shun-quantum-icc/add_linkselfie/MEMO.org

## main.py Inputs

• 実験パラメータ: `budget_list`, `scheduler_names`, `noise_model_names`, `node_path_list`, `importance_list`, `bounces`, `repeat`

Outputs

• `evaluation.py` の各関数を並列実行 → `outputs/*.pdf` を生成

Loops

• `for noise_model in noise_model_names:`

  • `Pool.apply_async(…)` で

    • `plot_accuracy_vs_budget(…)`
    • `plot_value_vs_used(…)`
    • `plot_value_vs_budget_target(…)`
  • 最後に `join()` して回収

—

## evaluation.py ### plot_accuracy_vs_budget(…) Inputs: 予算列・スケジューラ名・ノイズモデル・ノード/重要度・`bounces`・`repeat` Outputs: `outputs/plot_accuracy_vs_budget<sub>noise_model</sub>.pdf` Loops:

• `for C_total in budget_list:`

  • `for r in range(repeat):`

    • トポロジ生成（ペアごとに fidelity リスト）

    • `for name in scheduler_names:` → `run_scheduler(…)`

      • 正答率を集計（平均）

### plot_value_vs_used(…) Inputs: 同上（`return_details=True` で呼ぶ） Outputs: `outputs/plot_value_vs_used<sub>noise_model</sub>.pdf`（x=実消費コスト平均） Loops:

• `for C_total in budget_list:`

  • `for r in range(repeat):`

    • トポロジ生成

    • `for name in scheduler_names:` → `run_scheduler(…, return_details=True)`

      • 受け取った `alloc_by_path` と `est_fid_by_path` で価値を合成
      • `total_cost` を保持

### plot_value_vs_budget_target(…) Inputs: 同上（`return_details=True` で呼ぶ） Outputs: `outputs/plot_value_vs_budget_target<sub>noise_model</sub>.pdf`（x=目標予算） Loops: `plot_value_vs_used` と同一（プロット時の x だけ `budget_list`）

—

## schedulers/__init__.py Inputs: `node_path_list`, `importance_list`, `scheduler_name`, `bounces`, `C_total`, `network_generator`, `return_details` Outputs:

• `"LNaive"` → `lnaive_budget_scheduler(…)` の戻り値をそのまま返す
• `"Greedy"` → `greedy_budget_scheduler(…)` の戻り値をそのまま返す

Loops: なし（ディスパッチのみ）

—

## schedulers/lnaive_scheduler.py Inputs: `node_path_list`, `importance_list`, `bounces`, `C_total`, `network_generator`, `return_details=False` Outputs:

• `per_pair_results: List[(correct: bool, cost: int, best_fid: float|None)]`
• `total_cost: int`
• `per_pair_details: List[{alloc_by_path, est_fid_by_path}]`（`return_details=True` のとき）

Loops:

• `for pair_idx, path_num in enumerate(node_path_list):`

  • 各ペアに等分配した予算で `naive_network_benchmarking_with_budget(…)` を1回呼ぶ

—

## schedulers/greedy_scheduler.py Inputs: `node_path_list`, `importance_list`, `bounces`, `C_total`, `network_generator`, `C_initial_per_pair=40`, `return_details=False` Outputs: 上記 LNaive と同形（初期＋残余の詳細はマージ） Loops:

1. 初期プローブ: `for pair_idx, path_num in enumerate(node_path_list):`

   • 小予算で `lonline_network_benchmarking(…)` を実行
2. 優先度計算: `score = importance * estimated_fidelity` を全ペアで算出し降順ソート
3. 残余配分: `for pair_idx in sorted_indices:` 残り予算を順に集中投資（各回 `lonline_network_benchmarking(…)`）

—

## schedulers/lonline_nb.py （アルゴ：L-Online） Inputs: `network`, `path_list`, `bounces`, `C_budget`, `return_details=False` Outputs:

• `return_details=False`: `(correct: bool, cost: int, best_fid: float|None)`
• `return_details=True` : 上に加え `alloc_by_path: {path_id:int}`, `est_fid_by_path: {path_id:float}`

Loops:

• `while cost < C_budget and len(candidate_set) > 1:`

  • ラウンド `s` のサンプル数 `Ns` を決定
  • `for path in candidate_set:`（予算が入る分だけ計測）
  • 連続削除ルールで候補を間引き

—

## schedulers/lnaive_nb.py （アルゴ：L-Naive） Inputs: `network`, `path_list`, `bounces`, `C_budget`, `return_details=False` Outputs: L-Online と同形（3タプル/5タプル） Loops:

• `Ns = floor(C_budget / (len(path_list) * per_sample_cost))` を計算
• `for path in path_list:` 各経路を同じ回数 `Ns` 測定して推定更新