論文の概要: Adaptive Differential Evolution and Multistart Search for Noisy QAOA Optimization

• arxiv url: http://arxiv.org/abs/2609.23180v1
• Date: Sat, 19 Sep 2026 19:08:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.707335
• Title: Adaptive Differential Evolution and Multistart Search for Noisy QAOA Optimization
• Title（参考訳）: 雑音QAOA最適化のための適応微分進化とマルチスタート探索
• Abstract要約: 固定された低深さ量子近似最適化アルゴリズム(QAOA)の4つのコストハミルトニアン族に対する古典的最適化をベンチマークする。 10は、1万から3万の関数評価の一般的な天井の下で25以上の独立したランと比較される。
• 参考スコア（独自算出の注目度）: 15.611755201685936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We benchmark classical optimization of a fixed low-depth Quantum Approximate Optimization Algorithm (QAOA) ansatz across four cost-Hamiltonian families at $N=12$, $p=3$, and $D=6$. Ten optimizers are compared over 25 independent runs under common ceilings of 10\,000 and 30\,000 function evaluations (FEs), first with exact statevector objectives and then with two additive observation-noise levels. Exact objectives favor multistart BFGS and multistart CMA-ES. Under noisy feedback, adaptive population methods become more competitive, but the ranking depends on whether performance is measured by the best exact point visited or by the point selected from noisy observations. A targeted extension over all three pre-screened instances per family confirms this regime change while showing that named adaptive-DE winners are instance dependent: jSO-lite leads low-noise oracle search, iL-SHADE high-noise oracle search, and L-SRTDE high-noise selected solutions in the equal-instance summaries. Bootstrap analysis quantifies a non-negligible high-noise search--selection gap, and a retrospective fixed-budget verification proxy shows that reserving a small measurement budget for final re-evaluation improves selected quality across all ten methods at 30\,000 FEs. A supplementary structure-aware study further shows that QAOA cross-depth restriction and continuous basin refinement are more useful in these conditions than standalone Monte Carlo tree-search selection. Overall, optimizer choice depends jointly on landscape structure, observation noise, and final-point identification.
• Abstract（参考訳）: 固定された低深度量子近似最適化アルゴリズム(QAOA)の古典的最適化をN=12$,$p=3$,$D=6$でベンチマークする。 10個のオプティマイザを10万と30万の関数評価(FE)の共通の天井の下で25個の独立したランで比較する。 具体的な目的はマルチスタートBFGSとマルチスタートCMA-ESである。 ノイズフィードバックの下では、適応的な集団法はより競争力のあるものとなるが、ランキングは、訪れた最も正確な点によって測定されるか、ノイズ観測から選択される点によって測定されるかによって異なる。 jSO-liteは低雑音のオラクルサーチ、iL-SHADE高雑音のオラクルサーチ、L-SRTDE高雑音選択ソリューションである。 ブートストラップ解析は,非負の高雑音探索-選択ギャップを定量化し,最終評価のための小さな測定予算を維持すれば,30万 FEで10個のメソッドすべてにまたがる選択品質が向上することを示す。 さらに,QAOA断面積制限と連続盆地改良は,モンテカルロ樹木選択法よりも,これらの条件下で有効であることを示した。 全体としては、最適化の選択はランドスケープ構造、観測ノイズ、最終点識別に大きく依存する。

関連論文リスト

• Learn What's Left, Not What's Mastered: Saturation Aware Advantage Reweighting for Multi-Reward Policy Optimization [60.89431018071735]
  グループ相対的な優位性を持つ強化学習は、訓練後の言語モデル推論のデファクトスタンダードとなっている。 異なる報酬プロファイルを持つロールアウトは、同じ利点を享受でき、現在の飽和度に関わらず、全ての目的が固定相対重みで最適化されることを示す。 本研究では,各報酬目標を独立に標準化し,目標飽和度をバッチレベルで推定した値に従って貢献を適応的に割引する飽和度認識再重み付けを導入する。
  論文  参考訳（メタデータ） (2026-08-17T04:07:50Z)
• Agentic Stage-One Stellarator Optimization: Autonomous Multi-Objective Search for Finite-Beta Equilibria [0.0]
  強調ステージワン最適化の概念実証を行う。 エージェント外ループ制御は有限ベータ・多目的探索を維持でき、繰り返し最適化を改良された平衡のスケーラブルなソースに変えることができる。
  論文  参考訳（メタデータ） (2026-08-02T16:08:52Z)
• Flash-BoN: Instant Drafts for Inference-Time Scaling in Diffusion Models [91.19049123903137]
  テキストから画像への推論時間のスケーリングは、単純なBest-of-N$サンプリングからガイド付き検索方法まで進歩している。 これらのアプローチは、いつ、どの程度の頻度でデノベーションを行うかに焦点が当てられているが、生成自体のコストを固定として扱うのがほとんどである。 ウォールクロック評価では、単純なBoNが既にいくつかのガイド付き検索手法に適合または優れていたことを示す。
  論文  参考訳（メタデータ） (2026-07-05T19:02:32Z)
• DE-2LS: Differential Evolution with Late-Stage local-search for Unconstrained Single-Objective Numerical Optimization [0.8122270502556375]
  RDEx上に構築されたDEC-2LSは,変数境界を持つ制約なし単目的最適化のための,後期的,局所探索強化型微分進化フレームワークである。 提案手法はRDExの進化的検索エンジンを保存し、2つの保守的な改良を導入する。 実験結果から, DE-2LS は直接ヘッド・ツー・ヘッド比較において, RDEx を一貫して改善することが示された。
  論文  参考訳（メタデータ） (2026-06-26T06:43:08Z)
• WASHH: An Anchor-Aware Whale-Guided Selection Hyper-Heuristic for Continuous Optimization and SVC Configuration [8.101587492842006]
  ブラックボックス最適化のためのWhale-Guided Adaptive Selection Hyper-Heuristicを提案する。 WASHHは、PSOスタイルのメモリ、GWOスタイルのリーダ平均化、Dスタイルのバリエーション、ローカル座標探索、アンカー誘導精製を選択可能な検索動作として扱う。 10個の独立ランと12,000の評価を持つ10個の30次元のベンチマーク関数において、WASHHは最高ランクの1.10を達成し、10個の関数で最良または最良である。
  論文  参考訳（メタデータ） (2026-05-13T13:02:24Z)
• QUIVER: Cost-Aware Adaptive Preference Querying in Surrogate-Assisted Evolutionary Multi-Objective Optimization [0.0]
  本稿では、客観評価と嗜好クエリを適応的に選択する、代理支援型進化的多目的言語であるQUIVERを紹介する。 我々はQUIVERがWFG問題に挑戦する上で最下位のユーティリティ後悔を達成していることを示す。 この適応的モダリティ選択は、行動におけるコストアウェアな嗜好学習を示す。
  論文  参考訳（メタデータ） (2026-05-05T20:02:35Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning [91.13797346047984]
  本稿では,2次最適化アルゴリズムであるADAHESSIANを紹介する。 ADAHESSIANは、他の適応最適化手法と比較して、新しい最先端の成果を大きなマージンで達成することを示す。
  論文  参考訳（メタデータ） (2020-06-01T05:00:51Z)

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。