风险敏感优化

风险敏感优化框架最早在强化学习中取得成功应用，核心理念是不只优化分布的期望值，而是针对分布的特定统计特征进行优化。

该研究证明了在获得高保真态的概率与所达到的最低不保真度阈值之间可以进行灵活调节，使用者可根据应用需求选择最适合的工作点。

风险敏感优化的思路可能启发其他量子操作（如量子门、量子纠错）在噪声环境下的优化策略设计，当分布本身成为优化对象时，可探索的空间远比期望值优化要大。