퀀텀 랩 연구 결과

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 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%

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.
Optimizer noisy E[C] -1.561254

robust minus optimizer

성능형 optimizer가 평균 기대 컷을 더 높입니다.
Optimizer sensitivity -4.490405

95% CI [-4.999357, -3.981453]

RA-QAOA가 훨씬 덜 민감합니다.
Optimizer success -0.120209

robust minus optimizer

최적해 샘플 확률은 optimizer가 높습니다.
Multi-start sensitivity -4.490628

95% CI [-4.999651, -3.981605]

단일 초기값 artifact 가능성을 낮춥니다.

Paper draft

Results와 Limitations 초안

현재 데이터로 쓸 수 있는 논문 문단과 한계를 분리했습니다.
Results

쓸 수 있는 결론

RA-QAOA는 성능 극대화 optimizer가 아니라, noisy E[C]와 success 일부를 포기하고 noise sensitivity를 크게 낮추는 stability-oriented selector로 정리해야 합니다.

Limitations

반드시 적을 한계

현재 결과는 simulated noise, 60개 랜덤 그래프, p=1/p=2, 4 x 4 per-layer grid에 머물러 있으므로 실제 QPU와 더 큰 suite 검증 전에는 강한 일반화 주장을 피해야 합니다.

Do not claim

성능 지배 아님

optimizer와 multi-start optimizer는 noisy E[C]와 success probability에서 RA-QAOA보다 높습니다. 이 프로젝트의 새로움은 성능 최고점이 아니라 안정성 trade-off입니다.

Artifacts

데이터 다운로드

논문 표와 그림은 바로 열 수 있는 요약본을 우선 제공합니다.
CSV 요약 통계

selector별 평균, 표준편차, 95% CI

 CSV paired delta

robust minus baseline, win rate 포함

 CSV baseline rows

그래프별 selector 결과

 CSV candidate digest

selector별 상위 후보만 추린 경량 표

 GZ full candidates

전체 후보 16,320개 압축 원본

 CSV weight ablation

weight profile별 selector 요약

 CSV ablation paired

random/grid baseline delta 포함

 CSV size paired deltas

6/8/10노드별 paired delta

 CSV optimizer summary

RA-QAOA와 optimizer 평균 비교

 CSV optimizer deltas

robust minus optimizer paired delta

 CSV multi-start summary

4개 시작점 optimizer 평균 비교

 CSV multi-start deltas

robust minus multi-start optimizer

 MD 리포트

논문 결과 섹션 초안용 Markdown

 MD ablation note

weight ablation과 크기별 해석

 MD optimizer note

optimizer baseline 해석

 MD multi-start note

초기값 4개 optimizer 검증

 MD paper draft

Results와 Limitations 초안

Next

다음 단계는 더 큰 suite와 p=3 검증입니다.

Results/Limitations 초안과 multi-start optimizer 검증을 추가했습니다. 다음에는 그래프 수를 크기별 50개 이상으로 늘리고, 계산 가능한 범위에서 p=3 또는 noise-aware optimizer를 비교해야 합니다.

설계로 돌아가기