1. 【 問題 】

機械学習における総予測誤差の分解において、モデルのアルゴリズムやパラメータ調整によって削減することができず、データ収集時の測定誤差や確率的な変動によって必然的に含まれる誤差を何と呼ぶでしょうか？

① ノイズ（不可避誤差 / Irreducible Error）
② バイアス（偏り / Bias）
③ バリアンス（分散 / Variance）
④ 正則化誤差（Regularization Error）

2. 【 解答 】

3. 整理：機械学習における「総誤差の3大要素」

モデルが予測を外す理由は、以下の「3つの誤差の合計（足し算）」として数式的に分解できます。DS検定・G検定の超頻出概念です！

4. なぜノイズは「削減不可能」なのか？

例えば「気温からアイスクリームの売上を予測するモデル」を作る場合を考えてみましょう。

5. DS検定形式：実戦4択クイズ

問：機械学習モデルの予測誤差に関する記述として、最も適切なものはどれか。

① ノイズ（不可避誤差）は、モデルの複雑さを極限まで高めることで理論上ゼロにすることができる。
② 機械学習の総予測誤差は「バイアス」「バリアンス」「ノイズ（不可避誤差）」の和に分解できる。
③ 測定誤差などのノイズが大きいデータに対して過剰に適合させた状態を「高バイアス状態」と呼ぶ。
④ バイアスとバリアンスを同時にゼロに落とし込むことができれば、ノイズの大きさに関わらず予測精度は100%になる。

【 正解： ② 】

解説： 予測誤差の分解に関する本質を問う問題です。
②が正解です。総誤差 ＝ バイアス ＋ バリアンス ＋ ノイズ と定義されます。
①ノイズはモデルの変更や学習によって削減できません。
③ノイズに過剰適合した状態は「高バリアンス状態（過学習）」です。
④バイアスとバリアンスをゼロにできても、ノイズの分だけ誤差が必ず残ります。

6. まとめ

DS検定や資格試験で「測定誤差」「データのゆらぎ」「削減できない誤差」「不可避誤差（Irreducible Error）」といったフレーズが出たら、正解は「ノイズ」です！ 「バイアス（モデルの限界）」「バリアンス（データのブレ）」「ノイズ（データの限界）」の3セットで完璧にマスターしておきましょう！

1. 【 問題 】

機械学習における予測誤差の構成要素において、異なる訓練データセットを用いてモデルを学習させた際に、モデルの予測値がどれだけ変動（ブレ）するかを表す概念を何と呼ぶでしょうか？

① バリアンス（分散：Variance）
② バイアス（偏り：Bias）
③ 不可避誤差（Irreducible Error）
④ 正則化項（Regularization Term）

2. 【 解答 】

3. 整理：「バイアス」と「バリアンス」の違い（的当ての例え）

機械学習の誤差はよく「ダーツの的当て」に例えられます。この2つの違いを完璧に整理しましょう！

4. 超重要：バイアス・バリアンスのトレードオフ

モデルの複雑さ（表現力）を変えたとき、バイアスとバリアンスは相反する動きを見せます。

5. DS検定形式：実戦4択クイズ

問：機械学習における「バリアンス（分散）」に関する記述として、最も適切なものはどれか。

① バリアンスが高いモデルは、訓練データに含まれるノイズや偶発的な特徴まで過剰に学習してしまっている（過学習状態である）可能性が高い。
② バリアンスとは、モデルの予測値の平均と真の値との間の根本的なズレを表すものであり、モデルの表現力が不足している場合に高くなる。
③ モデルの複雑さを上げれば上げるほど、バイアスとバリアンスの双方を同時にゼロへ近づけることができる。
④ バリアンスを抑えるための手法として、モデルのパラメータ数や決定木の深さを極限まで大きくすることが推奨される。

【 正解： ① 】

解説： バリアンスの性質と過学習との関係を問う問題です。
①が正解です。高バリアンスは訓練データ（のノイズ）に過剰にフィットしている過学習状態を意味します。
②は「バイアス（未学習）」の説明です。
③バイアスとバリアンスはトレードオフの関係にあり、同時にゼロにすることはできません。
④モデルを複雑にするとバリアンスは高くなります。バリアンス（過学習）を抑えるには正則化の導入やモデルの単純化が有効です。

6. まとめ

DS検定や資格試験で「訓練データの違いによる予測のブレ」「過学習状態」「モデルが複雑すぎる」といったキーワードが出たら、正解は「バリアンス」です！ 「バイアス＝未学習（単純すぎる）」「バリアンス＝過学習（複雑すぎる）」という対比構造を頭に叩き込んでおきましょう！

1. 【 問題 】

機械学習の分類問題において、ターゲットとなるクラス間のデータ件数に極端な偏り（例：正常99% vs 不正1%）が存在するデータを何と呼ぶでしょうか？

① 不均衡データ（Imbalanced Data）
② 多項データ（Multinomial Data）
③ 構造化データ（Structured Data）
④ 時系列データ（Time Series Data）

2. 【 解答 】

3. 整理：なぜ危険？「正解率（Accuracy）の罠」

例えば「1,000件中、正常が990件・不正が10件」という不均衡データがあるとします。

4. 不均衡データへの「2大対処法（リサンプリング）」

データの偏りを解消してモデルに正しく学習させるため、以下のデータ調整手法が使われます。

※評価指標についても、正解率（Accuracy）ではなく「適合率（Precision）」「再現率（Recall）」「F1値」「AUC」などを用いて正しくモデルを評価します。

5. DS検定形式：実戦4択クイズ

問：機械学習における「不均衡データ」の扱いに関する記述として、最も適切なものはどれか。

① 不均衡データに対して正解率（Accuracy）を評価指標として用いると、少数クラスを一切予測できないモデルであっても見かけの精度が高く評価されてしまうリスクがある。
② アンダーサンプリングとは、少数クラスのデータを複製・合成することによってデータ件数を増やす手法のことである。
③ 不均衡データを学習させる際は、多数派クラスと少数派クラスの分類ミスに対する「重み（コスト）」を等しく設定するのが鉄則である。
④ オーバーサンプリングを行うと元のデータ数が減るため、モデルの学習時間を短縮させたい場合に用いられる。

【 正解： ① 】

解説： 不均衡データの評価における注意点を問う王道問題です。
①が正解です。正解率（Accuracy）だけに頼るとモデルの欠陥を見落とす危険があります。
②少数クラスを増やすのは「オーバーサンプリング」です。
③少数クラスの分類ミス（見逃し）に大きなペナルティ（重み）を与える「コスト考慮型学習」などが有効です。
④データが増えるため、学習時間は長くなります。データ数を減らして高速化するのは「アンダーサンプリング」です。

6. まとめ

DS検定や資格試験で「クラス間のデータ件数に偏りがある」「正解率（Accuracy）が使えない」「オーバーサンプリング / アンダーサンプリング」「SMOTE」といったキーワードが出たら、正解は「不均衡データ」です！ 実務でも必ず直面するテーマですので、評価指標（F1値やAUC）とセットで確実に押さえておきましょう！

1. 【 問題 】

特徴量選択の手法において、特定の特徴量のサブセット（部分集合）を用いてモデルの学習と評価を反復し、モデルの予測精度が最も高くなる最適な特徴量の組み合わせを探索するアプローチを何と呼ぶでしょうか？

① ラッパー法（Wrapper Method）
② フィルター法（Filter Method）
③ 埋め込み法（Embedded Method）
④ 差分プライバシー（Differential Privacy）

2. 【 解答 】

3. 整理：ラッパー法の代表的な3つのアルゴリズム

ラッパー法では「どのように特徴量を増減させて最適な組み合わせを探すか」によって、いくつかの探索アルゴリズムが存在します。

4. メリットとデメリット（フィルター法との違い）

5. DS検定形式：実戦4択クイズ

問：特徴量選択の手法である「ラッパー法（Wrapper Method）」に関する記述として、最も適切なものはどれか。

① 機械学習モデルの学習を一切使わず、特徴量同士の相関係数や分散などの統計量のみに基づいて不要な特徴量を削る手法である。
② 特徴量の組み合わせを変えながら実際にモデルの学習と評価を何度も繰り返し、最適な組み合わせを探索するため、計算コストが非常に高くなる傾向がある。
③ Lasso回帰のように、モデルの損失関数に正則化項を加えることで、学習プロセスと同時に自動的にパラメータをゼロにする手法である。
④ 既存の特徴量を線形結合することによって、次元数を削減した全く新しい無相関な特徴量を作り出す手法である。

【 正解： ② 】

解説： ラッパー法の特徴と弱点を問う標準問題です。
②が正解です。モデル学習を反復するため高精度になりますが、計算コストが非常に重くなります。
①は「フィルター法（Filter Method）」の説明です。
③は「埋め込み法（Embedded Method）」の説明です。
④は「主成分分析（PCA）」などの特徴抽出（Feature Extraction）の説明です。

6. まとめ

DS検定や資格試験で「モデルの学習と評価を繰り返す」「反復して最適な組み合わせを探す」「ステップワイズ法（前進選択・後退消去）」「RFE」「計算コストが高い」といったフレーズが出たら、正解は「ラッパー法」です！ 「高速だが粗いフィルター法」との対比で覚えておきましょう！

1. 【 問題 】

特徴量選択（Feature Selection）の手法において、機械学習モデルの学習を一切行わず、特徴量と目的変数との相関係数や相互情報量、分散などの統計的な値（重要度）に基づいて特徴量を絞り込むアプローチを何と呼ぶでしょうか？

① フィルター法（Filter Method）
② ラッパー法（Wrapper Method）
③ 埋め込み法（Embedded Method）
④ 主成分分析（PCA）

2. 【 解答 】

3. 整理：特徴量選択の「3大アプローチ」徹底比較

特徴量選択は「どのタイミングで、モデル学習を使うかどうか」によって以下の3種類に大別されます。DS検定・G検定の超頻出エリアです！

4. フィルター法でよく使われる具体的な統計指標

フィルター法では、以下のような統計量を計算して閾値（しきい値）を下回る特徴量を削除します。

5. DS検定形式：実戦4択クイズ

問：機械学習における「フィルター法」を用いた特徴量選択に関する記述として、最も適切なものはどれか。

① 実際にあらゆる機械学習モデルを何度も学習させ、最も検証精度が高かった特徴量の組み合わせを包み込むように選択する手法である。
② モデルの学習を行わずに各特徴量の統計的性質（相関係数など）のみに基づいて選択を行うため、計算量が非常に少なく高速に処理できる。
③ Lasso回帰のように、重みパラメータをゼロに近づける正則化項を損失関数に組み込むことで自動的に選択を行う手法である。
④ 既存の複数の特徴量を合体・変換して、新しい合成特徴量（主成分）を作り出す次元削減手法のことである。

【 正解： ② 】

解説： フィルター法のアプローチ特性を問う問題です。
②が正解です。モデル学習を挟まないため高速である点が最大の強みです。
①は「ラッパー法（Wrapper Method）」の説明です。
③は「埋め込み法（Embedded Method）」の説明です。
④は「主成分分析（PCA）」などの特徴抽出（Feature Extraction）の説明であり、特徴量選択（Feature Selection）とは区別されます。

6. まとめ

DS検定や資格試験で「モデルの学習を行わない」「統計量から選択」「計算速度が速い」「相関係数・分散」といったキーワードが出たら、正解は「フィルター法」です！ ラッパー法・埋め込み法との違い、そして「まずフィルター法で大雑把に削ってから、ラッパー法やモデル学習へ進む」という実務の流れまで整理しておきましょう！

1. 【 問題 】

機械学習のハイパーパラメータチューニングにおいて、これまでに試したパラメータの設定値と得られた精度の履歴をもとに確率モデル（ガウス過程など）を構築し、「次にどのパラメータを試せば最も性能が向上しそうか」を予測しながら効率的に探索を進める手法を何と呼ぶでしょうか？

① ベイズ最適化（Bayesian Optimization）
② グリッドサーチ（Grid Search）
③ ランダムサーチ（Random Search）
④ 勾配降下法（Gradient Descent）

2. 【 解答 】

3. 整理：なぜ「過去の結果から予測」すると効率的なのか？

ベイズ最適化は、過去の探索データを元に「目的関数の形状（どのあたりで精度が高くなるか）」をブラックボックス関数として確率的に推測します。

【 ベイズ最適化の探索ステップ 】

このアプローチにより、「見込みの薄い領域」を何度も無駄に試すことを避けられるため、少ない試行回数で効率よく最適解（最高の精度）に到達できます。

4. 代表的なハイパーパラメータ探索手法の最終比較

DS検定やG検定で問われる3大探索手法の特徴を整理しておきましょう。

5. DS検定形式：実戦4択クイズ

問：ハイパーパラメータの自動探索手法である「ベイズ最適化」に関する記述として、最も適切なものはどれか。

① 探索の途中で過去の試行結果を一切参照せず、常に完全にランダムな値を生成して評価を繰り返す手法である。
② これまでの試行履歴に基づいて代理モデルを構築し、過去の結果から最も性能向上が期待できるパラメータを適応的に選択して探索する。
③ パラメータの候補値をあらかじめ網目状に固定し、そのすべての組み合わせを順番に評価していく手法である。
④ ディープラーニングの重み（パラメータ）を微分の勾配方向に沿って自動で更新していく最適化アルゴリズムである。

【 正解： ② 】

解説： ベイズ最適化の特徴を問う基礎問題です。
②が正解です。過去の履歴を活用して「次に評価すべき有望な地点」を計算します。
①は「ランダムサーチ」の説明（過去の履歴を活用しない）です。
③は「グリッドサーチ」の説明です。
④は「SGDやAdamなどの勾配降下法」の説明であり、ハイパーパラメータ探索ではなくモデル本体の学習処理です。

6. まとめ

DS検定や資格試験で「過去の試行結果・履歴を利用する」「確率モデル」「次に有望なパラメータを予測」「少ない試行で効率的に探索」「Optuna」といったフレーズが出たら、正解は「ベイズ最適化」です！ 前回の「グリッドサーチ」、そして「ランダムサーチ」との違いと合わせて、セットで完璧に整理しておきましょう！

1. 【 問題 】

機械学習において、調整したいハイパーパラメータの候補値をあらかじめ複数指定し、それらすべての組み合わせ（格子状の点）についてモデルを学習・評価して最も制度が高かった組み合わせを選択する探索手法を何と呼ぶでしょうか？

① グリッドサーチ（Grid Search）
② ランダムサーチ（Random Search）
③ ベイズ最適化（Bayesian Optimization）
④ 勾配降下法（Gradient Descent）

2. 【 解答 】

3. 整理：グリッドサーチのイメージとメリット・デメリット

例えば、調整したいパラメータが2つ（パラメータA：3候補、パラメータB：4候補）ある場合、3 × 4 ＝ 合計12通りの全組み合わせを1つずつ順番に試します。

【 ハイパーパラメータ探索手法の比較 】

4. 実務の鉄則：交差検証（Cross Validation）とのセット運用

グリッドサーチを行う際、単に1回評価するだけだと「その分割データにたまたま適したパラメータ（過学習）」を選んでしまうリスクがあります。

そのため実務やScikit-learn等のライブラリでは、「グリッドサーチ ＋ 交差検証（GridSearchCV）」を組み合わせて、各パラメータ組み合わせごとに交差検証の平均精度を算出し、最も汎化性能が高い組み合わせを選ぶのが標準手順となっています。

5. DS検定形式：実戦4択クイズ

問：機械学習のハイパーパラメータ探索手法に関する記述として、最も適切なものはどれか。

① グリッドサーチはパラメータの最適な連続値を微分計算によって代数的に求める手法であるため、試行回数は常に1回で済む。
② パラメータの数や各パラメータの指定候補数が多くなると、グリッドサーチで試すべき組み合わせの数が指数関数的に増加し、計算時間が非常に長くなる。
③ グリッドサーチを行う際は、検証用データ（テストデータ）の精度が最も高くなるパラメータが得られるまで、テストデータを何度も使って検索を繰り返すべきである。
④ ランダムサーチは常にグリッドサーチよりも精度が低くなるため、実務で使われることは一切ない。

【 正解： ② 】

解説： ハイパーパラメータ探索の性質を問う王道問題です。
②が正解です。候補値が増えると全組み合わせの数が爆発的に増えるのがグリッドサーチ最大の弱点です。
①微分で自動更新するのはモデルの重みパラメータ（勾配降下法など）であり、ハイパーパラメータではありません。
③テストデータをパラメータ選定に何度も使うと「テストデータへの過学習（データリーク）」が起きるため、探索には交差検証用の学習・検証データを用います。
④探索範囲が広い場合や連続値の場合は、ランダムサーチの方がグリッドサーチより効率よく良解を見つけられるケースも多いです。

6. まとめ

DS検定やG検定で「あらかじめ指定した候補のすべての組み合わせを試す」「格子状に探索する」「全探索」といったキーワードが出たら、正解は「グリッドサーチ」です！ ランダムサーチやベイズ最適化（Optunaなど）との違い、そして「交差検証（GridSearchCV）とセットで使う」という実務テクニックまであわせて押さえておきましょう！

1. 【 問題 】

通常の畳み込み（Normal Convolution）ではすべての入力チャネルと出力チャネルが全結合のように計算されるのに対し、入力チャネルと出力チャネルをいくつかの「グループ」に分割し、グループ内で独立して畳み込み処理を行うことで、パラメータ数と計算量を削減する手法を何と呼ぶでしょうか？

① グループ畳み込み（Grouped Convolution）
② 点別畳み込み（Pointwise Convolution）
③ 転置畳み込み（Transposed Convolution）
④ 空白畳み込み（Dilated Convolution）

2. 【 解答 】

3. 整理：なぜ計算量とパラメータ数が減るのか？

通常の畳み込みとグループ畳み込みの違いは、「チャネル間の計算をどこまでやるか」です。

【 通常の畳み込み vs グループ畳み込み 】

4. 応用・派生技術：Depthwise Separable Convolution

グループ畳み込みの概念を極限まで押し進めたのが、スマホ用AIの定番モデル「MobileNet」などで使われる超重要技術です。

5. DS検定形式：実戦4択クイズ

问：畳み込みニューラルネットワーク（CNN）における「グループ畳み込み」に関する記述として、最も適切なものはどれか。

① グループ数を増やすほど、モデル全体のパラメータ数と計算量は増加し、推論速度が大幅に低下する。
② 入力チャネルと出力チャネルを複数のグループに分割し、グループをまたぐ計算を無くすことで、パラメータ数と計算量を削減できる。
③ グループ畳み込みは画像解像度を縦横に拡大（アップサンプリング）するための特殊な層であり、軽量化目的では使われない。
④ 1つの画像をRGBの3色グループに分ける操作のことであり、中間層（隠れ層）のチャネルには適用できない。

【 正解： ② 】

解説： グループ畳み込みの基本特徴を問う問題です。
②が正解です。グループに分割して相互の計算を独立させることで効率化します。
①グループ数を増やすと、パラメータ数と計算量は「1 / グループ数」に減少します。
③アップサンプリングに使われるのは「転置畳み込み（Transposed Convolution / Deconvolution）」などです。
④RGB画像だけでなく、中間層の数十〜数千チャネルに対しても自由にグループ分割を適用できます。

6. まとめ

DS検定やG検定で「チャネルをいくつかのグループに分ける」「グループごとに独立して畳み込む」「計算量やパラメータ数を1/Gに減らす」といったキーフレーズが出たら、正解は「グループ畳み込み」です！ さらにグループ数を極限まで増やした「Depthwise Convolution」や「MobileNet」とも深く関連していますので、セットで押さえておきましょう！

1. 【 問題 】

ディープラーニングにおいて、高精度だが巨大で計算コストの大きい「教師モデル（Teacher Model）」の出力や内部表現を学習させることで、性能を極力維持したままパラメータ数が少ない軽量な「生徒モデル（Student Model）」を作成するモデル圧縮手法を何と呼ぶでしょうか？

① 知識蒸留（Knowledge Distillation）
② ファインチューニング（Fine-Tuning）
③ 転移学習（Transfer Learning）
④ 量子化（Quantization）

2. 【 解答 】

3. 整理：なぜ単に正解ラベルを学ばせるより賢くなるのか？

知識蒸留では、生徒モデルは「単なる正解データ（0か1か）」ではなく、「教師モデルが出した予測確率のニュアンス（暗黙知）」までまるごと学習します。

【 知識蒸留の学習イメージ（例：画像分類） 】

4. 試験・実務でよく出る「モデル軽量化テクニック」一覧

DS検定やG検定では、知識蒸留と並んで以下のモデル圧縮技術との違いがよく問われます。

5. DS検定形式：実戦4択クイズ

問：ディープラーニングモデルの圧縮・軽量化手法である「知識蒸留（Knowledge Distillation）」に関する記述として、最も適切なものはどれか。

① 知識蒸留を行うと、生徒モデルのパラメータ数が教師モデルよりも大幅に増加するため、学習にはより高性能な環境が必要となる。
② 知識蒸留では、教師モデルが出力する確率分布などの情報（ソフトラベル）を生徒モデルの目標として利用することで、モデルの小型化と高精度化を両立する。
③ 知識蒸留とは、モデルの重みパラメータのビット数を減らすことで計算精度を落とし、動作速度を向上させる手法である。
④ 知識蒸留は、正解ラベルが存在しない完全な「教師なし学習」のアルゴリズムであり、教師モデルという概念は存在しない。

【 正解： ② 】

解説： 知識蒸留の正しい定義を問う問題です。
②が正解です。教師モデルの出力（ソフトな確率値）を目標にして生徒モデルを鍛えます。
①生徒モデル（Student）は教師モデル（Teacher）よりもパラメータ数が「少ない（小さい）」モデルです。
③は「量子化（Quantization）」の説明です。
④教師モデルの出力を目標として学習するため、「教師あり（または自己教師あり）」の枠組みとなります。

6. まとめ

DS検定やAI関連の資格試験で、「巨大なモデルから小さなモデルへ知識を移転」「教師モデルと生徒モデル」「モデルの軽量化・高速化」といったキーワードが出たら、迷わず「知識蒸留」を選びましょう！ 実務でもスマホ端末での推論やレスポンス改善に欠かせない必須技術ですので、セットで押さえておきましょう！

量子ビットを増やすと、一度に扱える状態の数が爆発的に増えるのが量子コンピュータのすごいところです。実際にコードを書いて、どのような結果になるか確かめてみます。

1. サンプルコード

3つの量子ビットと3つの古典ビットを準備し、すべての量子ビットにHゲートをかけてから一斉に測定するコードです。

from qiskit import QuantumCircuit
from qiskit.providers.basic_provider import BasicSimulator

# 3量子ビット、3古典ビットを準備
qc = QuantumCircuit(3, 3)

# すべての量子ビット（0, 1, 2番目）にHゲートを適用して「確率の波」にする
qc.h(0)
qc.h(1)
qc.h(2)

# それぞれの量子ビットを測定し、対応する古典ビットに保存
qc.measure([0, 1, 2], [0, 1, 2])

# 回路図をテキスト形式で出力
print("--- 回路図 ---")
print(qc.draw(output='text'))

# シミュレータで1000回実行
simulator = BasicSimulator()
result = simulator.run(qc, shots=1000).result()
counts = result.get_counts()

print("\n--- 実行結果 ---")
print(f"実行結果: {counts}")

2. 実行結果と回路図

上記のコードを実行すると、次のような回路図と結果が得られます。

--- 回路図 ---
     ┌───┐┌─┐       
q_0: ┤ H 　 ├┤ M├──────
     ├───┤└╥--┌-┐    


q_1: ┤ H    ├─╫--┤M├───


    ├───┤  ║  └╥┘┌-┐
q_2: ┤ H    ├─╫──╫─┤M├
     └───┘  ║    ║  └╥┘
c: 3/══════╩══╩══╩═
           0  1  2 

--- 実行結果 ---
実行結果: {'100': 123, '111': 125, '001': 132, '010': 131, '110': 133, '011': 125, '000': 96, '101': 135}

3. 解説：3ビットで「8通り」の重ね合わせが誕生！

実行結果を見ると、000 から 111 まで、3ビットで表現できる全8パターン（000, 001, 010, 011, 100, 101, 110, 111）が、それぞれ約125回ずつ（均等に約12.5%の確率で）出現していることが分かります。

• 独立した確率の波：それぞれの量子ビットにHゲートをかけることで、個別に「0か1か分からない波」になり、全体として 2^3 = 8 通りの組み合わせの波が同時に存在している状態になります。
• 測定による一瞬の収縮：測定（Measure）を行った瞬間、広がっていた8通りの確率の波がガツンと収縮し、どれか1つのパターン（例：100 や 111 など）にピシッと決まります。これを1000回繰り返したため、8つの結果が綺麗に分散して現れました。

まとめ

今回は3つの量子ビットをすべて重ね合わせにする実験を行いました。たった3ビット増やすだけで、一気に8通りものパラレルな世界を作り出すことができました。量子ビットを増やしていくと、さらに面白い現象（量子もつれなど）が顔を出してきます。Qiskitを使った実験、本当にワクワクしますね！