論文の概要: Surrogate-Guided Quantum Discovery in Black-Box Landscapes with Latent-Quadratic Interaction Embedding Transformers

• arxiv url: http://arxiv.org/abs/2602.09374v1
• Date: Tue, 10 Feb 2026 03:32:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.352048
• Title: Surrogate-Guided Quantum Discovery in Black-Box Landscapes with Latent-Quadratic Interaction Embedding Transformers
• Title（参考訳）: 変圧器を組み込んだ暗黒ボックスランドスケープにおけるサーロゲート誘導量子発見
• Authors: Saisubramaniam Gopalakrishnan, Dagnachew Birru,
• Abstract要約: 量子誘導型サンプリング器は、構造的多様性と排他的発見を継続的に改善しながら競争力を発揮する。 本手法は, 従来のベースラインの約2倍の構造的尾尾リスクのアウトレイアを復元する。
• 参考スコア（独自算出の注目度）: 1.2338729811609355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering configurations that are both high-utility and structurally diverse under expensive black-box evaluation and strict query budgets remains a central challenge in data-driven discovery. Many classical optimizers concentrate on dominant modes, while quality-diversity methods require large evaluation budgets to populate high-dimensional archives. Quantum Approximate Optimization Algorithm (QAOA) provides distributional sampling but requires an explicit problem Hamiltonian, which is unavailable in black-box settings. Practical quantum circuits favor quadratic Hamiltonians since higher-order interaction terms are costly to realize. Learned quadratic surrogates such as Factorization Machines (FM) have been used as proxies, but are limited to pairwise structure. We extend this surrogate-to-Hamiltonian approach by modelling higher-order variable dependencies via self-attention and projects them into a valid Positive Semi-Definite quadratic form compatible with QAOA. This enables diversity-oriented quantum sampling from learned energy landscapes while capturing interaction structure beyond pairwise terms. We evaluate on risk discovery for enterprise document processing systems against diverse classical optimizers. Quantum-guided samplers achieve competitive utility while consistently improving structural diversity and exclusive discovery. FM surrogates provide stronger early coverage, whereas ours yields higher-fidelity surrogate landscapes and better extreme-case discovery. Our method recovers roughly twice as many structurally tail-risk outliers as most classical baselines and identify an exclusive non-overlapping fraction of high-utility configurations not found by competing methods, highlighting that an effective mechanism for learning higher-order interaction structure and projecting it into quadratic surrogate Hamiltonians for quantum-assisted black-box discovery.
• Abstract（参考訳）: 高価なブラックボックス評価と厳格なクエリ予算の下で、高実用性と構造的に多様である構成を発見することは、データ駆動型ディスカバリにおいて、依然として中心的な課題である。 多くの古典的オプティマイザは支配的なモードに集中するが、品質多様性の手法は高次元アーカイブを投入するために大きな評価予算を必要とする。 量子近似最適化アルゴリズム(QAOA)は分布サンプリングを提供するが、ブラックボックス設定では利用できないハミルトニアンの明示的な問題を必要とする。 現実的な量子回路は、高次の相互作用項が実現するのにコストがかかるため、2次ハミルトニアンを好む。 因子化機械(FM)のような学習された二次代理は、プロキシとして用いられてきたが、ペア構造に限られている。 我々は、自己アテンションを通して高階変数依存をモデル化し、これをQAOAと互換性のある正の半定値二次形式に投影することにより、このサロゲート-ハミルトニアンアプローチを拡張した。 これにより、学習したエネルギーランドスケープから多様性指向の量子サンプリングが可能となり、対の項を超えて相互作用構造を捉えることができる。 我々は,エンタープライズ文書処理システムのリスク発見を,多様な古典的オプティマイザに対して評価する。 量子誘導型サンプリング器は、構造的多様性と排他的発見を継続的に改善しながら競争力を発揮する。 FMサロゲートは早期により強いカバレッジを提供するが、我々の技術はより忠実なサロゲートランドスケープと、より優れた極端ケース発見をもたらす。 提案手法は,古典的ベースラインの約2倍の構造的尾リスクのアウトレイヤを復元し,競合する手法では見つからない高ユーティリティ構成の排他的非重複部分を特定し,高次相互作用構造を学習し,量子支援ブラックボックス発見のために2次サロゲートハミルトニアスに投影する効果的な機構を明らかにする。

関連論文リスト

• Machine Unlearning in the Era of Quantum Machine Learning: An Empirical Study [22.101976874889147]
  本稿では,ハイブリッド量子古典ニューラルネットワークにおける機械学習(MU)の総合的研究について紹介する。 我々は、勾配に基づく、蒸留に基づく、正規化に基づく、認定された技術を含む、幅広い未学習の手法を量子設定に適用する。 量子モデルは効果的なアンラーニングを支援することができるが、結果は回路深さ、絡み合い構造、タスクの複雑さに強く依存する。
  論文  参考訳（メタデータ） (2025-12-22T10:40:03Z)
• Readout-Side Bypass for Residual Hybrid Quantum-Classical Models [3.609274776085931]
  量子機械学習(QML)はコンパクトで表現力のある表現を約束するが、測定ボトルネックに悩まされる。 本稿では,分類前の生入力で量子的特徴を確認可能な,軽量な残差ハイブリッドアーキテクチャを提案する。 我々のモデルは、低通信コストとプライバシーの堅牢性を保ちながら、量子ベースラインよりも最大で55%精度が向上する。
  論文  参考訳（メタデータ） (2025-11-25T23:27:53Z)
• HBridge: H-Shape Bridging of Heterogeneous Experts for Unified Multimodal Understanding and Generation [72.69742127579508]
  最近の統一モデルでは、理解の専門家(LLMなど)と生成の専門家(拡散モデルなど)を統合している。 本研究では,非対称なH字型アーキテクチャであるHBridgeを提案する。 複数のベンチマークにわたる大規模な実験は、HBridgeの有効性と優れた性能を示している。
  論文  参考訳（メタデータ） (2025-11-25T17:23:38Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Reinforcement Learning for Quantum Network Control with Application-Driven Objectives [53.03367590211247]
  動的プログラミングと強化学習は、制御戦略を最適化するための有望なツールを提供する。 非線形で微分可能な目的関数を直接最適化する新しいRLフレームワークを提案する。 我々の研究は、RLを持つ量子ネットワークにおける非線形目的関数最適化への第一歩であり、より高度なユースケースへの道を開く。
  論文  参考訳（メタデータ） (2025-09-12T18:41:10Z)
• QAMA: Scalable Quantum Annealing Multi-Head Attention Operator for Deep Learning [48.12231190677108]
  QAMA(Quantum Annealing Multi-Head Attention)は、エネルギーベースのハミルトン最適化問題として注目を集める新しいドロップイン演算子である。 この枠組みでは、トークン相互作用を二項二項項に符号化し、低エネルギー構成の探索に量子アニールを用いる。 経験的に、自然言語と視覚のベンチマークによる評価は、タスク全体にわたって、標準的なマルチヘッドの注意から少なくとも2.7ポイントの精度が低下していることを示している。
  論文  参考訳（メタデータ） (2025-04-15T11:29:09Z)
• Quantum Information Fusion and Correction with Dempster-Shafer Structure [17.01795431703658]
  Dempster-Shafer構造と量子重ね合わせの数学的一貫性を観察する。 量子回路上でのDempster-Shafer構造を用いて情報融合と補正を行う。
  論文  参考訳（メタデータ） (2024-10-11T16:17:20Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
  本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。 3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
  論文  参考訳（メタデータ） (2021-08-03T17:49:09Z)

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。