均衡探索と焼きなまし

1. GTOとは何を「最小化」しているのか

ソルバーにハンドを流し込んで反復計算させている画面を思い浮かべてほしい。序盤は探索が荒く、 表示される戦略頻度が反復ごとに大きく揺れ動くが、反復を重ねるにつれてその揺れは徐々に小さくなり、 やがてほとんど動かなくなる。この「揺れが収まっていく」過程こそが、2人ゼロサムのポーカーにおける ナッシュ均衡——被搾取度（exploitability）をゼロにする戦略対——への収束にほかならない。 被搾取度とは「相手が神様（最適応答）だった場合に失う期待値」であり、これを目的関数と見なせば、 GTOを求める問題は巨大な最適化問題——エネルギー最小化問題——になる。

物理の言葉では E(σ) がエネルギー地形、均衡が基底状態である。2人ゼロサムでは この地形は鞍点構造を持ち（ミニマックス定理）、大域最適が理論的に保証される。 多人数ポーカーで均衡計算が質的に難しくなるのは、この保証が崩れるからである。

2. CFR — 後悔を積分する探索

Fig.1 — CFRの反復による戦略の焼きなましプロセス（概念図）

現代ソルバーの心臓部であるCFR（Counterfactual Regret Minimization）は、各意思決定点で 「あのときこうしていれば得られた差分（反事実的後悔）」を蓄積し、後悔に比例して次回の 行動頻度を配分する（regret matching）。理論保証は明快で、平均戦略の被搾取度は O(1/√T) で減衰する。ソルバーを長く回すほど解が「冷えて」いく様は、 まさに系を基底状態へ焼きなます過程に見える。

温度という視点

探索初期のCFRは広い戦略空間を荒く歩き（高温）、反復とともに有望な戦略近傍へ集中していく（低温）。 シミュレーテッド・アニーリングの冷却スケジュールと同じ設計思想であり、 「急冷すると局所解に凍りつく」という教訓まで共通する——抽象化（bucketing）が粗いまま 収束させた解が、実盤面で搾取可能性を残す現象はその典型である。

3. 量子アニーリングとQAOAの現在地

量子アニーリングは、量子トンネル効果を使ってエネルギー障壁を「越える」のではなく「抜ける」ことで、 古典アニーリングが苦手とする鋭い局所解からの脱出を狙う。ゲート型ではQAOA （Quantum Approximate Optimization Algorithm）が同種の組合せ最適化を担う。

むしろ実務的に面白いのは逆方向の輸入である。量子最適化コミュニティで洗練された 「地形の可視化」「冷却スケジュール設計」「リスタート戦略」は、ソルバー予算（反復数・精度・ ツリーサイズ）の配分問題にそのまま翻訳できる。

4. 人間の学習への転写 — 「温度を持った」スタディ設計

• 高温フェーズ: 幅広い盤面・ライン・サイズを浅く回す。局所的な暗記に凍りつく前に地形の全体像を掴む。
• 冷却フェーズ: 頻出ノード（シングルレイズポット・特定SPR帯)へ反復を集中し、精度を上げる。
• 再加熱: 成績が停滞したら、あえて普段と異なるストラクチャや種目を混ぜて局所解を壊す。
• 被搾取度＝エネルギーという一貫した目的関数を持つことで、スタディの進捗が測定可能になる。

シリーズ第4回は、ベットサイズを情報理論から設計する——「1ベットが運ぶ情報量」を扱う。