論文の概要: PennyCoder: Efficient Domain-Specific LLMs for PennyLane-Based Quantum Code Generation
- arxiv url: http://arxiv.org/abs/2507.19562v1
- Date: Fri, 25 Jul 2025 12:02:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:55.667641
- Title: PennyCoder: Efficient Domain-Specific LLMs for PennyLane-Based Quantum Code Generation
- Title（参考訳）: PennyCoder: PennyLaneベースの量子コード生成のための効率的なドメイン特化LDM
- Authors: Abdul Basit, Minghao Shao, Muhammad Haider Asif, Nouhaila Innan, Muhammad Kashif, Alberto Marchisio, Muhammad Shafique,
- Abstract要約: PennyCoderは、ローカルおよび組み込みデプロイメント用に設計された量子コード生成のための新しいフレームワークである。
提案手法は,高モデルの有効性を維持しつつ,デバイスネイティブな操作性を強調する。
我々はPennyCoderを包括的量子プログラミングデータセットで厳格に評価し、44.3%の精度を達成した。
- 参考スコア（独自算出の注目度）: 4.826802034066811
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The growing demand for robust quantum programming frameworks has unveiled a critical limitation: current large language model (LLM) based quantum code assistants heavily rely on remote APIs, introducing challenges related to privacy, latency, and excessive usage costs. Addressing this gap, we propose PennyCoder, a novel lightweight framework for quantum code generation, explicitly designed for local and embedded deployment to enable on-device quantum programming assistance without external API dependence. PennyCoder leverages a fine-tuned version of the LLaMA 3.1-8B model, adapted through parameter-efficient Low-Rank Adaptation (LoRA) techniques combined with domain-specific instruction tuning optimized for the specialized syntax and computational logic of quantum programming in PennyLane, including tasks in quantum machine learning and quantum reinforcement learning. Unlike prior work focused on cloud-based quantum code generation, our approach emphasizes device-native operability while maintaining high model efficacy. We rigorously evaluated PennyCoder over a comprehensive quantum programming dataset, achieving 44.3% accuracy with our fine-tuned model (compared to 33.7% for the base LLaMA 3.1-8B and 40.1% for the RAG-augmented baseline), demonstrating a significant improvement in functional correctness.
- Abstract（参考訳）: 現在の大規模言語モデル(LLM)ベースの量子コードアシスタントは、リモートAPIに大きく依存しており、プライバシ、レイテンシ、過剰使用コストに関連する課題を導入しています。
このギャップに対処するため,我々はPennyCoderを提案する。PennyCoderは,外部APIに依存しないオンデバイス量子プログラミング支援を実現するために,ローカルおよび組み込みデプロイメント用に明示的に設計された,量子コード生成のための新しい軽量フレームワークである。
PennyCoderはパラメータ効率の低いローランド適応(LoRA)技術と、量子機械学習や量子強化学習などのタスクを含むペニーレーンの量子プログラミングの特殊構文と計算論理に最適化されたドメイン固有命令チューニングを組み合わせた、LLaMA 3.1-8Bモデルの微調整版を利用する。
クラウドベースの量子コード生成に焦点を当てた以前の作業とは異なり、当社のアプローチでは、高いモデルの有効性を維持しながら、デバイスネイティブな操作性を強調しています。
我々はPennyCoderを包括的量子プログラミングデータセットよりも厳格に評価し、細調整されたモデル(ベースLLaMA 3.1-8Bでは33.7%、RAG拡張ベースラインでは40.1%)で44.3%の精度を達成し、機能的正確性を大幅に向上させた。
関連論文リスト
- QFOR: A Fidelity-aware Orchestrator for Quantum Computing Environments using Deep Reinforcement Learning [19.006907700170693]
量子クラウドコンピューティングは、量子プロセッサへのリモートアクセスを可能にするが、量子ハードウェアの不均一性とノイズは、リソースのオーケストレーションを複雑にする。
本稿では、Deep Reinforcement Learningを用いたクラウド環境における不均一な量子ノード間のタスクの量子フィデリティアウェアオーケストレーションであるQFORを提案する。
我々のフレームワークは、量子タスク実行の完全性と時間全体のバランスをとり、異なる運用優先順位への適応を可能にします。
論文 参考訳（メタデータ） (2025-08-07T02:00:50Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。
それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。
この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Fast Machine Learning for Quantum Control of Microwave Qudits on Edge Hardware [1.4029771773420519]
量子ハードウェアの設定を迅速に調整する極めて低遅延の系が最重要であり、忠実度はターゲットの量子状態と重なり合うものとして定義される。
そこで我々は,マイクロ波キャビティキューディットにおける選択数依存任意位相(SNAP)ゲート作成のための制御パルスパラメータを決定するために,機械学習(ML)モデルを用いる。
提案手法の有効性を実証し, 最適化されたモデルを用いて, 10～3ドル近い低ゲートトレース不完全性を達成し, プログラム可能な論理資源の効率的な利用を図った。
論文 参考訳（メタデータ） (2025-06-03T19:14:18Z) - Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。
このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
論文 参考訳（メタデータ） (2025-05-28T16:50:05Z) - Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。
本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-24T02:51:34Z) - QuartDepth: Post-Training Quantization for Real-Time Depth Estimation on the Edge [55.75103034526652]
ASIC のハードウェアアクセラレーションによる MDE モデルの定量化を後学習量子化に応用した QuartDepth を提案する。
提案手法では,重みとアクティベーションの両方を4ビット精度で定量化し,モデルサイズと計算コストを削減する。
我々は、カーネル融合とカスタマイズされた命令プログラム性をサポートすることにより、フレキシブルでプログラム可能なハードウェアアクセラレータを設計する。
論文 参考訳（メタデータ） (2025-03-20T21:03:10Z) - Quantizing Large Language Models for Code Generation: A Differentiated Replication [51.85505914274633]
大規模言語モデル(LLM)は、コード生成において印象的な能力を示しており、特に自然言語で記述された要求を自動的に実装する。
LLMはメモリ(そして結果として炭素)のフットプリントに重大な課題をもたらす。
LLM量子化の新しいフロンティアは4ビット精度であり、平均メモリフットプリントが70%減少する。
論文 参考訳（メタデータ） (2025-03-10T09:26:08Z) - PennyLang: Pioneering LLM-Based Quantum Code Generation with a Novel PennyLane-Centric Dataset [4.826802034066811]
大きな言語モデル(LLM)は、コード生成、自然言語処理、ドメイン固有の推論において顕著な機能を提供します。
我々は,3,347ペニーレーン固有の量子コードサンプルと文脈記述からなる,新しい高品質なデータセットを提案する。
論文 参考訳（メタデータ） (2025-03-04T11:04:35Z) - Programming Variational Quantum Circuits with Quantum-Train Agent [3.360429911727189]
可変量子回路(VQC)の効率的かつスケーラブルなプログラミングを容易にするQT-QFWP(Quantum-Train Quantum Fast Weight Programmer)フレームワークを提案する。
このアプローチは、量子と古典の両方のパラメータ管理を最適化することで、従来のハイブリッド量子古典モデルに対して大きな優位性をもたらす。
QT-QFWPは、関連モデルを効率性と予測精度の両方で上回り、より実用的で費用対効果の高い量子機械学習アプリケーションへの道筋を提供する。
論文 参考訳（メタデータ） (2024-12-02T06:26:09Z) - Performance analysis of a filtering variational quantum algorithm [0.0]
Filtering Variational Quantum Eigensolver (F-VQE) は、既存の量子コンピュータにおける最適化問題を解くために設計された変分型ハイブリッド量子アルゴリズムである。
我々は、パラメータ化量子回路として、瞬時量子多項式回路を用いる。
F-VQEの実用的優位性には大きな発展が必要であると結論付けている。
論文 参考訳（メタデータ） (2024-04-13T08:50:44Z) - On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。
このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。
精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
論文 参考訳（メタデータ） (2023-09-05T04:39:34Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z)
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。