論文の概要: Automatic Qiskit Code Refactoring Using Large Language Models

• arxiv url: http://arxiv.org/abs/2506.14535v1
• Date: Tue, 17 Jun 2025 14:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.502227
• Title: Automatic Qiskit Code Refactoring Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたカイスキート自動リファクタリング
• Authors: José Manuel Suárez, Luis Mariano Bibbó, Joaquin Bogado, Alejandro Fernandez,
• Abstract要約: 大規模言語モデル(LLM)を用いたQiskit符号の新しい手法を提案する。 まず、公式のQiskitドキュメントのさまざまなソースから、マイグレーションシナリオの分類を抽出することから始めます。 この分類法は、元のPythonソースコードとともに、LLMへの入力として提供され、コード内の移行シナリオのインスタンスを識別する。
• 参考スコア（独自算出の注目度）: 39.71511919246829
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: As quantum software frameworks evolve, developers face increasing challenges in maintaining compatibility with rapidly changing APIs. In this work, we present a novel methodology for refactoring Qiskit code using large language models (LLMs). We begin by extracting a taxonomy of migration scenarios from the different sources of official Qiskit documentation (such as release notes), capturing common patterns such as migration of functionality to different modules and deprecated usage. This taxonomy, along with the original Python source code, is provided as input to an LLM, which is then tasked with identifying instances of migration scenarios in the code and suggesting appropriate refactoring solutions. Our approach is designed to address the context length limitations of current LLMs by structuring the input and reasoning process in a targeted, efficient manner. The results demonstrate that LLMs, when guided by domain-specific migration knowledge, can effectively assist in automating Qiskit code migration. This work contributes both a set of proven prompts and taxonomy for Qiskit code migration from earlier versions to version 0.46 and a methodology to asses the capabilities of LLMs to assist in the migration of quantum code.
• Abstract（参考訳）: 量子ソフトウェアフレームワークが進化するにつれて、開発者は、急速に変化するAPIとの互換性を維持する上で、ますます課題に直面している。 本稿では,大規模言語モデル(LLM)を用いたQiskitコードのリファクタリング手法を提案する。 まず最初に、公式のQiskitドキュメント(リリースノートなど)のさまざまなソースから移行シナリオの分類を抽出し、さまざまなモジュールへの機能移行や非推奨使用などの一般的なパターンをキャプチャします。 この分類法は、オリジナルのPythonソースコードとともに、LLMへの入力として提供され、コード内の移行シナリオのインスタンスを特定し、適切なリファクタリングソリューションを提案する。 提案手法は,現在のLLMの文脈長制限に,入力および推論過程を目的,効率的な方法で構造化することで対処するものである。 その結果、ドメイン固有のマイグレーション知識によってガイドされたLLMは、Qiskitコードマイグレーションの自動化を効果的に支援できることがわかった。 この研究は、Qiskitの以前のバージョンからバージョン0.46へのコードマイグレーションの証明されたプロンプトと分類のセットと、量子コードのマイグレーションを支援するLCMの能力を評価する方法論の両方に貢献する。

関連論文リスト

• CODEMENV: Benchmarking Large Language Models on Code Migration [11.735053997817765]
  CODEMENVは、19のPythonとJavaパッケージにまたがる922のサンプルで構成されている。 特定のバージョンと互換性のない関数の識別、関数定義の変更の検出、ターゲット環境へのコード適応という3つのコアタスクをカバーしている。 CODEMENV上での7つのLLMによる実験的評価では平均パス@1レートが26.50%となり、GPT-4Oは43.84%で最高スコアに達した。
  論文  参考訳（メタデータ） (2025-06-01T08:29:59Z)
• The Unreasonable Effectiveness of Model Merging for Cross-Lingual Transfer in LLMs [54.59207567677249]
  大規模言語モデル(LLM)は、ハイソース言語以外のタスクで依然として苦戦している。 本研究では,タスク固有のポストトレーニングデータが不足している低リソース言語への言語間移動について検討する。
  論文  参考訳（メタデータ） (2025-05-23T20:28:31Z)
• Using LLMs for Library Migration [1.9247157750972368]
  大規模言語モデル(LLM)は、コードの生成と変換、および類似のコードを見つけるのに長けている。 我々はPyMigBench上でLLama 3.1, GPT-4o mini, GPT-4oの3つのLCMを評価し, 実世界のライブラリマイグレーション321を移行した。 LLama 3.1, GPT-4o mini, GPT-4oはそれぞれ89%, 89%, 94%の移行関連コード変更を正しく移行した。
  論文  参考訳（メタデータ） (2025-04-17T18:32:48Z)
• Migrating Code At Scale With LLMs At Google [0.0]
  Googleでは,大規模で費用がかかる従来型の手動マイグレーションプロジェクトについて論じている。 変更位置探索と大規模言語モデル(LLM)を用いて開発者が移行を行うのを支援する新しい自動アルゴリズムを提案する。 我々のLLM支援ワークフローは、同様のイニシアチブのモデルとして機能する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-04-13T18:52:44Z)
• Open-domain Implicit Format Control for Large Language Model Generation [52.83173553689678]
  大規模言語モデル(LLM)における制御生成のための新しいフレームワークを提案する。 本研究では、LLMがオープンドメイン、ワンショット制約に従う能力と、サンプル回答の形式を再現する能力について検討する。 また、出力品質を劣化させることなく、LLMのオープンドメインフォーマット制御を強化する教師付き微調整のためのデータセット収集手法を開発した。
  論文  参考訳（メタデータ） (2024-08-08T11:51:45Z)
• Example-Based Automatic Migration of Continuous Integration Systems [2.2836654317217326]
  継続的インテグレーション(CI)は、コード変更の統合とテストの高速化に広く採用されているプラクティスです。 開発者はしばしば、マトリックスの構築やロギングの改善といった機能を追求して、CIシステム間で移行する。 この移行は、新しいCIシステムとその構文に関する知識が限られているため、集中的かつエラーを起こしやすい。 本稿では,CIシステムの自動マイグレーションのための新しいアプローチとして,CIMigを提案する。
  論文  参考訳（メタデータ） (2024-07-02T20:19:21Z)
• If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
  大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練される コードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
  論文  参考訳（メタデータ） (2024-01-01T16:51:20Z)
• ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
  ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
  論文  参考訳（メタデータ） (2023-11-16T12:03:21Z)
• Domain Adaptive Code Completion via Language Models and Decoupled Domain Databases [15.964849180459675]
  $k$NM-LMは、ドメイン知識を微調整なしで言語モデルに統合する検索強化言語モデルである。 私たちのアプローチは、異なる言語モデルとドメインに自動的に適応できます。
  論文  参考訳（メタデータ） (2023-08-18T05:25:55Z)

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。