論文の概要: SAFE ma-QAOA: Surrogate-Assisted and Fine-Tuning Enhanced Multi-Angle QAOA with Parameter Distillation

• arxiv url: http://arxiv.org/abs/2605.23377v1
• Date: Fri, 22 May 2026 08:43:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.266292
• Title: SAFE ma-QAOA: Surrogate-Assisted and Fine-Tuning Enhanced Multi-Angle QAOA with Parameter Distillation
• Title（参考訳）: SAFEma-QAOA:パラメータ蒸留によるサロゲートアシスト・微細調整多角QAOA
• Authors: Hyunwoo Kim, Youngseok Lee,
• Abstract要約: 多角量子近似最適化アルゴリズム(ma-QAOA)は量子近似最適化アルゴリズム(QAOA)を拡張する 勾配最適化のためのSurrogate-Assisted and Fine-tuning Enhanced (SAFE) フレームワークを提案する。 シェリントン・カークモデル, 2次元2乗格子スピンガラス, Max-Cutのインスタンス上でSAFEを評価する。
• 参考スコア（独自算出の注目度）: 4.822952500424597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The multi-angle Quantum Approximate Optimization Algorithm (ma-QAOA) extends the Quantum Approximate Optimization Algorithm (QAOA) by assigning a larger number of independent variational parameters, thereby increasing expressivity and improving performance at low circuit depths. However, this larger parameterization makes training more difficult and requires repeated circuit evaluations for gradient-based optimization. In this work, we propose the Surrogate-Assisted and Fine-tuning Enhanced (SAFE) framework. SAFE first uses Low-Weight Pauli Propagation (LWPP) as a classical surrogate for pre-training ma-QAOA parameters before exact optimization. SAFE then applies parameter distillation, which removes angles that remain near zero after surrogate pre-training. Finally, SAFE performs exact fine-tuning by optimizing the remaining active parameters using the exact energy objective. We evaluate SAFE on instances of the Sherrington-Kirkpatrick model, two-dimensional square-lattice spin glass, and Max-Cut. SAFE with distillation provides the strongest overall results relative to exact-only: (i) a 64.3 percent reduction in active parameter count and (ii) a 94.5 percent reduction in estimated QPU workload. Within the SAFE workflow, adding distillation further reduces the optimizer steps to the near-optimal regime by 44.4 percent relative to without distillation. These results provide evidence that SAFE ma-QAOA can accelerate convergence to high-quality solutions while reducing the required quantum resources for exact fine-tuning, offering a resource-efficient route toward expressive ma-QAOA on NISQ hardware.
• Abstract（参考訳）: マルチ角量子近似最適化アルゴリズム(ma-QAOA)は、多数の独立な変分パラメータを割り当てることで、量子近似最適化アルゴリズム(QAOA)を拡張し、表現性を高め、低回路深さでの性能を向上させる。 しかし、このパラメータ化により、トレーニングがより難しくなり、勾配に基づく最適化のために繰り返し回路評価が必要となる。 本研究では,サロゲートアシスト・ファインチューニング強化(SAFE)フレームワークを提案する。 SAFEはまず、正確な最適化の前にma-QAOAパラメータを事前学習するための古典的なサロゲートとしてLWPP(Low-Weight Pauli Propagation)を使用する。 その後、SAFEはパラメータ蒸留を適用し、サロゲート前訓練後にゼロに近い角度を除去する。 最後に、SAFEは正確なエネルギー目標を用いて残りの活性パラメータを最適化することで正確な微調整を行う。 シェリントン・カークパトリックモデル, 2次元正方格子スピンガラス, Max-Cutの例についてSAFEを評価した。 蒸留によるSAFEは、正確性のみと比較して最も高い総合的な結果をもたらす。 (i)アクティブパラメータ数の64.3%削減及び (ii) 推定QPU負荷の94.5パーセント削減。 SAFEワークフロー内では、蒸留を加えることで、ほぼ最適状態への最適化のステップが、蒸留なしで44.4%減少する。 これらの結果から,SAFE ma-QAOAは,NASQハードウェア上での表現力のあるma-QAOAへのリソース効率の高い経路を提供することで,高精度な微調整に必要な量子資源を削減しつつ,高品質なソリューションへの収束を加速できることを示す。

関連論文リスト

• Beyond Outliers: A Study of Optimizers Under Quantization [82.75879062804955]
  量子化下でのモデルロバスト性に対する選択の影響について検討する。 モデルの性能が、異なるベースラインでトレーニングした場合にどのように低下するかを評価する。 異なるパラメータによる量子化対応トレーニングのスケーリング法則を導出する。
  論文  参考訳（メタデータ） (2025-09-27T21:15:22Z)
• QAOA-PCA: Enhancing Efficiency in the Quantum Approximate Optimization Algorithm via Principal Component Analysis [4.511923587827302]
  我々はQAOAパラメータ空間の次元性を低減するためにQAOA-PCAを導入する。 我々は、QAOA-PCAが標準QAOAよりも一貫して少ないイテレーションを必要とすることを示す。 QAOA-PCAはパラメータ数に一致する場合、ほぼ常に標準QAOAよりも優れる。
  論文  参考訳（メタデータ） (2025-04-23T14:27:31Z)
• AffineQuant: Affine Transformation Quantization for Large Language Models [58.45460102764]
  ポストトレーニング量子化(PTQ)は、その圧縮効率とトレーニングの文脈における費用対効果により、かなりの関心を集めている。 既存の大規模言語モデル(LLM)のPTQ手法は、事前量子化重みと後量子化重みの間の変換のスケーリングに最適化範囲を制限している。 本稿では,PTQ(AffineQuant)における等価アフィン変換を用いた直接最適化を提唱する。
  論文  参考訳（メタデータ） (2024-03-19T08:40:21Z)
• Efficient and Robust Parameter Optimization of the Unitary Coupled-Cluster Ansatz [4.607081302947026]
  本稿では、量子コンピュータ上でのユニタリ結合クラスタ・アンサッツのパラメータ最適化のために、近似パラボラ(SOAP)を用いた逐次最適化を提案する。 分子システムに関する数値的なベンチマークでは、SOAPはより高速な収束とノイズに対する堅牢性を達成することが示されている。 SOAPは、2量子ビットモデルシステムを用いた超伝導量子コンピュータの実験によりさらに検証される。
  論文  参考訳（メタデータ） (2024-01-10T03:30:39Z)
• LoRAPrune: Structured Pruning Meets Low-Rank Parameter-Efficient Fine-Tuning [56.88751562302793]
  低ランク適応 (LoRA) が大型言語モデル (LLM) に登場した。 LoRAPruneは、高度にメモリ効率の良い正確な構造化プルーンドモデルを提供する新しいフレームワークである。 LoRAPruneはWikiText2では4.81、TBでは3.46、メモリ使用量は52.6%減少している。
  論文  参考訳（メタデータ） (2023-05-28T15:15:48Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• META-STORM: Generalized Fully-Adaptive Variance Reduced SGD for Unbounded Functions [23.746620619512573]
  最近の研究は「メガバッチ」の勾配を計算する効果を克服している 作業は、競争力のあるディープラーニングタスクで更新された後に広く使用される。
  論文  参考訳（メタデータ） (2022-09-29T15:12:54Z)
• Stochastic Gradient Line Bayesian Optimization: Reducing Measurement Shots in Optimizing Parameterized Quantum Circuits [4.94950858749529]
  我々は、少ない測定ショットで回路最適化を行うための効率的なフレームワークを開発する。 我々は、正確な期待値推定に頼ることなく、最適化を実現するための適応的な計測ショット戦略を定式化する。 本稿では,VQAsの最適化において,接尾辞平均化手法が統計的およびハードウェアノイズの影響を著しく低減できることを示す。
  論文  参考訳（メタデータ） (2021-11-15T18:00:14Z)

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。