결과

RA-QAOA는 성능 최고점이 아니라 안정성 기준입니다.

6, 8, 10노드 랜덤 그래프 60개에서 p=1, p=2 QAOA를 비교했습니다. 현재 결과는 raw noisy E[C] 우위가 아니라, 노이즈 민감도를 낮추는 performance-stability trade-off를 보여줍니다.

요약 CSV paired delta 논문 초안 작성 현황 연구 설계

확정할 주장 RA-QAOA는 noisy expected cut을 항상 높이는 방법이 아니라, 성능 일부를 안정성과 교환하는 파라미터 선택 기준입니다.

이 주장은 현재 suite에서 95% CI가 0을 넘지 않는 noise sensitivity 감소와 multi-start optimizer 검증으로 뒷받침됩니다.

Claim

논문에서 주장할 것과 하지 않을 것

결론을 좁혀야 반박 가능성이 줄어듭니다.

주장할 것

안정성 선택 기준

RA-QAOA는 노이즈 변화에 덜 민감한 파라미터를 선택하며, p=2에서 ideal/noisy selector 대비 noise sensitivity를 평균 0.393734 낮췄습니다.

부분 주장

성공 확률 보조 개선

p=2에서 robust selector는 ideal/noisy selector 대비 success probability를 평균 0.015303 높였습니다.

주장하지 않을 것

raw 성능 지배

p=2에서 noisy E[C]는 ideal/noisy selector보다 평균 0.136896 낮았습니다. 따라서 모든 성능 지표를 이긴다고 쓰면 안 됩니다.

p=2 paired deltas

핵심 결과

robust minus ideal/noisy selector, 60개 그래프

Noisy E[C] -0.136896

95% CI [-0.181157, -0.092636]

raw 기대 컷은 낮아졌습니다.

Noise sensitivity -0.393734

95% CI [-0.521034, -0.266434]

노이즈 변화에 덜 흔들립니다.

Success probability +0.015303

95% CI [0.007746, 0.022859]

최적해 샘플 확률은 소폭 증가했습니다.

Win rate 78.3%

noise sensitivity 기준 robust 우위

p=2, ideal/noisy selector 대비

Figure

평균 성능과 민감도

error bar는 95% CI입니다.

RA-QAOA benchmark: mean noisy expected cut and mean noise sensitivity — robust selector는 평균 noisy E[C]에서는 낮지만, noise sensitivity에서는 더 낮은 곡선을 보입니다.

Table

요약 표

평균 +/- 95% CI

p	selector	noisy E[C]	success	sensitivity	score
1	robust	7.676503 +/- 0.873080	0.096099 +/- 0.025233	0.870598 +/- 0.206181	0.656309
1	ideal/noisy	7.791356 +/- 0.882825	0.088918 +/- 0.024664	1.197504 +/- 0.165874	0.653881
2	robust	7.750276 +/- 0.859378	0.127260 +/- 0.031279	1.079351 +/- 0.232858	0.661512
2	ideal/noisy	7.887172 +/- 0.870351	0.111957 +/- 0.030873	1.473085 +/- 0.176823	0.656991

Setup

실험 조건

재현 가능한 고정 조건입니다.

Graphs

60개 랜덤 그래프

6, 8, 10노드에서 크기별 20개를 생성했습니다.

Depth

p=1, p=2

각 레이어의 감마/베타를 독립 후보로 탐색했습니다.

Noise

0%, 4%, 8%, 16%

depolarizing channel과 2% readout error를 적용했습니다.

Grid

4 x 4 per layer

총 16,320개 후보를 평가했습니다.

Stress tests

Weight ablation과 크기별 검증

주장이 특정 weight나 그래프 크기에만 기대는지 확인했습니다.

Default weight -0.393734

p=2 sensitivity delta

95% CI [-0.521034, -0.266434]

Double sensitivity -1.440525

p=2 sensitivity delta

stability weight를 키우면 효과가 강해집니다.

No sensitivity -0.029690

p=2 sensitivity delta

weight를 제거하면 효과와 win rate가 약해집니다.

6 / 8 / 10 nodes all negative

크기별 sensitivity delta

aggregate가 한 그래프 크기에만 의존하지 않습니다.

nodes	metric	robust - ideal	95% CI	win rate
6	noise sensitivity	-0.253609	[-0.433626, -0.073592]	55.0%
8	noise sensitivity	-0.368436	[-0.585855, -0.151018]	80.0%
10	noise sensitivity	-0.559158	[-0.807464, -0.310851]	100.0%

Expanded checks

150개 그래프와 hardware-like noise

실제 QPU 전 단계로 표본 수와 장치형 노이즈 근사를 늘렸습니다.

150 graphs sensitivity -0.412928

95% CI [-0.494519, -0.331337]

p=2 robust minus ideal, win rate 84.0%

150 graphs noisy E[C] -0.143569

95% CI [-0.171938, -0.115201]

표본을 늘려도 성능 trade-off는 남습니다.

Hardware-like sensitivity -0.946489

95% CI [-1.144908, -0.748070]

gate load 기반 proxy noise에서도 안정성 우위가 유지됩니다.

Hardware-like success -0.008033

95% CI [-0.019804, 0.003738]

장치형 근사에서는 성공확률 개선을 주장하지 않습니다.

Large suite

작은 표본 우연 가능성 감소

60개에서 150개 그래프로 늘려도 p=2 noise sensitivity 감소 방향과 success probability 개선 방향은 유지됐습니다.

Proxy hardware

실제 QPU는 아직 아님

one-qubit/two-qubit/readout error를 QAOA gate load에 따라 final noise로 환산했습니다. routing, calibration drift, backend topology는 아직 포함하지 않습니다.

Scope

주장은 더 좁아짐

hardware-like noise에서는 RA-QAOA가 success probability를 높이지 못했습니다. 따라서 핵심 주장은 안정성 trade-off로 제한해야 합니다.

Baselines

Random, grid, optimizer 비교

p=2에서 robust selector와 추가 baseline을 직접 비교했습니다.

baseline	noisy E[C]	sensitivity	success	해석
random candidate	+0.441077	+0.551560	+0.077644	성능은 이기지만, 무작위 저성능 후보보다 민감도가 낮다고 주장하면 안 됩니다.
grid center	+0.022131	+0.011273	+0.009089	중앙 grid 휴리스틱과는 성능/민감도 차이가 작습니다.
optimizer	-1.561254	-4.490405	-0.120209	optimizer는 성능이 높고, RA-QAOA는 노이즈 안정성이 높습니다.
multi-start optimizer	-1.561331	-4.490628	-0.120229	4개 초기값에서도 같은 trade-off가 유지됩니다.