PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.23180v1quant-ph

잡음이 있는 QAOA 최적화를 위한 적응형 차분 진화 및 다중 시작 탐색

Adaptive Differential Evolution and Multistart Search for Noisy QAOA Optimization

우리는 $N=12$, $p=3$, $D=6$ 조건에서 네 가지 비용 해밀토니안(cost-Hamiltonian) 계열에 걸쳐 고정된 저심도(low-depth) 양자 근사 최적화 알고리즘(Quantum Approximate Optimization Algorithm, QAOA) 앤자츠(ansatz)에 대한 고전적 최적화를 벤치마크한다. 10개의 옵티마이저를 10,000회 및 30,000회의 함수 평가(function evaluations, FEs)라는 공통 상한 하에서 25회의 독립 실행에 걸쳐 비교하며, 먼저 정확한 상태벡터(statevector) 목적함수로, 이후 두 가지 수준의 가산 관측 잡음(observation noise)을 적용하여 비교한다. 정확한 목적함수에서는 다중 시작(multistart) BFGS와 다중 시작 CMA-ES가 우세하다. 잡음이 있는 피드백 하에서는 적응형 개체군(population) 기반 방법들이 더 경쟁력을 갖게 되지만, 그 순위는 성능을 방문한 최적의 정확한 지점으로 측정하는지 아니면 잡음이 있는 관측값으로부터 선택된 지점으로 측정하는지에 따라 달라진다. 각 계열별로 사전 선별된 세 가지 인스턴스 전체에 대한 표적 확장 실험은 이러한 국면 전환(regime change)을 확인해주는 동시에, 명명된 적응형 차분 진화(adaptive-DE) 우승자들이 인스턴스에 따라 달라짐을 보여준다: 동일 인스턴스 요약에서 jSO-lite는 저잡음 오라클 탐색을, iL-SHADE는 고잡음 오라클 탐색을, L-SRTDE는 고잡음 선택 해(solution)를 각각 주도한다. 부트스트랩(bootstrap) 분석은 무시할 수 없는 수준의 고잡음 탐색-선택 격차(search-selection gap)를 정량화하며, 소급적 고정 예산 검증 프록시(retrospective fixed-budget verification proxy)는 최종 재평가를 위해 소량의 측정 예산을 남겨두는 것이 30,000 FEs에서 열 가지 방법 모두에 걸쳐 선택된 해의 품질을 향상시킴을 보여준다. 추가적인 구조 인식(structure-aware) 연구는 나아가 이러한 조건에서 QAOA의 교차 심도 제한(cross-depth restriction)과 연속적 분지 정제(continuous basin refinement)가 단독 몬테카를로 트리 탐색(Monte Carlo tree-search) 선택보다 더 유용함을 보여준다. 전반적으로 옵티마이저 선택은 지형 구조(landscape structure), 관측 잡음, 그리고 최종 지점 식별(final-point identification)에 공동으로 의존한다.

arXiv:2606.06555v1cs.NE

고정 예산 노이즈 진화 전략에서 충실도보다 깊이

Depth over Fidelity in Fixed-Budget Noisy Evolution Strategies

고정 평가 예산 하의 노이즈 진화 전략(noisy evolution strategies)은 깊이-충실도(depth-fidelity) 트레이드오프에 직면한다. 세대 내 순위의 노이즈를 줄이기 위해 평가를 소비하면 옵티마이저가 수행할 수 있는 분포 업데이트 횟수가 감소한다. 우리는 충실도보다 깊이를 옹호하며, 진화 전략의 경직한 순위 기반 가중치를 순위 불확실성에 대해 적분하는 조건부 기대 순위 가중치로 대체하는 확률적 엘리트 멤버십(probabilistic elite membership, PEM)을 제안한다. PEM은 조건부 평균 업데이트를 보존하면서 조건부 업데이트 분산을 줄이며, 이는 노이즈 순위 기반 단계의 Rao-Blackwellization이다. 우리는 세대당 오버헤드에 상한을 둔 잔차 부트스트�apping(residual bootstrapping, RB-PEM)으로 PEM을 구현하고, 저노이즈 구간을 위한 적응형 탐색-전환(probe-and-switch) 메커니즘을 보완한다. COCO bbob-noisy 스위트와 강화학습(RL) 정책 탐색 및 하이퍼파라미터 최적화를 포함한 외부 과제에서 RB-PEM은 오순위가 높고 예산이 제한된 환경에서 일관된 성능 향상을 달성한다.