論文の概要: Transferred QAOA Parameters Remember the Penalty Scale: A $λ$-Resonance Law for Constrained Quantum Optimization
- arxiv url: http://arxiv.org/abs/2607.09927v1
- Date: Fri, 10 Jul 2026 19:23:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.247595
- Title: Transferred QAOA Parameters Remember the Penalty Scale: A $λ$-Resonance Law for Constrained Quantum Optimization
- Title（参考訳）: 転送QAOAパラメータはペナルティスケールを思い出す:制約量子最適化のための$λ$-共鳴法則
- Abstract要約: 我々は、制約がペナルティとしてエンコードされるたびに転送を管理する新しい独立した軸を同定する。
任意の固定QAOA角において深さ$p$のとき、実現可能な部分空間上の確率$F()$が有限実三角質量であることを証明する。
この定理は、任意の整数対価 QUBO に対してどのように角度が得られたかとは無関係である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Training the variational angles of the Quantum Approximate Optimization Algorithm once on a small instance and reusing them on larger ones, known as parameter transfer, is the standard route past the exact-simulation wall. Existing literature explains its success almost entirely through structural similarity. We identify a new, independent axis that governs transfer whenever constraints are encoded as penalties: the trained angles memorize the penalty weight $λ$ of their training instance. For any scalarized cost function with an integer-valued violation count, we prove that at arbitrary fixed QAOA angles $(β,γ)$ of depth $p$, the probability mass $F(λ)$ on the feasible subspace is a finite real trigonometric polynomial in $λ$ whose angular frequencies lie on an integer lattice generated by the trained $γ$'s. Three consequences follow immediately: transfer feasibility is a resonance peaked where the deployment penalty matches the training penalty; the resonance width scales as $1/(v_{max}\sum_k|γ_k|)$, so low-$|γ|$ angle sets are systematically more transferable; and the curve exhibits revival peaks at spacings $2π/γ_k$. We confirm all three predictions by exact statevector experiments on a 20-qubit multi-user resource-allocation QUBO. The theorem is independent of how the angles were obtained and applies to any integer-penalty QUBO, recasting a widely reported failure mode of penalty-based QAOA as deterministic, predictable phase interference rather than an energetic tuning problem.
- Abstract（参考訳）: 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm)の変分角度を、小さなインスタンス上で一度トレーニングし、パラメータ転送と呼ばれる大きなインスタンスで再利用することは、正確なシミュレートウォールを通り抜ける標準的なルートである。
現存する文献は、ほぼ完全に構造的な類似性によってその成功を説明する。
トレーニングされた角度は、トレーニングインスタンスのペナルティ重量をλ$で記憶する。
整数値の違反数を持つ任意のスカラー化コスト関数に対して、任意の固定QAOA角$(β,γ)$ of depth $p$, the probability mass $F(λ)$ on the feasible subspace is finite real trigonometric polynomial in $λ$ that angular frequency lies on a integer lattice generated by the trained $γ$'s。
トランスファーファシビリティーは、配置ペナルティがトレーニングペナルティと一致する共鳴ピークであり、共振幅は1/(v_{max}\sum_k|γ_k|)$であるので、低−|γ|$角集合は体系的に転送可能であり、曲線は2π/γ_k$の間隔で復活ピークを示す。
我々は,20kbitのマルチユーザリソース割り当てQUBOにおいて,正確な状態ベクトル実験により3つの予測を検証した。
この定理は、任意の整数ペナルティ QUBO に対してどのような角度が得られたかとは独立であり、ペナルティベースの QAOA の失敗モードを、エネルギー的チューニング問題よりも決定論的で予測可能な位相干渉として再放送する。
関連論文リスト
- Constrained Online Learning with Noisy Constraint Values [55.29259818039367]
一般的な実現可能性の下では、我々のLEDGERアルゴリズムは、期待される損失$O(sqrt T)と期待される予算違反$O(sqrtTlog(eT))を達成します。
スレーター条件、フィードバックチャネル間の独立性、絶対的制約値境界は不要である。
論文 参考訳（メタデータ） (2026-09-07T01:38:41Z) - Observation Design for Certified Control Authority: Projection--Estimability Separation and Active-Face Equivalence [2.7954473524479275]
ゲートは認証可能なアクションのみを実行し、その観測がサポートするもののみを認証する。
本稿では,安全な行動の集合を最大化するために,どのように観測を設計すべきかを問う。
論文 参考訳（メタデータ） (2026-09-05T07:57:04Z) - Nearly Optimal Amplitude Estimation at any Depth [0.0]
我々は、可変回路深さ$M$と回路繰り返し$N$の振幅推定アルゴリズムを開発し、アンシラ量子ビットもグロバー演算も必要としない。
Grover角の加算エラー$$は、ほぼ最適なクエリ-深さトレードオフ$M2NinwidetildeO(-2)$を均一に$in[0,/2]$で達成し、古典的なサンプリングの$M=1$から、Heisenbergの$M=(-1)$までの範囲をまたがる。
論文 参考訳（メタデータ） (2026-08-25T11:46:21Z) - Robust Average-Reward Markov Decision Processes: Minimax-Optimal Learning via Plug-in Reductions [51.50375419691955]
分布的に堅牢なマルコフ決定プロセスは、モデルの不確実性の下でのシーケンシャルな意思決定のための原則化されたフレームワークを提供する。
我々は,平均回帰基準の下で,$varepsilon$-Optimal robust policyを学習するのに必要なサンプル数と十分なサンプル数について検討した。
論文 参考訳（メタデータ） (2026-08-06T19:49:48Z) - Demixing Sparse Signals from Nonlinear Observations using Generalized Non-convex Regularization [0.0]
重畳の非線形観測回数が限られていることから, スパースベクトルの回復を考察する。
本稿では, 一般化畳み込みペナルティとハマー化データ忠実度を組み合わせた正規化に基づくフレームワークを提案する。
仮に局所的な定常点を保った位数$sqrtslog(n)/m$の誤差境界を導出する。
論文 参考訳（メタデータ） (2026-07-12T07:29:39Z) - Gram-Certified Resource Continuation for Structured Quantum Representation Audits [0.0]
構造化量子表現処理のためのグラム認証資源継続法を開発した。
連続性は最終的なシュミット級天井を克服できないことを示す。
これらのノイズのない古典的な結果は、汎用的な40量子ビットのシミュラビリティを確立したり、ハードウェアの性能を主張したり、量子的優位性を確立したりしない。
論文 参考訳（メタデータ） (2026-07-11T15:38:24Z) - Is Spurious Correlation Removal Always Learnable? [56.28155520961125]
不変学習は、構造が統計的に識別可能であっても失敗することがある。
ブラックボックスサンプリング可能な教師付きスパースリカバリプリミティブの下では、実証可能な多次元環境が存在する。
合成および実際のデータセットは、予測されたギャップと遷移を示し、単純な多様性診断を動機付ける。
論文 参考訳（メタデータ） (2026-06-11T05:49:43Z) - OAM-Induced Lattice Rotation Reveals a Fractional Optimum in Fault-Tolerant GKP Quantum Sensing [0.0]
軌道角モメンタム符号化とGottesman-Kitaev-Preskill(GKP)格子幾何学が構造的に結合していることを確立する。
終端から終端までの微分可能なStrawberry Fields--TensorFlow回路を用いて、$ell$、格子アスペクト比$r$、および有限エネルギーエンベロープ$$を共に最適化し、量子フィッシャー情報を最大化する。
論文 参考訳（メタデータ） (2026-05-13T09:49:16Z) - Wavelet Variance Equipartition as a Threshold for World-Model Quality and Quantum Kernel TN-Simulability [0.0]
我々はウェーブレットスケーリング指数$$を臨界診断として同定する。
振幅符号化された量子カーネルの古典的シミュラビリティのシャープな遷移境界として$=1/2$を確立する。
この分散は、厳密には$Var[X] = (d-2)$としてスケールする。
論文 参考訳（メタデータ） (2026-05-12T05:41:12Z) - Provably Adaptive Linear Approximation for the Shapley Value and Beyond [73.0940890296463]
基本的で長期にわたる課題は、その効率的な近似である。
一般に用いられるすべての半値に対して$P(|hatboldsymbol-boldsymbol|_2geq)leq$を必要とする線形空間アルゴリズムを開発する。
本アルゴリズムは,各ユーティリティ関数の平均二乗誤差の明示的最小化を可能にする。
論文 参考訳（メタデータ） (2026-04-09T16:38:14Z) - Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。
任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。
本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
論文 参考訳（メタデータ） (2026-02-19T17:21:15Z) - Settling the Sample Complexity of Online Reinforcement Learning [92.02082223856479]
バーンインコストを発生させることなく、最小限の最適後悔を実現する方法を示す。
最適値/コストや一定の分散といった問題依存量の影響を明らかにするために、我々の理論を拡張します。
論文 参考訳（メタデータ） (2023-07-25T15:42:11Z)
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。