量子化は、連続的な値や広範囲の値をとりうる情報を、有限個の離散的な値に写像するプロセスである。この操作は、アナログ情報をデジタル形式で表現するための基本的な手法として、情報技術の多様な分野で利用されている。
1.1 量子化の目的
量子化の主な目的は、情報のデジタル表現におけるデータ量の削減と処理効率の向上にある。連続値のデータをそのまま保存・処理することは現実的ではなく、限られたビット数で表現することで、記憶容量の節約や計算速度の向上が図られる。また、量子化によって決定的な数の表現が可能となり、情報の伝送や保存における標準化が容易になる。
1.2 連続値と離散値の変換
連続値は実数全体のように無限の値をとりうるのに対し、離散値はあらかじめ定められた有限集合内の値に限定される。量子化器は入力値を受け取り、それを最も近い代表値（量子化レベル）に置き換える関数として機能する。この変換は、入力範囲を複数の区間に分割し、各区間内のすべての値をその区間を代表する単一の値に置き換えることで実現される。
1.3 量子化誤差
量子化に伴い、元の連続値と量子化後の離散値との間に差が生じる。これを量子化誤差または量子化ノイズと呼ぶ。誤差の大きさは量子化の粒度（量子化レベルの数）に依存し、レベル数が多いほど誤差は小さくなるが、必要なビット数は増加する。量子化誤差は一般に一様分布に従うと見なされ、その分散は量子化ステップ幅の二乗に比例する。
量子化には、扱うデータの次元に応じてスカラー量子化とベクトル量子化の二つの大きな分類がある。
2.1 スカラー量子化
スカラー量子化は、単一のスカラー値（実数）を個別に量子化する最も基本的な手法である。各入力値は独立に扱われ、あらかじめ設定された量子化レベルに写像される。
2.1.1 一様量子化
一様量子化では、入力の全範囲が等間隔の区間に分割される。各区間の幅（ステップサイズ）は一定であり、各代表値は区間の中央値または端点として設定される。実装が単純で計算効率が高いが、入力値の統計的分布を考慮しないため、特定の範囲に値が集中するデータに対しては非効率となる。
2.1.2 非一様量子化
非一様量子化は、入力値の分布に応じて区間幅を変化させる手法である。値の出現頻度が高い範囲では細かく量子化し、頻度が低い範囲では粗く量子化することで、全体的な量子化誤差を低減する。
2.1.2.1 対数量子化
対数量子化は、量子化レベルを対数スケールで配置する手法である。入力値の対数をとった後に一様量子化を適用することに相当し、値のダイナミックレンジが広いデータ（音声信号など）に有効である。
2.1.2.2 適応型量子化
適応型量子化は、入力データの局所的な特性に応じて量子化パラメータを動的に変化させる手法である。信号の統計的性質が時間的に変動する場合に、リアルタイムで最適な量子化を実現する。
2.2 ベクトル量子化
ベクトル量子化は、複数のスカラー値をまとめてベクトルとして扱い、そのベクトル全体を一つの代表ベクトルに写像する手法である。スカラー量子化よりも高い圧縮率が得られる可能性がある。
2.2.1 LBGアルゴリズム
LBG（Linde-Buzo-Gray）アルゴリズムは、ベクトル量子化のコードブックを生成するための代表的な手法である。k平均法と類似した反復最適化プロセスを用いて、訓練データの分布を最もよく表す代表ベクトルの集合を学習する。
2.2.2 コードブック生成
コードブックは、ベクトル量子化において使用される代表ベクトルの集合である。コードブックの品質は量子化性能を直接決定し、その生成にはK平均法や自己組織化マップなどのクラスタリング手法が利用される。コードブックのサイズ（代表ベクトル数）とベクトル次元は、圧縮率と再現品質のトレードオフを決定する主要なパラメータである。
量子化は、アナログ情報のデジタル変換から機械学習モデルの効率化に至るまで、幅広い応用を持つ。
3.1 デジタル信号処理
デジタル信号処理における量子化は、アナログ信号をデジタル化する過程の中核をなす。
3.1.1 音声符号化
音声符号化では、連続的な音圧波形を一定時間間隔でサンプリングし、各サンプル値を離散的な量子化レベルに変換する。電話通信で用いられるμ-lawやA-lawなどの非線形量子化は、人間の聴覚特性に合わせて設計され、少ないビット数で自然な音声品質を維持する。
3.1.2 画像圧縮
画像圧縮では、画素値の量子化が不可欠である。JPEGなどの標準方式では、離散コサイン変換（DCT）により周波数成分に変換した後、人間の視覚特性を考慮した量子化マトリクスを用いて各成分を量子化する。これにより、視覚的な劣化を最小限に抑えながら高い圧縮率を達成する。
3.2 機械学習
機械学習、特に深層学習の分野では、モデルのサイズ削減と推論高速化のために量子化が広く活用されている。
3.2.1 モデル量子化
モデル量子化は、ニューラルネットワークのパラメータや中間表現を低ビット幅の値に変換する技術である。
3.2.1.1 重みの量子化
学習済みモデルの重みを32ビット浮動小数点数から8ビット整数や2値などに縮小する。これによりモデルファイルサイズが大幅に減少し、メモリ使用量が削減される。
3.2.1.2 活性化の量子化
ネットワークの各層における活性化値（中間出力）を量子化することで、推論時の計算を整数演算で行えるようにする。これにより、特別なハードウェアを必要とせずに処理速度が向上する。
3.2.2 量子化対応訓練
量子化の影響をあらかじめ考慮してモデルを訓練する手法である。訓練中に疑似量子化（量子化のシミュレーション）を適用することで、量子化後の精度低下を最小限に抑える。これにより、量子化されたモデルでも元のモデルに近い性能を維持できる。
3.3 通信システム
通信システムでは、アナログ信号をデジタル伝送するための基盤技術として量子化が利用される。
3.3.1 パルス符号変調
パルス符号変調（PCM）は、アナログ信号を一定のサンプリング周波数で標本化し、各サンプル値を量子化して符号化する方式である。CD音質や電話網のデジタル化で標準的に採用されており、量子化ビット数が再生品質を決定する。
3.3.2 差分パルス符号変調
差分パルス符号変調（DPCM）は、現在のサンプル値と前のサンプル値との差分を量子化する方式である。信号の相関が高い場合に効率的であり、隣接サンプル間の変化が小さい音声や画像の圧縮に適している。
量子化技術は実用上多くの利点をもたらす一方で、解決すべき課題も存在する。
4.1 精度と効率のトレードオフ
量子化の最も根本的な課題は、情報の精度と処理効率のバランスである。ビット数を減らすほど記憶容量と計算コストは低下するが、量子化誤差は増大する。用途に応じて最適なビット幅を選択する必要があり、分野ごとに許容される誤差の範囲が異なる。
4.2 量子化ノイズの低減
量子化によって生じるノイズを低減するための様々な手法が研究されている。ディザリング（量子化前に微量のノイズを意図的に加える手法）やノイズシェーピング（誤差を人間の知覚に敏感な周波数帯から遠ざける手法）などが代表的な対策である。
4.3 量子化と量子コンピューティングの関連
用語の類似性から誤解されることがあるが、情報理論における量子化と量子コンピューティングにおける量子ビット（qubit）は直接の関係を持たない。ただし、量子コンピューティングの実用化が進めば、量子状態の測定結果の読み出しやエラー訂正符号の処理において、従来の量子化技術が応用される可能性がある。両者の融合は今後の研究課題である。