論文の概要: Data Verification is the Future of Quantum Computing Copilots

• arxiv url: http://arxiv.org/abs/2602.04072v1
• Date: Tue, 03 Feb 2026 23:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.305158
• Title: Data Verification is the Future of Quantum Computing Copilots
• Title（参考訳）: データ検証は量子コンピューティングのコパイロットの未来である
• Authors: Junhao Song, Ziqian Bi, Xinliang Chia, William Knottenbelt, Yudong Cao,
• Abstract要約: 検証を優先するアーキテクチャは、制約によって管理される領域における量子コピロとAI自動化に必要である、と我々は主張する。 検証されたトレーニングデータにより、モデルは統計的近似ではなく、学習された構造として正確な制約を内部化することができる。
• 参考スコア（独自算出の注目度）: 4.383971258193633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum program generation demands a level of precision that may not be compatible with the statistical reasoning carried out in the inference of large language models (LLMs). Hallucinations are mathematically inevitable and not addressable by scaling, which leads to infeasible solutions. We argue that architectures prioritizing verification are necessary for quantum copilots and AI automation in domains governed by constraints. Our position rests on three key points: verified training data enables models to internalize precise constraints as learned structures rather than statistical approximations; verification must constrain generation rather than filter outputs, as valid designs occupy exponentially shrinking subspaces; and domains where physical laws impose correctness criteria require verification embedded as architectural primitives. Early experiments showed LLMs without data verification could only achieve a maximum accuracy of 79% in circuit optimization. Our positions are formulated as quantum computing and AI4Research community imperatives, calling for elevating verification from afterthought to architectural foundation in AI4Research.
• Abstract（参考訳）: 量子プログラム生成は、大規模言語モデル(LLM)の推論で実行される統計的推論と互換性のない精度のレベルを要求する。 幻覚は数学的には避けられないものであり、スケーリングによって対処できない。 検証を優先するアーキテクチャは、制約によって管理される領域における量子コピロとAI自動化に必要である、と我々は主張する。 検証されたトレーニングデータは、統計的近似よりも学習構造として正確な制約を内在化することができる;検証はフィルタ出力よりも制約を生成する必要がある; 有効設計が指数関数的に縮小する部分空間を占有する; 物理法則が正当性基準を課す領域は、アーキテクチャプリミティブとして検証を必要とする。 初期の実験では、データ検証のないLSMは回路最適化において最大で79%の精度しか達成できなかった。 我々のポジションは量子コンピューティングとAI4Researchコミュニティインペラティブとして定式化され、後からAI4Researchのアーキテクチャ基盤に検証を昇格するよう呼びかけています。

関連論文リスト

• AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
  我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
  論文  参考訳（メタデータ） (2026-02-02T14:39:42Z)
• Can We Predict Before Executing Machine Learning Agents? [74.39460101251792]
  データ中心のソリューション優先のタスクを形式化し、18,438対比較の包括的コーパスを構築する。 検証データ解析レポートを作成した場合, LLM は重要な予測能力を示すことを示す。 このフレームワークをForEAGENT(Predict-then-Verifyループを利用するエージェント)でインスタンス化し、実行ベースラインを+6%超えながらコンバージェンスを6倍高速化する。
  論文  参考訳（メタデータ） (2026-01-09T16:44:17Z)
• Mitigating LLM Hallucination via Behaviorally Calibrated Reinforcement Learning [32.32593439144886]
  振舞い校正された強化学習により、小さなモデルは不確実な定量化においてフロンティアモデルを超えることができる。 当社のモデルでは,GPT-5の0.207を超える精度向上率(0.806)を挑戦的なドメイン内評価において達成している。
  論文  参考訳（メタデータ） (2025-12-22T22:51:48Z)
• Opening the Black Box: An Explainable, Few-shot AI4E Framework Informed by Physics and Expert Knowledge for Materials Engineering [5.815650691228101]
  我々は、そのアーキテクチャ全体を通して物理と専門家の知識によって体系的に情報を得る、説明可能な、少数のAI4Eフレームワークを提示する。 私たちのアプローチは、エンジニアリングドメインの知識を直接アーキテクチャに組み込むAIシステムを開発するための青写真を提供します。
  論文  参考訳（メタデータ） (2025-11-28T06:50:29Z)
• CAGE: Curvature-Aware Gradient Estimation For Accurate Quantization-Aware Training [73.46600457802693]
  本稿では,量子化による損失に対応する新しい手法を提案する。 CAGEは、同様の計算コストで、精度の観点から最先端の手法を大幅に改善する。 LlamaモデルのQAT事前トレーニングでは、CAGEは4ビット(W4A4)で達成された精度と事前のベストメソッドとを一致させる。
  論文  参考訳（メタデータ） (2025-10-21T16:33:57Z)
• Enhancing the Accuracy and Comprehensibility in Architectural Tactics Detection via Small Model-Augmented Prompt Engineering [12.554418096667856]
  アーキテクチャ戦略(AT)は、ソフトウェアシステムの非機能要件に対処する。 我々は,ATs検出の精度と理解性を高めるため,小型モデル拡張プロンプトフレームワークであるPrmt4TDを提案する。 Prmt4TDは,ATsバランスデータセットの精度(emphF1スコア)が13%-23%向上したことを示す。
  論文  参考訳（メタデータ） (2025-03-05T15:47:22Z)
• QCircuitBench: A Large-Scale Dataset for Benchmarking Quantum Algorithm Design [63.02824918725805]
  量子コンピューティングは、量子アルゴリズムによる古典的コンピューティングよりも大幅にスピードアップされていることが認識されている。 QCircuitBenchは、量子アルゴリズムの設計と実装におけるAIの能力を評価するために設計された最初のベンチマークデータセットである。
  論文  参考訳（メタデータ） (2024-10-10T14:24:30Z)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• Understanding Self-Training for Gradual Domain Adaptation [107.37869221297687]
  段階的なドメイン適応は、対象領域へ徐々にシフトするラベルのないデータのみを与えられたソースドメインで訓練された初期分類器を適応させることが目的である。 目標領域への直接適応が非有界誤差をもたらすような設定下において、段階的なシフトを伴う自己学習の誤差に対する最初の非無空上界を証明した。 この理論解析はアルゴリズムの洞察を導き、無限のデータを持つ場合でも正規化とラベルのシャープ化が不可欠であることを強調し、より小さなワッサーシュタイン無限距離のシフトに対して自己学習が特にうまく働くことを示唆している。
  論文  参考訳（メタデータ） (2020-02-26T08:59:40Z)

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。