論文の概要: GroverGPT-2: Simulating Grover's Algorithm via Chain-of-Thought Reasoning and Quantum-Native Tokenization

• arxiv url: http://arxiv.org/abs/2505.04880v1
• Date: Thu, 08 May 2025 01:38:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.712182
• Title: GroverGPT-2: Simulating Grover's Algorithm via Chain-of-Thought Reasoning and Quantum-Native Tokenization
• Title（参考訳）: GroverGPT-2:Chain-of-Thought ReasoningとQuantum-Native TokenizationによるGroverのアルゴリズムのシミュレーション
• Authors: Min Chen, Jinglei Cheng, Pingzhi Li, Haoran Wang, Tianlong Chen, Junyu Liu,
• Abstract要約: 我々は、Chain-of-Thought(CoT)推論と量子ネイティブトークン化を用いて、GroverのアルゴリズムをシミュレーションするLLMベースのGroverGPT-2を紹介する。 この結果から,GroverGPT-2は量子ネイティブトークンの効率的な処理によって量子回路論理を学習し,内部化することができることがわかった。 量子ビット数が増加するGroverGPT-2における経験的スケーリング法則を同定し,スケーラブルな古典シミュレーションへの道筋を示唆する。
• 参考スコア（独自算出の注目度）: 43.496857395654764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum computing offers theoretical advantages over classical computing for specific tasks, yet the boundary of practical quantum advantage remains an open question. To investigate this boundary, it is crucial to understand whether, and how, classical machines can learn and simulate quantum algorithms. Recent progress in large language models (LLMs) has demonstrated strong reasoning abilities, prompting exploration into their potential for this challenge. In this work, we introduce GroverGPT-2, an LLM-based method for simulating Grover's algorithm using Chain-of-Thought (CoT) reasoning and quantum-native tokenization. Building on its predecessor, GroverGPT-2 performs simulation directly from quantum circuit representations while producing logically structured and interpretable outputs. Our results show that GroverGPT-2 can learn and internalize quantum circuit logic through efficient processing of quantum-native tokens, providing direct evidence that classical models like LLMs can capture the structure of quantum algorithms. Furthermore, GroverGPT-2 outputs interleave circuit data with natural language, embedding explicit reasoning into the simulation. This dual capability positions GroverGPT-2 as a prototype for advancing machine understanding of quantum algorithms and modeling quantum circuit logic. We also identify an empirical scaling law for GroverGPT-2 with increasing qubit numbers, suggesting a path toward scalable classical simulation. These findings open new directions for exploring the limits of classical simulatability, enhancing quantum education and research, and laying groundwork for future foundation models in quantum computing.
• Abstract（参考訳）: 量子コンピューティングは、特定のタスクに対して古典コンピューティングよりも理論的に有利であるが、実用的な量子優位性の境界は未解決の問題である。 この境界を調査するためには、古典機械が量子アルゴリズムを学習し、どのようにシミュレートするかを理解することが不可欠である。 大規模言語モデル(LLM)の最近の進歩は、強力な推論能力を示し、この課題の可能性を探求している。 そこで本研究では,Chain-of-Thought(CoT)推論と量子ネイティブトークン化を用いて,GroverのアルゴリズムをシミュレーションするLLMベースのGroverGPT-2を紹介する。 前者のGroverGPT-2は、論理的に構造化され解釈可能な出力を生成しながら、量子回路表現から直接シミュレーションを行う。 この結果から,GroverGPT-2は量子ネイティブトークンの効率的な処理によって量子回路論理の学習と内部化が可能であり,LLMのような古典的モデルが量子アルゴリズムの構造を捉えることができるという直接的な証拠が得られた。 さらに、GroverGPT-2はインターリーブ回路データを自然言語で出力し、明示的な推論をシミュレーションに埋め込む。 この二重能力は、GroverGPT-2を量子アルゴリズムの機械的理解と量子回路論理のモデリングのプロトタイプとして位置づけている。 また、量子ビット数が増加するGroverGPT-2における経験的スケーリング法則を同定し、スケーラブルな古典シミュレーションへの道筋を示唆する。 これらの発見は、古典的シミュラビリティの限界を探求し、量子教育と研究を強化し、将来の量子コンピューティングの基礎モデルの基礎を築くための新しい方向を開く。

関連論文リスト

• A mathematical model for a universal digital quantum computer with an application to the Grover-Rudolph algorithm [0.0]
  代数的確率論を用いた普遍デジタル量子計算のための新しいフレームワークを開発する。 量子回路を基本量子ゲートの有限列として定義する。 与えられた確率密度関数を近似する量子回路を設計する。
  論文  参考訳（メタデータ） (2025-03-17T17:18:45Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Tensor Networks or Decision Diagrams? Guidelines for Classical Quantum Circuit Simulation [65.93830818469833]
  テンソルネットワークと決定図は、異なる視点、用語、背景を念頭に、独立して開発されている。 これらの手法が古典的量子回路シミュレーションにどのようにアプローチするかを考察し、最も適用可能な抽象化レベルに関してそれらの相似性を考察する。 量子回路シミュレーションにおいて,テンソルネットワークの使い勝手の向上と決定図の使い勝手の向上に関するガイドラインを提供する。
  論文  参考訳（メタデータ） (2023-02-13T19:00:00Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。