論文の概要: Quantum Tilted Loss in Variational Optimization: Theory and Applications

• arxiv url: http://arxiv.org/abs/2605.02850v1
• Date: Mon, 04 May 2026 17:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.43185
• Title: Quantum Tilted Loss in Variational Optimization: Theory and Applications
• Title（参考訳）: 変分最適化における量子傾斜損失の理論と応用
• Authors: Yixian Qiu, Josep Lumbreras, Xiufan Li, Patrick Rebentrost,
• Abstract要約: 最適化ランドスケープを再構築するために、Quantum Tilted Loss (QTL)を導入します。 QTLは、問題の真のグローバルなミニマを保ちながら、構造化された設定で勾配信号を増幅することができる。 トレーニング可能性と予測可能性のトレードオフを形式化し、アグレッシブな傾きが最適化のボトルネックを根本的に変えることを示す。
• 参考スコア（独自算出の注目度）: 2.274915755738124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Variational quantum algorithms (VQAs) are leading strategies for using near-term quantum devices, with a well-studied bottleneck being their trainability. Standard expectation-value objectives with expressive circuits frequently encounter barren plateaus in the optimization landscape during training. To address this challenge, we introduce the Quantum Tilted Loss (QTL), an operator-level generalization of classical exponential tilting designed to systematically reshape the optimization landscape. By tuning a single continuous parameter, QTL can amplify gradient signals in structured settings while preserving the problem's true global minima. We provide a theoretical foundation that unifies standard expectation minimization with popular tunable heuristics, such as Conditional Value-at-Risk (CVaR) and Gibbs formulations. Deploying this framework requires balancing the geometric benefits of a sharpened landscape against the statistical cost of estimating nonlinear gradients from finite quantum measurements. We formalize this trainability-estimability trade-off, demonstrating how aggressive tilting fundamentally shifts the optimization bottleneck from landscape flatness to sample complexity. Thus, the operational bottleneck shifts from vanishing gradients to measurement sampling variance. Finally, we exhibit through numerical simulations that ascending tilt schedules can outperform fixed-tilt training in finite-shot regimes.
• Abstract（参考訳）: 変分量子アルゴリズム(VQA)は、短期量子デバイスを使用するための主要な戦略である。 適応回路を用いた標準期待値目的は、トレーニング中の最適化景観において、しばしば不規則な台地に遭遇する。 この課題に対処するために、最適化ランドスケープを体系的に再構築するために設計された古典的指数傾斜の演算子レベル一般化であるQuantum Tilted Loss (QTL)を導入する。 単一連続パラメータをチューニングすることにより、QTLは、問題の真の大域最小値を保持しながら、構造化された設定における勾配信号を増幅することができる。 本研究では,条件付き値-アット・リスク(CVaR)やギブスの定式化など,一般的なチューナブルヒューリスティックと標準期待最小化を統一する理論基盤を提供する。 このフレームワークの展開には、有限量子測度から非線形勾配を推定する統計的コストに対して、高度化された風景の幾何学的利点のバランスをとる必要がある。 このトレーニング可能性と予測可能性のトレードオフを形式化し、アグレッシブな傾きが最適化のボトルネックをランドスケープの平坦性からサンプルの複雑さに根本的にシフトすることを示す。 したがって、運用上のボトルネックは、消失する勾配からサンプリング分散の測定へとシフトする。 最後に、傾きの上昇が有限ショット状態における固定チルトトレーニングより優れていることを示す数値シミュレーションを通して示す。

関連論文リスト

• Trainability-Oriented Hybrid Quantum Regression via Geometric Preconditioning and Curriculum Optimization [0.6445605125467574]
  量子ニューラルネットワーク(QNN)は、科学的な機械学習への関心が高まっている。 レグレッション設定では、ノイズのある勾配の下でのトレーサビリティの制限や、不条件の最適化に悩まされることが多い。 本稿では、これらのボトルネックを軽減するために設計されたハイブリッド量子古典回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-17T07:32:18Z)
• 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)
• LOTION: Smoothing the Optimization Landscape for Quantized Training [9.855789447735757]
  生の量子化損失を非バイアスのランダム化周囲雑音下での予測に置き換える原理的平滑化フレームワークであるLOTIONを導入する。 本手法は, 合成テストベッドおよび150M-および300M-パラメータ言語モデルにおいて, 標準QATよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-09T19:16:46Z)
• Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
  条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
  論文  参考訳（メタデータ） (2025-09-29T19:50:19Z)
• 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)
• FIMA-Q: Post-Training Quantization for Vision Transformers by Fisher Information Matrix Approximation [55.12070409045766]
  ポストトレーニング量子化(PTQ)は近年,費用対効果と有望なモデル圧縮パラダイムとして注目されている。 ビジョン変換器(ViT)の現在のPTQ法は、特に低ビット量子化において、精度が著しく低下している。
  論文  参考訳（メタデータ） (2025-06-13T07:57:38Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)
• Optimal Gradient Quantization Condition for Communication-Efficient Distributed Training [99.42912552638168]
  勾配の通信は、コンピュータビジョンアプリケーションで複数のデバイスでディープニューラルネットワークをトレーニングするのに費用がかかる。 本研究は,textbfANY勾配分布に対する二値および多値勾配量子化の最適条件を導出する。 最適条件に基づいて, 偏差BinGradと非偏差ORQの2値勾配量子化と多値勾配量子化の2つの新しい量子化手法を開発した。
  論文  参考訳（メタデータ） (2020-02-25T18:28:39Z)
• Gradient $\ell_1$ Regularization for Quantization Robustness [70.39776106458858]
  トレーニング後の量子化に対するロバスト性を改善するための単純な正規化スキームを導出する。 量子化対応ネットワークをトレーニングすることにより、異なるビット幅にオンデマンドで量子化できる1組の重みを格納できる。
  論文  参考訳（メタデータ） (2020-02-18T12:31:34Z)

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。