論文の概要: Autonomous Quantum Simulation through Large Language Model Agents

• arxiv url: http://arxiv.org/abs/2601.10194v1
• Date: Thu, 15 Jan 2026 08:50:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.064215
• Title: Autonomous Quantum Simulation through Large Language Model Agents
• Title（参考訳）: 大規模言語モデルエージェントによる自律量子シミュレーション
• Authors: Weitang Li, Jiajun Ren, Lixue Cheng, Cunxi Gong,
• Abstract要約: 大規模言語モデル(LLM)エージェントは、量子多体システムのテンソルネットワークシミュレーションを自律的に行うことができる。 私たちは、数分で専門的な計算領域でトレーニングできる自律的なAIエージェントを作成します。
• 参考スコア（独自算出の注目度）: 0.29165586612027233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We demonstrate that large language model (LLM) agents can autonomously perform tensor network simulations of quantum many-body systems, achieving approximately 90% success rate across representative benchmark tasks. Tensor network methods are powerful tools for quantum simulation, but their effective use requires expertise typically acquired through years of graduate training. By combining in-context learning with curated documentation and multi-agent decomposition, we create autonomous AI agents that can be trained in specialized computational domains within minutes. We benchmark three configurations (baseline, single-agent with in-context learning, and multi-agent with in-context learning) on problems spanning quantum phase transitions, open quantum system dynamics, and photochemical reactions. Systematic evaluation using DeepSeek-V3.2, Gemini 2.5 Pro, and Claude Opus 4.5 demonstrates that both in-context learning and multi-agent architecture are essential. Analysis of failure modes reveals characteristic patterns across models, with the multi-agent configuration substantially reducing implementation errors and hallucinations compared to simpler architectures.
• Abstract（参考訳）: 我々は,大規模言語モデル (LLM) エージェントが量子多体システムのテンソルネットワークシミュレーションを自律的に実行し,代表的ベンチマークタスクで約90%の成功率を達成することを実証した。 テンソル・ネットワーク・メソッドは量子シミュレーションの強力なツールであるが、その効果的な利用には長年の大学院生の訓練を通じて取得される専門知識が必要である。 コンテキスト内学習とキュレートされたドキュメンテーションとマルチエージェント分解を組み合わせることで、数分で専門の計算領域でトレーニングできる自律型AIエージェントを作成する。 我々は、量子相転移、オープン量子系力学、光化学反応の3つの問題について、3つの構成(ベースライン、シングルエージェント、インコンテキスト学習、マルチエージェント、インコンテキスト学習)をベンチマークする。 DeepSeek-V3.2、Gemini 2.5 Pro、Claude Opus 4.5を用いたシステム評価は、コンテキスト内学習とマルチエージェントアーキテクチャの両方が不可欠であることを証明している。 フェールモードの解析により、モデル間の特性パターンが明らかになり、マルチエージェント構成により、単純なアーキテクチャに比べて実装エラーや幻覚が大幅に低減される。

関連論文リスト

• Youtu-LLM: Unlocking the Native Agentic Potential for Lightweight Large Language Models [78.73992315826035]
  ネイティブエージェントインテリジェンスと高い計算効率を調和させる軽量言語モデルであるYoutu-LLMを紹介する。 Youtu-LLMは、スクラッチから体系的に推論と計画能力の育成まで事前訓練されている。
  論文  参考訳（メタデータ） (2025-12-31T04:25:11Z)
• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• Machine Unlearning in the Era of Quantum Machine Learning: An Empirical Study [22.101976874889147]
  本稿では,ハイブリッド量子古典ニューラルネットワークにおける機械学習(MU)の総合的研究について紹介する。 我々は、勾配に基づく、蒸留に基づく、正規化に基づく、認定された技術を含む、幅広い未学習の手法を量子設定に適用する。 量子モデルは効果的なアンラーニングを支援することができるが、結果は回路深さ、絡み合い構造、タスクの複雑さに強く依存する。
  論文  参考訳（メタデータ） (2025-12-22T10:40:03Z)
• LoCoBench-Agent: An Interactive Benchmark for LLM Agents in Long-Context Software Engineering [90.84806758077536]
  textbfLoCoBench-Agentは,大規模言語モデル(LLM)エージェントを現実的,長期的ソフトウェア工学で評価するための総合的な評価フレームワークである。 我々のフレームワークは、LoCoBenchの8000のシナリオを対話型エージェント環境に拡張し、マルチターン会話の体系的評価を可能にする。 我々のフレームワークは,8つの特殊なツール(ファイル操作,検索,コード解析)をエージェントに提供し,それを10Kから1Mトークンの範囲で評価する。
  論文  参考訳（メタデータ） (2025-11-17T23:57:24Z)
• El Agente: An Autonomous Agent for Quantum Chemistry [3.6593051631801106]
  El Agente Qは、自然言語のユーザプロンプトから量子化学を生成し、実行するマルチエージェントシステムである。 El Agente Qは6つの大学レベルのコース演習と2つのケーススタディでベンチマークされ、堅牢な問題解決性能を示している。
  論文  参考訳（メタデータ） (2025-05-05T09:07:22Z)
• Towards Multi-Agent Reinforcement Learning using Quantum Boltzmann Machines [2.015864965523243]
  我々は、より困難な問題を解決するために、オリジナルの概念の拡張を提案する。 我々は、経験的なリプレイバッファを追加し、ターゲットとポリシーの値を近似するために異なるネットワークを使用します。 量子サンプリングは、強化学習タスクには有望な方法であることが証明されているが、現在はQPUサイズによって制限されている。
  論文  参考訳（メタデータ） (2021-09-22T17:59:24Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• UPDeT: Universal Multi-agent Reinforcement Learning via Policy Decoupling with Transformers [108.92194081987967]
  タスクに適合する1つのアーキテクチャを設計し、汎用的なマルチエージェント強化学習パイプラインを最初に試行する。 従来のRNNモデルとは異なり、トランスフォーマーモデルを用いてフレキシブルなポリシーを生成する。 提案方式はUPDeT(Universal Policy Decoupling Transformer)と名付けられ,動作制限を緩和し,マルチエージェントタスクの決定プロセスをより説明しやすいものにする。
  論文  参考訳（メタデータ） (2021-01-20T07:24:24Z)

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。