論文の概要: Runtime Calibration as State-Trajectory Feedback Control in Quantum-Classical Workflows

• arxiv url: http://arxiv.org/abs/2605.11860v1
• Date: Tue, 12 May 2026 09:43:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.764438
• Title: Runtime Calibration as State-Trajectory Feedback Control in Quantum-Classical Workflows
• Title（参考訳）: 量子古典的ワークフローにおける状態トラジェクトリフィードバック制御としての実行時キャリブレーション
• Abstract要約: 超伝導デバイスでは、ゲートとリードアウトの忠実度は時間スケールでドリフトし、ランタイムスケジューラはバックエンドの品質を静的に扱う。 固定壁面予算下での状態軌道フィードバック制御問題としてキャリブレーションを定式化する。 フィードバックキャリブレーションを3つの待ち時間体制におけるオープンループベースラインの強化されたファミリーと比較する。
• 参考スコア（独自算出の注目度）: 2.6566593102111473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In superconducting devices running variational workloads, gate and readout fidelities drift on hour timescales, while existing runtime schedulers treat backend quality as static. The temporal dimension of calibration remains unresolved. We formulate runtime calibration as a state-trajectory feedback-control problem under a fixed wall-clock budget, and investigate whether spending time on calibration now can improve the future optimization trajectory. Calibration quality proxy is represented as a drifting equivalent-age state, recovery action is modeled as costly state reset, and policies are evaluated by time-integrated optimization gap over the full execution window. Using a finite-horizon rollout controller, we compare feedback calibration against a strengthened family of open-loop baselines across three latency regimes: cloud-like (25 ms), local-millisecond (1 ms), and tight-loop (4 $\mathrmμ$s). The results show a clear ordering: cloud-like feedback is generally uncompetitive, while local-ms and tight-loop regimes open a positive-gain region that grows with workload quality-sensitivity and initial calibration age. Crucially, the gap between local-ms and tight-loop control is modest for single-target recovery. The advantage of tight-loop integration emerges under capacity pressure, when many calibration targets must be processed within the same control window.
• Abstract（参考訳）: 変動ワークロードを実行する超伝導デバイスでは、ゲートとリードアウトフィデリティは時間スケールでドリフトし、既存のランタイムスケジューラはバックエンド品質を静的に扱う。 キャリブレーションの時間次元は未解決のままである。 固定壁面予算下での状態軌跡フィードバック制御問題としてランタイムキャリブレーションを定式化し、キャリブレーションに要する時間が将来の最適化軌道を改善することができるか検討する。 キャリブレーション品質プロキシはドリフト状態として表現され、リカバリアクションはコストの高い状態リセットとしてモデル化され、ポリシーはフル実行ウィンドウ上の時間積分最適化ギャップによって評価される。 有限水平ロールアウトコントローラを用いて,クラウドライク (25 ms), ローカルミリ秒 (1 ms), タイトループ (4 $\mathrmμ$s) の3つの待ち行列におけるオープンループベースラインの強化されたファミリーに対するフィードバックキャリブレーションを比較する。 クラウドのようなフィードバックは一般的に競合しないが、ローカルmsやタイトループのレジームは、ワークロードの品質感度と初期校正年齢とともに成長する正の利得領域を開いている。 重要な点として、ローカルmsとタイトループコントロールのギャップは、単一ターゲットのリカバリには適していない。 タイトループ統合の利点は、多くのキャリブレーションターゲットを同じコントロールウィンドウ内で処理する必要がある場合に、キャパシティプレッシャーの下で現れる。

関連論文リスト

• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• From Open Loop to Closed Loop: A Test-Time Iterative Optimization Framework for Reference-Consistent Image Generation [108.02425846269234]
  制御可能な画像生成は、視覚的参照条件を組み込むことで、大きな進歩を遂げた。 既存の方法は、主にオープンループシステムとして動作する。 本稿では,閉ループ動的トラッキング問題として参照一貫性生成を再構成する新しいテスト時間反復最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-06T05:36:30Z)
• A Heuristic Approach for Performance Tuning in RL-based Quadrotor Control via Reward Design and Termination Conditions [14.576960188691215]
  強化学習(Reinforcement Learning, RL)に基づく四角形制御ポリシは、乱雑な環境での高速ナビゲーションやドローンレースといったタスクにおいて、優れたパフォーマンスを実現している。 報奨設計と終了条件を用いて,RLに基づくクアドロータ制御におけるチューニング可能な性能を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-05-18T22:40:30Z)
• Transformer-Based Predictive Maintenance for Risk-Aware Instrument Calibration [0.13543803103181612]
  キャリブレーションスケジューリングを予測的メンテナンス問題として検討する。 我々は、NASA C-MAPSSベンチマークをキャリブレーション設定に適合させる。 本研究では,条件に基づくキャリブレーションを共同予測と決定の問題とみなすことができることを示す。
  論文  参考訳（メタデータ） (2026-03-19T06:32:01Z)
• Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
  本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。 シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。 高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
  論文  参考訳（メタデータ） (2026-02-17T15:10:44Z)
• Unleashing the Power of Discrete-Time State Representation: Ultrafast Target-based IMU-Camera Spatial-Temporal Calibration [2.2885522469802577]
  本稿では,離散時間状態表現のパワーを解放する,新しい極めて効率的なキャリブレーション手法を提案する。 ドローン、携帯電話、その他のビジュアル慣性プラットフォームの生産が増加する中、100万台のデバイスが世界中のキャリブレーションを必要とする場合、各デバイスをキャリブレーションするのに1分節約することは、合計2083労働日を節約することを意味する。
  論文  参考訳（メタデータ） (2025-09-16T09:05:46Z)
• Unconstrained Monotonic Calibration of Predictions in Deep Ranking Systems [29.90543561470141]
  ランク付けモデルの絶対値は、特定の下流タスクに必須である。 既存のキャリブレーション手法では、元の予測を調整するために順序保存特性を持つ事前定義された変換関数を用いるのが一般的である。 本研究では,任意の単調関数を学習可能なunconstrained Monotonic Neural Network (UMNN) を用いたキャリブレータの実装を提案する。 このアプローチはキャリブレータの制約を著しく緩和し、元の予測を過度に歪ませることを避けながら、柔軟性と表現性を向上する。
  論文  参考訳（メタデータ） (2025-04-19T09:35:11Z)
• Local Bayesian Optimization for Controller Tuning with Crash Constraints [47.30677525394649]
  我々は最近提案されたBOの局所変種をクラッシュ制約を含むように拡張し、制御器は未知の既知領域でしか評価できないようにした。 本研究は,制御性能の向上とチューニングに必要な時間と資源の削減を目的としたローカルBOの可能性を示すものである。
  論文  参考訳（メタデータ） (2024-11-25T10:37:48Z)
• Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
  ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。 本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。 我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
  論文  参考訳（メタデータ） (2024-04-05T17:58:37Z)
• Primal-Dual Contextual Bayesian Optimization for Control System Online Optimization with Time-Average Constraints [21.38692458445459]
  本稿では,制約付き閉ループ制御システムのオンライン性能最適化問題について検討する。 動的最適解に対する線形累積後悔を克服する主元-双対文脈ベイズ最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-12T18:37:52Z)
• On Controller Tuning with Time-Varying Bayesian Optimization [74.57758188038375]
  制御対象とその変更に関する適切な事前知識を用いて、時間変化最適化(TVBO)を用いて、変更環境におけるコントローラのオンラインチューニングを行う。 本研究では,不確実性注入(UI)を用いたTVBO戦略を提案する。 我々のモデルはTVBOの最先端手法よりも優れており、後悔の軽減と不安定なパラメータ構成の低減を実現している。
  論文  参考訳（メタデータ） (2022-07-22T14:54:13Z)
• Parameter-free Locally Accelerated Conditional Gradients [91.19349793915615]
  私たちは小説を紹介します。 自由局所加速cg(pf-lacg)アルゴリズムは,厳密な収束保証を提供する。 我々の理論結果は,局所加速度を実証し,非加速アルゴリズムに対するPF-LaCGの実用的改善を示す数値実験によって補完される。
  論文  参考訳（メタデータ） (2021-02-12T22:50:01Z)
• Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
  我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
  論文  参考訳（メタデータ） (2020-03-12T19:56:38Z)

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。