論文の概要: QuantumBench: A Benchmark for Quantum Problem Solving

• arxiv url: http://arxiv.org/abs/2511.00092v1
• Date: Thu, 30 Oct 2025 06:44:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.580503
• Title: QuantumBench: A Benchmark for Quantum Problem Solving
• Title（参考訳）: QuantumBench: 量子問題解決のためのベンチマーク
• Authors: Shunya Minami, Tatsuya Ishigaki, Ikko Hamamura, Taku Mikuriya, Youmi Ma, Naoaki Okazaki, Hiroya Takamura, Yohichi Suzuki, Tadashi Kadowaki,
• Abstract要約: 本研究では量子領域のベンチマークであるQuantumBenchを紹介する。 約800の質問をまとめ、その答えは量子科学に関連する9つの領域にまたがった。 質問形式の変化に対する感度を含む量子領域におけるそれらの性能を解析する。
• 参考スコア（独自算出の注目度）: 20.17344442510975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models are now integrated into many scientific workflows, accelerating data analysis, hypothesis generation, and design space exploration. In parallel with this growth, there is a growing need to carefully evaluate whether models accurately capture domain-specific knowledge and notation, since general-purpose benchmarks rarely reflect these requirements. This gap is especially clear in quantum science, which features non-intuitive phenomena and requires advanced mathematics. In this study, we introduce QuantumBench, a benchmark for the quantum domain that systematically examine how well LLMs understand and can be applied to this non-intuitive field. Using publicly available materials, we compiled approximately 800 questions with their answers spanning nine areas related to quantum science and organized them into an eight-option multiple-choice dataset. With this benchmark, we evaluate several existing LLMs and analyze their performance in the quantum domain, including sensitivity to changes in question format. QuantumBench is the first LLM evaluation dataset built for the quantum domain, and it is intended to guide the effective use of LLMs in quantum research.
• Abstract（参考訳）: 大規模言語モデルは、データ分析、仮説生成、設計空間探索を加速する多くの科学的なワークフローに統合されている。 この成長と並行して、汎用ベンチマークがこれらの要求を反映することはめったにないため、モデルがドメイン固有の知識と表記を正確に捉えているかどうかを慎重に評価する必要がある。 このギャップは、非直観的な現象を特徴とし、高度な数学を必要とする量子科学において特に明らかである。 本研究では,量子領域のベンチマークであるQuantumBenchを紹介し,LLMがいかに理解し,この非直観的分野に適用できるかを体系的に検証する。 公開資料を用いて、量子科学に関連する9つの領域にまたがる約800の質問をまとめ、それらを8オプションの多重選択データセットに整理した。 本ベンチマークでは,既存のLCMを複数評価し,質問形式の変更に対する感度を含む量子領域のパフォーマンスを解析する。 QuantumBench は量子領域向けに構築された最初の LLM 評価データセットであり、量子研究における LLM の有効利用を導くことを目的としている。

関連論文リスト

• Learning quantum many-body data locally: A provably scalable framework [0.0]
  我々はGeometrically Local Quantum Kernel (GLQK)と呼ばれるスケーラブルな機械学習フレームワークを提案する。 GLQKは非臨界系の指数相関を利用して効率よく量子多体実験データを学習する。 量子多体現象に関する2つの学習課題において,その数値的高いスケーラビリティを示す。
  論文  参考訳（メタデータ） (2025-09-17T05:26:11Z)
• Application of Large Language Models to Quantum State Simulation [0.11666234644810894]
  現在、様々な量子シミュレーターが研究者に強力なツールを提供しているが、これらのシミュレーターで量子進化をシミュレートすると、しばしば高コストが発生する。 本稿では、1量子ビットと2量子ビットの量子シミュレータモデルを構築し、複数の量子ビットに拡張し、最終的には3量子ビットの例を実装する過程を詳述する。 本研究は,LLMが量子ビット間の進化パターンを理論的出力状態と比較して最小限の誤差で効果的に学習し,予測できることを実証する。
  論文  参考訳（メタデータ） (2024-10-09T07:23:13Z)
• Quantum Algorithms and Applications for Open Quantum Systems [1.7717834336854132]
  オープン量子系の基本理論の簡潔な要約を提供する。 次に、最近の量子アルゴリズムに関する議論を掘り下げる。 我々は,本分野の現実的な化学,生物,物質システムへの適用性を実証し,関連する応用の議論を締めくくった。
  論文  参考訳（メタデータ） (2024-06-07T19:02:22Z)
• Quantum algorithms: A survey of applications and end-to-end complexities [88.57261102552016]
  期待されている量子コンピュータの応用は、科学と産業にまたがる。 本稿では,量子アルゴリズムの応用分野について検討する。 私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
  論文  参考訳（メタデータ） (2023-10-04T17:53:55Z)
• XpookyNet: Advancement in Quantum System Analysis through Convolutional Neural Networks for Detection of Entanglement [0.0]
  量子システムに適したカスタムディープ畳み込みニューラルネットワーク(CNN)モデルを導入する。 提案するCNNモデルであるXpookyNetは,複素数データを扱うという課題を効果的に克服する。 まず第一に、量子状態は完全かつ部分的に絡み合った状態を調べるためにより正確に分類されるべきである。
  論文  参考訳（メタデータ） (2023-09-07T17:52:43Z)
• The QUATRO Application Suite: Quantum Computing for Models of Human Cognition [49.038807589598285]
  量子コンピューティング研究のための新しい種類のアプリケーション -- 計算認知モデリング -- をアンロックします。 我々は、認知モデルから量子コンピューティングアプリケーションのコレクションであるQUATROをリリースする。
  論文  参考訳（メタデータ） (2023-09-01T17:34:53Z)
• 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)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Preparing random states and benchmarking with many-body quantum chaos [48.044162981804526]
  時間に依存しないハミルトン力学の下で自然にランダム状態アンサンブルの出現を予測し、実験的に観察する方法を示す。 観測されたランダムアンサンブルは射影測定から現れ、より大きな量子系のサブシステムの間に構築された普遍的相関に密接に関連している。 我々の研究は、量子力学におけるランダム性を理解するための意味を持ち、より広い文脈でのこの概念の適用を可能にする。
  論文  参考訳（メタデータ） (2021-03-05T08:32:43Z)

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。