近年、量子機械学習（QML）は、従来の機械学習と量子技術の急速な進展に伴い、注目を集めています。QMLはラベル付きデータの不足という課題に直面しており、特にそのスケールと複雑さが増すにつれて困難が増します。本研究では、ラベル付きデータへの依存を減少させるために、ラベルなしの例から不変性を学ぶ自己教師ありプリトレーニングの手法を提案します。この手法をプログラム可能なトラップイオン量子コンピュータ上で実装し、画像を量子状態としてエンコードします。ハードウェア上でのコントラストプリトレーニングの結果、ファインチューニングを行うことで、画像ファミリーの分類精度が向上し、回の異常変動も減少します。特に限定されたラベル付きデータでの性能向上が顕著です。本研究は、量子表現学習におけるラベル効率的なアプローチを確立し、量子ネイティブなデータセットに直接関連する成果を示しています。