論文の概要: Decision-aware validation of zero-noise extrapolation in QAOA optimization landscapes

• arxiv url: http://arxiv.org/abs/2610.33386v1
• Date: Sat, 24 Oct 2026 01:17:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 19:24:47.867819
• Title: Decision-aware validation of zero-noise extrapolation in QAOA optimization landscapes
• Title（参考訳）: QAOA最適化ランドスケープにおけるゼロノイズ外挿の意思決定による検証
• Abstract要約: 4から6キュービットのMaxCutに対する量子最適化アルゴリズム(QAOA)の深さ1のシミュレーションでは、各サンプルランドスケープは平均二乗誤差(MSE)と選択されたグリッドの理想的な後悔の両方をもたらす。 我々は、残差バイアスが平均風景を並べ替えるバイアス経路と、リチャードソンが有限ショットノイズを増幅する分散経路とを区別する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-noise extrapolation (ZNE) is usually validated by the accuracy of mitigated observables, yet variational quantum optimization uses those observables to select parameters. We ask whether, and by how much, an accuracy gain from ZNE coincides with a worse decision. In depth-one simulations of the quantum approximate optimization algorithm (QAOA) for MaxCut on four to six qubits, each sampled $120\times120$ landscape yields both its mean-squared error (MSE) and the ideal regret of its selected grid minimum, comparing Richardson orders one to three with unmitigated estimation at the same total shot budget per grid point. In an exploratory screen of 675 conditions, whose per-point random seeds collide, a familywise (Holm) analysis retains only four of 540 replication conditions as showing both directional MSE improvement and regret increase. A frozen confirmation with 100 fresh paired repetitions per condition reproduces all four: median MSE improvements of 7.65-73.09% accompany median normalized regret increases of only 0.0031-0.0073. We distinguish a bias route, in which residual bias reorders the mean landscape, from a variance route, in which Richardson weights amplify finite-shot noise. Exact first and second moments on a bounded control grid find no bias-route reversal: mitigated mean landscapes preserve the ideal minima, and ZNE can more than halve expected MSE, yet finite-shot selections incur higher mean regret. Decision losses that survive strict testing are few and small in this benchmark, but reproducible and not revealed by aggregate MSE. We present a paired benchmark and recommend reporting decision regret alongside estimation error when mitigation is assessed for optimization. Results concern simulated exhaustive grids, not hardware or optimizer loops.
• Abstract（参考訳）: ゼロノイズ外挿(ZNE)は通常、緩和可観測値の精度で検証されるが、変分量子最適化ではそれらの可観測値を使ってパラメータを選択できる。 我々は、ZNEによる精度の向上が、より悪い決定と一致するかどうかを問う。 4から6キュービットのMaxCutの量子近似最適化アルゴリズム(QAOA)の深さ1のシミュレーションでは、それぞれが120\times120$のランドスケープをサンプリングし、平均二乗誤差(MSE)と選択されたグリッドの理想的後悔の両方を得た。 点当たりのランダムシードが衝突する675条件の探索画面では、ファミリーワイド(ホルム)分析は、540の複製条件のうち4つしか保持していない。 0.65-73.09%の中央値MSE改善、0.0031-0.0073の中央値正規化後悔増加を伴う。 我々は、残差バイアスが平均風景を並べ替えるバイアス経路と、リチャードソン重みが有限ショットノイズを増幅する分散経路とを区別する。 制限された平均風景は理想のミニマを保ち、ZNE は期待される MSE の半分 以上を達成できるが、有限ショット選択は平均後悔を高める。 このベンチマークでは、厳密なテストに耐えられる決定損失は少なく、少ないが、再現可能であり、総合的なMSEでは明らかにされていない。 本稿では,最適化のための緩和評価を行う際に,ペアベンチマークを提示し,予測誤差とともに決定の後悔を報告することを推奨する。 結果は、ハードウェアやオプティマイザループではなく、網羅的にシミュレーションされたグリッドに関するものである。

関連論文リスト

• The winner's curse in hardware VQE: drift-differenced remeasurement of finite-shot selection bias [0.0]
  有限ショット最適化は、ノイズの多い量子固有ソルバーエネルギーを人工的に精度良く見せることができる。 我々は2つのIBM Heron r3プロセッサ上でハードウェア駆動可能な分子活性空間を6つ研究した。
  論文  参考訳（メタデータ） (2026-09-23T11:22:50Z)
• Greedy Decoding Is Not Precision-Invariant: Cross-Precision Output Divergence in LLM Inference [13.137699166830322]
  大規模言語モデルからのグレディ復号は、一般に決定論的として扱われる。 同一のモデル,プロンプト,デコードアルゴリズムは同一のハードウェア上で,BF16とFP16の異なる出力を生成する。 実験により,22層に蓄積したボディーエラーは,浮動小数点数と浮動小数点数とを区別しないことがわかった。
  論文  参考訳（メタデータ） (2026-09-22T15:54:16Z)
• EGGROLL, Unrolled: Understanding and Improving Low-Rank Evolution Strategies at Scale [9.562123195246393]
  EGGROLL は高密度ガウス重摂動を低ランクガウス積に置き換えることで LLM の進化戦略を実践する。 有限人口推定器の誤差を解析する。 退避推定器であるLOO-ROLLは、EGGROLLの2つのアンチセティック評価を1方向に置き換えつつ、有限ランクの個体群を保存する。
  論文  参考訳（メタデータ） (2026-09-10T01:58:02Z)
• K-ABENA: K-Adaptive Backpropagation with Error-based N-exclusion Algorithm : (Compensated Loss-Based Sample Exclusion with Unbiased Gradient Estimation) [0.0]
  K-ABENAK-Adaptive Backpropagation with Error-based N-exclusionは選択的な計算フレームワークである。 これは、少量の低損失("ミニ")観測を除外することで、イット当たりの計算トレーニングコストを削減する。 ラベル制限下で0.386の精度(ベースライン:0.832)、極端な不均衡下で0.53のAUCに崩壊する。
  論文  参考訳（メタデータ） (2026-07-07T06:58:51Z)
• Decision Kernels for Quantum Error Mitigation: Why Accuracy Gains Need Not Improve Downstream Decisions [0.0]
  下流決定のための有限ショットQEMの理論を開発する。 我々は、商因子化、ギャップロー極小性、限界ノーゴー定理、QEMプルバック定理、固定配置ショットレベル逆を証明する。
  論文  参考訳（メタデータ） (2026-07-03T02:35:57Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• From Noisy Traces to Stable Gradients: Bias-Variance Optimized Preference Optimization for Aligning Large Reasoning Models [90.45197506653341]
  大規模推論モデルは最終回答を生成する前に中間的推論トレースを生成する。 LRMと人間の好みの整合性は、モデルデプロイメントにとって重要な前提条件であり、まだ過小評価されていない。 共通の回避策は1つのサンプル軌道を最適化し、トレースサンプリングからかなり勾配のばらつきをもたらす。
  論文  参考訳（メタデータ） (2025-10-06T17:58:01Z)
• Sharp Variance-Dependent Bounds in Reinforcement Learning: Best of Both Worlds in Stochastic and Deterministic Environments [48.96971760679639]
  マルコフ決定過程(MDP)の分散依存的後悔境界について検討する。 環境の微細な分散特性を特徴付けるための2つの新しい環境規範を提案する。 モデルに基づく手法では、MVPアルゴリズムの変種を設計する。 特に、この境界は極小かつ決定論的 MDP に対して同時に最適である。
  論文  参考訳（メタデータ） (2023-01-31T06:54:06Z)
• Regret-Optimal Filtering [57.51328978669528]
  後悔最適化レンズによる線形状態空間モデルにおけるフィルタの問題を検討する。 我々は, 透視推定器の誤差エネルギー推定における後悔の概念に基づいて, フィルタ設計のための新しい基準を定式化する。 3つのリッキー方程式と1つのリャプノフ方程式を解くことで、後悔と最適推定が容易に実現できることを示す。
  論文  参考訳（メタデータ） (2021-01-25T19:06:52Z)

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。