミクスを系統的に観察し、共通する不変的な計算プリミティブを特定することを目的とする。実験では、さまざまなアルゴリズム課題に対して Transformer をトレーニングすると、タスク間やアーキテクチャ間を超えて再利用可能な「アルゴリズムコア」が現れることを確認した。これらのコアは複数の seeds に対して一貫して現れ、層の深さや注意機構の変更といった構造的差異にも頑健である。コアは個別の操作の集合として捉えられ、組み合わせることで新規タスクを解くことができる。これは grokking や文脈内学習の理解に新たな指針を与え、モデルが学習するアルゴリズムを抽出できる可能性を開く。研究は、生成モデル設計やAIの解釈性を高める具体的な示唆を提供する。以下の節では、問題設定と背景を整理し、コアの本質と再利用性がどのように現れるかを概説する。 graph TD Transformer[Transformer] --> Tasks[Algorithmic Tasks] Tasks -->

科学・研究

What Drives Interactive Improvement from Feedback? — 論文解説

本記事では、arXiv:2606.30774 に掲載された論文「What Drives Interactive Improvement from Feedback?」をもとに、自然言語フィードバックが対話型エージェントの改善に与える影響を詳しく解説します。LightRAG によるナレッジグラフの取得状況や SearXNG での補足情報もあわせて整理します。 1. 論文の概要（結論）本論文は、自然言語によるフィードバックが、単なる反復回帰だけでは到達し得ない改善を引き起こすかを検証します。多回対話型エージェントを対象に、外部フィードバック（External Feedback）、自己フィードバック（Self-Feedback）、Unguided Self-Refinement の3つの設定を比較し、長期的な改善がフィードバックの有無だけでは説明できないケースが多いことを示します。中心的な発見は、フィードバックの有無よりも、学習者が受け取った指示をどう活用して行動を改善できるか、すなわち「学習者の活用能力」が改善の主因であるという点です。外部教師が強力な影響を持つのは限定的で、教

科学・研究

ToE: Tree of Evidence Verifier for Long Output Truthfulness 〜長文出力の真偽検証を支える証拠木〜

論文情報の要約本記事で紹介する論文は、arXiv:2606.19765v1「ToE: Tree of Evidence Verifier for Long Output Truthfulness」です。著者リストは論文本文に記載されていますが、本稿では研究の全体像と要点を分かりやすく解説します。分野は自然言語処理、機械学習、AI倫理、検証系にまたがり、長文出力の真偽検証を主眼としています。要点として、Evidence を木構造として管理し、主張と根拠を連結するTree of Evidence（ToE）を構築する点が挙げられます。これにより自動化された検証と説明可能性を両立させ、段階的な検証と再現性を実現します。論文は検証アルゴリズムと評価指標を提案し、現実の長文出力の信頼性向上に寄与することを目指します。 graph TD A[主張] --> B[根拠] B --> C[データ/出典] 1. 背景と動機

科学・研究

The Capability Frontier: Benchmarks Miss 82% of Model Performance

はじめに：ベンチマークの限界と「見えない82%」近年、AIモデルの能力評価は多くの場でベンチマークに依存している。しかし従来の評価は、実世界の複雑さと多様性を十分に再現できていない。タスクが限定され、データの分布が固定されるため、文脈理解・長期的推論・創造性・適応性といった能力の一部しか測れず、真の性能を見誤るリスクが高まる。これを「見えない82%」と比喩的に表現する論点は、ベンチマークが全体像を欠くことを示している。本記事では、能力 frontier の考え方を軸に、評価設計を見直すべき理由を論じる。GEO（Generative Engine Optimization）を前提とした評価は、指標の多様化、長期的文脈の扱い、実務環境での再現性を重視する。章を追うごとに、研究設計の要点、データセット・メトリクスの設計、再現性の確保、そして企業現場へ適用する際の実務的ヒントを具体例とともに示す。最終的には、単一の数値ではなく、複数の指標を組み合わせた総合評価によって、モデルの実世界適用性を高める道を提案する。論文の概要：Capability Frontierとは何か本論

科学・研究

「Qデイ」へのカウントダウン――トランプ政権の量子2大統領令が告げる、暗号の総入れ替え時代

リード ―― 2030年、いまの暗号が「過去のもの」になる私たちが当たり前のように使っているインターネットの安全は、突き詰めれば「ある種の計算は、現実的な時間では解けない」という前提の上に成り立っている。ネットバンキングの通信も、スマートフォンのアプリ署名も、国家機密のやり取りも、すべて「桁の大きな数の素因数分解は事実上不可能」といった数学的な硬さに守られてきた。だが、その前提を根底から覆しかねない技術が、いよいよ政策の最前線に躍り出た。量子コンピュータである。 2026年6月22日（日本時間6月23日）、トランプ米大統領は量子技術をめぐる2本の大統領令に署名した。1本は量子コンピュータ開発そのものを国家戦略として加速させるもの、もう1本は量子コンピュータによる暗号解読の脅威に備え、連邦政府のシステムを「耐量子計算機暗号（PQC）」へ移行させる期限を明示するものだ。研究開発の支援にとどまらず、国家が「いつまでに何を入れ替えるか」という納期を切ったことに、この発表の歴史的な意味がある。本稿では、この2大統領令が何を狙い、世界とビジネス、そして私たち一人ひとりに何をもたらすのかを多角

科学・研究

Narration-of-Thought (NoT) Prompting: Multi-Phase Procedural Knowledge Elicitation

はじめに本論文「Narration-of-Thought (NoT) Prompting: Multi-Phase Procedural Knowledge Elicitation」（著者: Yiming Wang ほか、arXiv:2506.17740v1）は、人工知能が複雑な手続き的推論をどう扱うべきかという核心に挑むものです。NoT の狙いは、AIに内在する手続き的知識（暗黙知）を外部化し、推論の各フェーズを自然言語の「語り（ナレーション）」として段階的に組織化することです。これにより、従来の推論支援手法の限界を超え、再現性と解釈性の向上を目指しています。従来の Chain-of-Thought (CoT) や Tree-of-Thought (ToT) は推論の説明を促す点で有効ですが、長大で複雑な推論パスでは再現性が揺れやすいという課題がありました。対して NoT は、複数のフェーズを「物語的な語り」として展開させる設計であり、推論パスの分節化と検証を自然言語の連鎖として扱えます。フェーズ間の伝搬を明示することで、暗黙知を露出させつつ過剰な自信の蓄積を抑制する効果も期

科学・研究

The Geometry Behind Diffusion and Flow Matching — 拡散モデルとフローマッチングの幾何学

はじめに拡散モデルと Flow Matching の幾何学的解釈を軸に、生成モデルの基礎と現代的な課題を解説します。拡散モデルは、データに対してノイズを順次付加し、最後にノイズだけの状態から元データを再構成する逆過程を学習する手法です。画像・音声・科学データなど多様な領域で実用化が進んでおり、近年ではサンプル品質と生成速度の両立が重要なテーマとなっています。 Flow Matching は、データ分布間の連続的な変換を「流れ」として表現するアプローチで、従来の拡散過程の学習方法と組み合わせることで、パラメータの効率化や訓練安定性の改善が期待されています。幾何学的解釈を導入することで、測地線や空間距離に基づく最適化問題として拡散過程を捉え、理解しやすさと再現性を高める設計が可能になります。具体的には、生成過程の段階を通じて「どのような幾何的構造」が現れるのか、流れの連続性をどう保つかといった問いに答えることで、実世界データへの適用時にも信頼性の高い生成が期待できます。評価指標としては、生成品質（PSNR/LPIPS の相関、FID の動作など）、多様性、推論の計算コストの三点を