保守的量子オフライン・モデルベース最適化

概要: オフラインのモデルベース最適化（MBO）とは、能動的な実験を行うことなく、固定された事前の入出力データ集合のみを用いて、ブラックボックスの目的関数を最適化する課題を指します。近年、量子極限定学習（QEL）が導入されました。QELは、変分量子回路の表現力を活用し、少数のデータ点で学習することで正確な代理（サロゲート）関数を学習します。しかし、古典的機械学習の文献で広く研究されている通り、予測モデルは未探索の領域において目的値を誤って外挿してしまう可能性があり、その結果、過度に楽観的な解が選択されてしまいます。本論文では、QELに保守的目的モデル（COM）を統合することを提案します。COMは、分布外入力に対する慎重な予測を保証することを目的とした正則化手法です。得られるハイブリッドアルゴリズムであるCOM-QELは、量子ニューラルネットワークの表現力に基づきつつ、保守的なモデリングによって汎化を保護します。ベンチマークの最適化タスクに関する実験結果は、COM-QELが元のQELと比較して、より高い真の目的値をもつ解を確実に見つけることを示しており、オフライン設計問題に対する優位性を裏付けています。