論文の概要: QUASAR: Quantum Assembly Code Generation Using Tool-Augmented LLMs via Agentic RL

• arxiv url: http://arxiv.org/abs/2510.00967v1
• Date: Wed, 01 Oct 2025 14:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.620522
• Title: QUASAR: Quantum Assembly Code Generation Using Tool-Augmented LLMs via Agentic RL
• Title（参考訳）: QUISAR: エージェントRLによるツール拡張LDMを用いた量子アセンブリコード生成
• Authors: Cong Yu, Valter Uotila, Shilong Deng, Qingyuan Wu, Tuo Shi, Songlin Jiang, Lei You, Bo Zhao,
• Abstract要約: 大規模言語モデル(LLM)に基づく量子回路生成は有望な自動解法として登場した。 本稿では,量子回路生成と最適化のためのエージェント強化学習フレームワークであるQUISARを提案する。
• 参考スコア（独自算出の注目度）: 8.823588193058727
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Designing and optimizing task-specific quantum circuits are crucial to leverage the advantage of quantum computing. Recent large language model (LLM)-based quantum circuit generation has emerged as a promising automatic solution. However, the fundamental challenges remain unaddressed: (i) parameterized quantum gates require precise numerical values for optimal performance, which also depend on multiple aspects, including the number of quantum gates, their parameters, and the layout/depth of the circuits. (ii) LLMs often generate low-quality or incorrect quantum circuits due to the lack of quantum domain-specific knowledge. We propose QUASAR, an agentic reinforcement learning (RL) framework for quantum circuits generation and optimization based on tool-augmented LLMs. To align the LLM with quantum-specific knowledge and improve the generated quantum circuits, QUASAR designs (i) a quantum circuit verification approach with external quantum simulators and (ii) a sophisticated hierarchical reward mechanism in RL training. Extensive evaluation shows improvements in both syntax and semantic performance of the generated quantum circuits. When augmenting a 4B LLM, QUASAR has achieved the validity of 99.31% in Pass@1 and 100% in Pass@10, outperforming industrial LLMs of GPT-4o, GPT-5 and DeepSeek-V3 and several supervised-fine-tuning (SFT)-only and RL-only baselines.
• Abstract（参考訳）: タスク固有の量子回路の設計と最適化は、量子コンピューティングの利点を活用するために不可欠である。 近年の大規模言語モデル(LLM)に基づく量子回路生成は,有望な自動解法として登場している。 しかし、根本的な課題は未解決のままである。 i) パラメータ化量子ゲートは、最適性能の正確な数値を必要とするが、これはまた、量子ゲートの数、パラメータ、回路のレイアウト/深さなど、複数の側面にも依存する。 (II)LLMは量子領域固有の知識が不足しているため、低品質または不正な量子回路を生成することが多い。 ツール拡張LLMに基づく量子回路生成と最適化のためのエージェント強化学習(RL)フレームワークであるQUISARを提案する。 LLMを量子固有知識と整合させ、生成された量子回路を改善するために、quaSAR設計 (i)外部量子シミュレータと量子回路検証手法 (II)RLトレーニングにおける洗練された階層的報酬機構。 拡張評価は、生成された量子回路の構文とセマンティック性能の改善を示す。 4B LLMを増強すると、quarSARはPass@1の99.31%、Pass@10の100%、GPT-4o、GPT-5、DeepSeek-V3の工業用LLM、およびいくつかの教師付き微細調整(SFT)とRLのみのベースラインよりも高い性能を達成した。

関連論文リスト

• 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)
• 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)
• Q-Fusion: Diffusing Quantum Circuits [2.348041867134616]
  本稿では、新しい量子回路を生成するためにLayerDAGフレームワークを利用する拡散型アルゴリズムを提案する。 本結果は,提案モデルが100%有効な量子回路出力を連続的に生成することを示す。
  論文  参考訳（メタデータ） (2025-04-29T14:10:10Z)
• Agent-Q: Fine-Tuning Large Language Models for Quantum Circuit Generation and Optimization [5.2374261493530065]
  大規模言語モデル (LLMs) は、数学、コーディング、科学報告の分析を含む複雑な問題において顕著な成果を上げている。 本稿では,量子回路の生成と最適化を行うLLMファインチューニングシステムであるAgent-Qについて述べる。
  論文  参考訳（メタデータ） (2025-04-15T11:56:54Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• 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)
• Variational Quantum Reinforcement Learning via Evolutionary Optimization [0.0]
  グラデーションフリーな進化最適化を用いた深部量子RLタスクの2つのフレームワークを提案する。 本稿では,量子RLエージェントにTN-VQCアーキテクチャを組み込んだハイブリッドフレームワークを提案する。 これにより、147次元の入力でMiniGrid環境で量子RLを実行することができる。
  論文  参考訳（メタデータ） (2021-09-01T16:36:04Z)
• Quantum Architecture Search via Deep Reinforcement Learning [0.0]
  できるだけ少ないゲートを持つ特定の量子状態を生成するための量子ゲートシーケンスを設計するのは簡単ではない。 そこで本研究では,深層強化学習(DRL)を応用した量子アーキテクチャ探索フレームワークを提案する。 エージェント内の量子物理学の知識を符号化することなく、マルチキュービットGHZ状態に対する量子ゲート列の生成に成功したことを実証する。
  論文  参考訳（メタデータ） (2021-04-15T18:53:26Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• QUANTIFY: A framework for resource analysis and design verification of quantum circuits [69.43216268165402]
  QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。 Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。 ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
  論文  参考訳（メタデータ） (2020-07-21T15:36:25Z)

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。