研究チームは、凍結された厳密な検証器（verifier）とスコアラーを組み合わせた「verified autoresearch」ループで、報告したすべての結果を認証しました。検証器は提出物を正確にチェックするプログラムです（検証が効率的に可能な問題に限る）。

手法の要点は次の通りです。エージェントと対話するチャレンジ構築システムが、問題を契約として定式化し、検証器・スコアラー・参照解を実装します。これらは、解析的に解けるケース、意図的に壊した解（特定の誤りを検出することが要求される）、および既刊の結果の再現といった検証を通過する必要があります。検証に合格した後、ユーザーが署名し、検証器は凍結されてハッシュで指紋化されます。以降、提出物はネットワーク隔離されたサンドボックスで凍結された検証器に対して実行され、1件あたり30秒・1 CPU・512 MBの資源制限の下で各インスタンスが全て検証されて初めて受理されます。[f2][f15][f10]

検証器は課題に応じて異なる「厳密チェック」を行います。フェルミオン→量子ビット符号化ではF2上の代数条件を、ハミルトニアン配置（レイアウト）では物理接続に対する決定論的なスケジュール再生を、ユニタリ合成では2^nの基底状態すべてでの評価と線形写像の厳密比較を行います。[f3]

具体的な検証済み成果は次の通りです。フェルミオン符号化（正方格子）：Jordan–Wigner符号と同じ評価器で比較して、総パウリ重みを格子サイズで増す形で削減しました。L=4で3%、L=15で37%の削減を達成し、L=15では10,749対17,025という値が報告されました。さらに、全試験サイズで報告された二次割当最適化器を15%〜23%上回りました。[f4][f5]

ハミルトニアン配置（n×nグリッド、n≤8想定）：参照のスワップネットワーク（蛇行経路でN(N−1)/2のSWAPを使用）と比べ、3×3では最大90%少ないSWAPで済み、8×8では73%削減を記録しました。最初のエージェント提出は8×8で72%少ないSWAPでした。スコアは同一グリッドサイズの9個のインスタンス平均で報告されています。[f6][f7]

ユニタリ合成（CNOTとRzゲート）：3〜8量子ビットで、最良提出は単純合成（各パリティを計算して戻す構成＋ガウス消去に基づくAの合成）に比べ50%〜73%少ないCNOTを使用しました。例として8量子ビットの対角ターゲットで23対46、線形写像を含む場合で25対73でした。4量子ビット以下については全列挙により提出回路が最適であることが確認されましたが、今回の最良提出は各インスタンスごとに事前計算した回路を格納する形式であり、一般的アルゴリズムというよりはインスタンスごとの構成である点が報告されています。[f8][f9][f13]

手法は19件の認証済みエージェント提出を記録し、報告されたスコアはすべて凍結検証器によって算出・認証されました。[f11]

検証ゲートは、いくつかの初期実装の欠陥を実運用前に露呈しました。ハミルトニアンの実装で項が欠けていたことや、ある検証器が位相のみを比較して線形写像の差を見落とす誤りが見つかり、これらは得点記録前に修正されました。また、既刊ベンチマークの一つが最適でないことも確認されました。これにより誤った評価が以降の全結果に波及するのを防いでいます。[f14]

意義と留意点。方法は「解が古典計算で厳密かつ効率的に検証できる」最適化問題に適用可能です。したがって、そうした厳密検証器が存在しない問題やコストが非決定的な問題には適用できません。また、多くのサイズで真の最適値は不明のままであり、最良提出が全体最適からどれだけ離れているかは一般に示せません。レイアウト記録については、小さいインスタンスでは最適に一致する一方で、8×8ではあるカウント下界に対して最大で3.7倍の範囲に位置する評価でした。さらに、今回のチャレンジは各課題で定めた目的関数のみを最適化しており、回路深さなど他の指標は報告されたが最適化対象ではなく、レイアウトでは深さが悪化した例もあります。[f12][f13][f16]