論文の概要: Prior-Informed Adaptive Shifts for Sequential Minimal Optimization in Variational Quantum Eigensolvers
- arxiv url: http://arxiv.org/abs/2608.21616v1
- Date: Fri, 21 Aug 2026 20:31:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.330414
- Title: Prior-Informed Adaptive Shifts for Sequential Minimal Optimization in Variational Quantum Eigensolvers
- Title（参考訳）: 変分量子固有解法における逐次最小最適化のための事前インフォームド適応シフト
- Abstract要約: 我々は最適な測定位置を決定するための新しい理論を開発した。
最小化器に関する事前情報を組み込むことは有益であることを示す。
本稿では,最適化中の測定位置を自動的に調整するPAS(Prefer-informed Adaptive Shifts)を提案する。
- 参考スコア（独自算出の注目度）: 8.530320876090661
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequential minimal optimization methods, such as the Rotosolve and the Nakanishi-Fujii-Todo algorithm (NFT), are widely used for Variational Quantum Eigensolvers (VQEs). These methods optimize one parameter direction at a time, requiring measurements at only a few locations along that direction. In the presence of measurement shot noise, however, their performance depends critically on the choice of measurement locations, and recent studies suggest that equidistant measurements are optimal. However, we often observe that equidistant measurements are not always optimal in practice. We argue that this discrepancy between theory and practice arises from the fact that two assumptions underlying previous analyses do not generally hold: (1) the absence of prior knowledge about the energy minimizer, and (2) the use of the uncertainty of the estimated energy as a proxy for optimization performance. In this paper, we develop a new theory for determining optimal measurement locations. First, we show that incorporating prior information about the minimizer is beneficial. Early in optimization, when little is known about the pivot, i.e., the current minimizer, equidistant measurements are indeed near-optimal, but as the prior belief sharpens the optimal locations move away from equidistant. Second, rather than analyzing the uncertainty of the estimated minimum energy, we study the uncertainty of the estimator of the minimizer itself, which leads to substantially different strategies. Based on this analysis, we propose Prior-informed Adaptive Shifts (PAS), a method that automatically adjusts measurement locations during optimization. Numerical experiments across different shot counts and problems validate our theoretical findings and demonstrate that PAS adaptively recovers whichever fixed shift is best in each regime without it being specified in advance.
- Abstract（参考訳）: 変分量子固有解法(VQE)では,ロトゾルデ法や中西藤井藤井藤堂アルゴリズム(NFT)などの逐次最小最適化法が広く用いられている。
これらの手法は一度に1つのパラメータの方向を最適化し、その方向に沿ってわずか数箇所で測定する必要がある。
しかし, 測定ショットノイズの存在下では, その性能は測定位置の選択に大きく依存しており, 最近の研究では等距離測定が最適であることが示唆されている。
しかし、同値の測定が実際に常に最適であるとは限らないことをよく観察する。
この理論と実践の相違は、(1)エネルギー最小化に関する事前知識の欠如、(2)推定エネルギーの不確かさを最適化性能のプロキシとして利用することの2つの前提が一般に成り立たないという事実から生じる。
本稿では,最適な測定位置を決定するための新しい理論を考案する。
まず、最小化器に関する事前情報を組み込むことが有益であることを示す。
最適化の初期段階において、ピボットについてはほとんど知られていない場合、すなわち、現在の最小値である等距離測定は、実際にはほぼ最適であるが、事前の信念によって最適位置は等距離から遠ざかる。
第二に、推定された最小エネルギーの不確実性を分析するのではなく、最小化器自体の推定器の不確実性について検討し、これは実質的に異なる戦略をもたらす。
この分析に基づいて,最適化中の測定位置を自動的に調整するPAS(Prefer-informed Adaptive Shifts)を提案する。
異なるショット数と問題にわたる数値実験により、我々の理論的な結果が検証され、PASが事前に特定することなく、どの固定シフトが最良であるかを順応的に回復することを示した。
関連論文リスト
- Bias Analysis and Regularization of Sequential Minimal Optimization in Variational Quantum Eigensolvers [8.530320876090661]
我々はSMO-VQEプロセスにおけるバイアスの起源と蓄積を分析した。
さらなる測定を行なわずにバイアスを正確に推定できることが示される。
本研究では,非バイアスエネルギー推定を維持しつつ,誤差蓄積を実現する簡単な正規化手法を提案する。
論文 参考訳（メタデータ） (2026-05-15T10:07:21Z) - Minimax Optimal Two-Stage Algorithm For Moment Estimation Under Covariate Shift [10.35788775775647]
ソースとターゲットの分布が分かっている場合,問題の最小境界について検討する。
具体的には、まず、ソース分布の下で関数の最適推定器を訓練し、その後、モーメント推定器を校正する確率比再重み付け手順を使用する。
この問題を解決するために、二重ロバスト性を確保し、対応する上界を与える推定器の切り離されたバージョンを提案する。
論文 参考訳（メタデータ） (2025-06-30T01:32:36Z) - Experimental optimal discrimination of $N$ states of a qubit with fixed rates of inconclusive outcomes [0.5452584641316628]
一般化された測定スキームでは、不確定結果の固定レート(FRIO)の制約の下で誤差率を最小化する。
ここでは、フォトニックパスモードで符号化された量子ビットの対称状態に対して、$N=2,3,5,$と$7$の最適FRIO判別を実験的に示す。
論文 参考訳（メタデータ） (2024-11-21T19:09:58Z) - QestOptPOVM: An iterative algorithm to find optimal measurements for quantum parameter estimation [17.305295658536828]
最適正の演算子検定(POVM)を直接同定するアルゴリズム「QestPOVM」を導入する。
量子状態の複数コピー(最大6コピー)の厳密な試行を通じて,提案アルゴリズムの有効性と精度を実証した。
提案アルゴリズムは,最適なPOVMの明示的な形式を解明するためのツールとして機能し,量子パラメータ推定手法の理解を深める。
論文 参考訳（メタデータ） (2024-03-29T11:46:09Z) - Only Classical Parameterised States have Optimal Measurements under
Least Squares Loss [0.0]
非漸近的状態において測定が最適であるかどうかを確定的に決定できる枠組みを導入する。
我々は、古典的状態だけが最も一般的な誤差測定の選択肢である最小二乗で最適な測定を許すことを示すノーゴー定理を証明している。
論文 参考訳（メタデータ） (2022-05-27T17:59:53Z) - A Dimensionality Reduction Method for Finding Least Favorable Priors
with a Focus on Bregman Divergence [108.28566246421742]
そこで本研究では,次元に明示的な有界な有限次元設定に最適化を移動させることができる次元削減法を開発した。
この問題を進展させるため、比較的大きな損失関数、すなわちブレグマンの発散によって引き起こされるベイズ的リスクに限定する。
論文 参考訳（メタデータ） (2022-02-23T16:22:28Z) - Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。
また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
論文 参考訳（メタデータ） (2021-04-30T08:50:24Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Balancing Rates and Variance via Adaptive Batch-Size for Stochastic
Optimization Problems [120.21685755278509]
本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。
ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
論文 参考訳（メタデータ） (2020-07-02T16:02:02Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳（メタデータ） (2020-06-11T17:43:19Z) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳（メタデータ） (2020-02-13T05:42:27Z)
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。