論文の概要: When Does Adaptation Win? Scaling Laws for Meta-Learning in Quantum Control

• arxiv url: http://arxiv.org/abs/2601.18973v3
• Date: Wed, 04 Feb 2026 00:14:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 15:07:33.511856
• Title: When Does Adaptation Win? Scaling Laws for Meta-Learning in Quantum Control
• Title（参考訳）: 適応はいつ勝つか : 量子制御におけるメタラーニングのスケーリング法則
• Authors: Nima Leclerc, Chris Miller, Nicholas Brawand,
• Abstract要約: 量子ハードウェアは、固有のデバイスの不均一性と環境ドリフトに悩まされている。 メタラーニングのスケーリング法則を導出し、適応の利得が勾配のステップとともに指数関数的に飽和することを示す。 古典的線形四元数制御のさらなる検証は、これらの法則が量子特異物理学よりも一般的な最適化幾何学から現れることを確認している。
• 参考スコア（独自算出の注目度）: 0.41998444721319217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum hardware suffers from intrinsic device heterogeneity and environmental drift, forcing practitioners to choose between suboptimal non-adaptive controllers or costly per-device recalibration. We derive a scaling law lower bound for meta-learning showing that the adaptation gain (expected fidelity improvement from task-specific gradient steps) saturates exponentially with gradient steps and scales linearly with task variance, providing a quantitative criterion for when adaptation justifies its overhead. Validation on quantum gate calibration shows negligible benefits for low-variance tasks but $>40\%$ fidelity gains on two-qubit gates under extreme out-of-distribution conditions (10$\times$ the training noise), with implications for reducing per-device calibration time on cloud quantum processors. Further validation on classical linear-quadratic control confirms these laws emerge from general optimization geometry rather than quantum-specific physics. Together, these results offer a transferable framework for decision-making in adaptive control.
• Abstract（参考訳）: 量子ハードウェアは、固有のデバイスの不均一性と環境の漂流に悩まされ、実践者は最適な非適応型コントローラを選択するか、デバイスごとにコストがかかるリカレーションを選択することを余儀なくされる。 本研究では, 適応ゲインが勾配ステップと指数関数的に飽和し, タスク分散と線形にスケールすることを示すメタラーニングのスケーリング法則を導出し, 適応がオーバヘッドを正当化する際の定量的基準を提供する。 量子ゲートキャリブレーションの検証は、低分散タスクには無視できる利点を示しているが、極端にアウト・オブ・ディストリビューション条件(10$\times$トレーニングノイズ)下の2ビットゲートでは$40\%$フィデリティゲインが得られ、クラウド量子プロセッサではデバイスごとのキャリブレーション時間を削減することが示唆されている。 古典的線形四元数制御のさらなる検証は、これらの法則が量子特異物理学よりも一般的な最適化幾何学から現れることを確認している。 これらの結果は、適応制御における意思決定のための伝達可能なフレームワークを提供する。

関連論文リスト

• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Escaping Barren Plateaus in Variational Quantum Algorithms Using Negative Learning Rate in Quantum Internet of Things [8.98664000532717]
  変分量子アルゴリズム(VQA)は、次世代量子コンピュータの主要な計算プリミティブになりつつある。 デバイスに制約のある実行条件下では、学習のスケーラビリティは不規則な台地によって著しく制限される。 最適化プロセスに負の学習率を含めることで,不毛高原を脱出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-11-28T03:32:33Z)
• CAGE: Curvature-Aware Gradient Estimation For Accurate Quantization-Aware Training [73.46600457802693]
  本稿では,量子化による損失に対応する新しい手法を提案する。 CAGEは、同様の計算コストで、精度の観点から最先端の手法を大幅に改善する。 LlamaモデルのQAT事前トレーニングでは、CAGEは4ビット(W4A4)で達成された精度と事前のベストメソッドとを一致させる。
  論文  参考訳（メタデータ） (2025-10-21T16:33:57Z)
• End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
  量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。 重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。 実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
  論文  参考訳（メタデータ） (2025-08-21T01:18:27Z)
• Sculpting Quantum Landscapes: Fubini-Study Metric Conditioning for Geometry Aware Learning in Parameterized Quantum Circuits [0.0]
  本稿では,変分量子アルゴリズムにおけるバレンプラトーを緩和するために,フビニ・スタディ・テンソルを明示的に条件づけたSculptureというメタラーニングフレームワークを提案する。 本研究では,フビニ・スタディ・メトリックの対数条件を,トレーニング可能性,最適化力学,一般化を規定する重要な幾何学的量として同定する。
  論文  参考訳（メタデータ） (2025-06-27T06:30:33Z)
• Adaptive folding and noise filtering for robust quantum error mitigation [0.0]
  本稿では,ゼロノイズ外挿法(ZNE)を改良した雑音適応型折り畳み法を提案する。 本稿では,2つのフィルタリング手法を紹介する。一方は誤差強度の測定に依存し,他方は外挿過程を改善するために統計的フィルタリングを利用する。 これらの適応手法は, ノイズ変動に対する誤差緩和を効果的に強化し, 量子計算の精度と信頼性を向上することを示した。
  論文  参考訳（メタデータ） (2025-05-07T14:35:01Z)
• Near-Term Distributed Quantum Computation using Mean-Field Corrections and Auxiliary Qubits [77.04894470683776]
  本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。 我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
  論文  参考訳（メタデータ） (2023-09-11T18:00:00Z)
• Towards Accurate Post-Training Quantization for Vision Transformer [48.779346466374406]
  既存のトレーニング後の量子化手法は依然として深刻な性能低下を引き起こしている。 APQ-ViTは、既存のトレーニング後の量子化手法を証明マージンによって超越している。
  論文  参考訳（メタデータ） (2023-03-25T03:05:26Z)
• Balancing Rates and Variance via Adaptive Batch-Size for Stochastic Optimization Problems [120.21685755278509]
  本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。 ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
  論文  参考訳（メタデータ） (2020-07-02T16:02:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。