論文の概要: AutoQResearch: LLM-Guided Closed-Loop Policy Search for Adaptive Variational Quantum Optimization

• arxiv url: http://arxiv.org/abs/2604.24283v1
• Date: Mon, 27 Apr 2026 10:16:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.892441
• Title: AutoQResearch: LLM-Guided Closed-Loop Policy Search for Adaptive Variational Quantum Optimization
• Title（参考訳）: AutoQResearch: 適応型変分量子最適化のためのLLM誘導閉ループポリシー探索
• Authors: Monit Sharma, Hoong Chuin Lau,
• Abstract要約: AutoQResearchは、このタスクを、キュレートされたデザイン空間上のシーケンシャルなポリシー検索とみなしている。 単一の静的設定の代わりに、フレームワークは適応的なソルバ制御ポリシーを検索する。 我々は、最大独立セットと容量化車両ルーティング問題に関する枠組みを評価する。
• 参考スコア（独自算出の注目度）: 3.652509571098291
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Configuring variational quantum algorithms for combinatorial optimization remains a difficult, expert-driven process requiring coordinated choices over solver family, ansatz, objective, and optimizer. We present AutoQResearch, an LLM-guided closed-loop experimentation framework that casts this task as sequential policy search over a curated design space. Instead of a single static configuration, the framework searches for adaptive solver-control policies that condition future decisions on diagnostics such as feasibility, optimality gap, and convergence stagnation. The system operates through a structured workflow: an LLM agent edits a small policy surface under a fixed evaluation harness, candidate policies are screened using cheap scout evaluations, and only the strongest candidates are promoted to full confirmation. This enables controlled autonomous exploration while guarding against proxy overfitting and unstable selection. We evaluate the framework on Maximum Independent Set (MIS) and the Capacitated Vehicle Routing Problem (CVRP). On MIS instances (16--64 vertices), discovered policies substantially outperform static baselines and reveal scale-dependent behavior: CVaR objectives are effective at small scale, while QRAO-based qubit compression provides the most effective explored scaling path. On CVRP curricula (8--12 customers) and a held-out E-n13-k4 benchmark, the framework discovers adaptations involving sampling budget, penalty design, and hybrid repair protocols, yielding high-quality solutions. Methodologically, we find that staged confirmation is essential: cheap proxy evaluations can materially misestimate policy quality and even invert candidate rankings. Overall, the paper positions AutoQResearch as a benchmarked quantum--GenAI co-design workflow for autonomous solver discovery in variational quantum optimization.
• Abstract（参考訳）: 組合せ最適化のための変分量子アルゴリズムの設定は、解決者族、アンザッツ、目的、最適化者よりも協調的な選択を必要とする専門家主導のプロセスが依然として困難である。 本稿では,LLM誘導クローズドループ実験フレームワークであるAutoQResearchについて述べる。 単一の静的構成の代わりに、フレームワークは適応型ソルバ制御ポリシーを検索し、実現可能性、最適性ギャップ、収束停滞などの診断に将来の決定を条件付ける。 LLMエージェントは、固定評価ハーネスの下で小さなポリシー表面を編集し、安価なスカウト評価を用いて候補ポリシーをスクリーニングし、最強候補のみを完全確認に昇格させる。 これにより、プロキシのオーバーフィットや不安定な選択に対してガードしながら、自律的な探索を制御できる。 我々は,最大独立セット(MIS)と容量化車両ルーティング問題(CVRP)の枠組みを評価する。 MISインスタンス(16-64Vertices)では、静的ベースラインを大幅に上回り、スケール依存的な振る舞いを明らかにしている。 CVaRの目的は小規模で有効であり、QRAOベースの量子ビット圧縮は最も効果的なスケーリングパスを提供する。 CVRP(8--12の顧客)とE-n13-k4ベンチマークで、このフレームワークはサンプリング予算、ペナルティ設計、ハイブリッド修復プロトコルを含む適応を発見し、高品質なソリューションを提供する。 安価なプロキシ評価は、政策の質を著しく誤って評価し、候補者のランクを逆転させることができる。 全体として、この論文はAutoQResearchを、変分量子最適化における自律的ソルバ発見のためのベンチマーク量子-GenAI共同設計ワークフローとして位置づけている。

関連論文リスト

• POLCA: Stochastic Generative Optimization with LLM [26.342554900977003]
  局所文脈を用いた優先順位付け最適化(POLCA)を導入する。 POLCAは、最適化におけるパラメータ性を扱うために設計されたスケーラブルなフレームワークである。 我々は,POLCAが頑健,サンプル,時間効率の両立を実証した。
  論文  参考訳（メタデータ） (2026-03-16T03:07:44Z)
• PaperScout: An Autonomous Agent for Academic Paper Search with Process-Aware Sequence-Level Policy Optimization [11.080060663295072]
  PaperScoutは、紙検索をシーケンシャルな意思決定プロセスとして再構成する自律エージェントである。 プロセス対応のシーケンスレベルポリシー最適化手法であるPSPO(Proximal Sequence Policy Optimization)を導入する。 合成と実世界のベンチマークの実験では、PaperScoutはワークフロー駆動の強いベースラインとRLベースラインをリコールと関連の両方で大幅に上回っている。
  論文  参考訳（メタデータ） (2026-01-15T03:21:21Z)
• ADARL: Adaptive Low-Rank Structures for Robust Policy Learning under Uncertainty [28.291179179647795]
  我々は、ロバスト性を改善する二段階最適化フレームワークであるtextbfAdaptive Rank Representation (AdaRL) を提案する。 下位レベルでは、AdaRLは、センチュロイドモデルの周りにあるワッサーシュタイン球からサンプリングされた力学を用いて、固定ランク制約の下でポリシー最適化を行う。 上層では、偏微分トレードオフのバランスをとるためにランクを適応的に調整し、ポリシーパラメータを低階多様体に投影する。
  論文  参考訳（メタデータ） (2025-10-13T20:05:34Z)
• Stabilizing Policy Gradients for Sample-Efficient Reinforcement Learning in LLM Reasoning [77.92320830700797]
  強化学習は、大規模言語モデルの推論機能を実現する上で中心的な役割を果たしてきた。 本稿では,ポリシー更新時の曲率情報を追跡し,活用するトラクタブルな計算フレームワークを提案する。 アルゴリズムであるCurvature-Aware Policy Optimization (CAPO)は、不安定な更新に寄与するサンプルを特定し、それらをマスクアウトする。
  論文  参考訳（メタデータ） (2025-10-01T12:29:32Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• Scalable Online Exploration via Coverability [45.66375686120087]
  探索は、特に関数近似を必要とする高次元領域において、強化学習において大きな課題である。 従来の探索手法を一般化し,3つの基本デシラタをサポートする新しい目的である$L_Coverageを導入する。 $L_Coverageは、カバー可能性の低いMDPにおけるオンライン(リワードフリーまたは報酬駆動)強化学習のための、最初の計算効率のよいモデルベースおよびモデルフリーのアルゴリズムを可能にする。
  論文  参考訳（メタデータ） (2024-03-11T10:14:06Z)
• Actor-Critic based Improper Reinforcement Learning [61.430513757337486]
  我々は,未知のマルコフ決定プロセスに対して,学習者に100万ドルのベースコントローラを付与する不適切な強化学習環境を考える。 本稿では,(1)ポリシーグラディエントに基づくアプローチ,(2)単純なアクター・クリティカル・スキームとNatural Actor-Criticスキームを切り替えるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-19T05:55:02Z)
• Stability Verification of Neural Network Controllers using Mixed-Integer Programming [5.811502603310248]
  本稿では,表現可能な制御ポリシの安定性検証のためのフレームワークを提案する。 提案するフレームワークは、幅広い候補ポリシーに対応するのに十分な一般性を持っている。 提案フレームワークをベースとしたオープンソースツールボックスをPythonで提案する。
  論文  参考訳（メタデータ） (2022-06-27T15:34:39Z)

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。