論文の概要: Q-Bridge: Code Translation for Quantum Machine Learning via LLMs

• arxiv url: http://arxiv.org/abs/2603.27836v1
• Date: Sun, 29 Mar 2026 19:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.139106
• Title: Q-Bridge: Code Translation for Quantum Machine Learning via LLMs
• Title（参考訳）: Q-Bridge: LLMによる量子機械学習のためのコード翻訳
• Authors: Runjia Zeng, Priyabrata Senapati, Ruixiang Tang, Dongfang Liu, Qiang Guan,
• Abstract要約: 本稿では,CML実装をQML変種に変換するLLM誘導型コード翻訳フレームワークであるQ-Bridgeを紹介する。 当社のアプローチは,検証済みのシードを大規模データセットであるCML-2-QMLに反復的に拡張する自己導入パイプライン上に構築されている。 経験的分析により、直接CMLからQMLへの変換の実現可能性を確認し、古典的および量子的パラダイム間の一貫した構造的整合性を明らかにする。
• 参考スコア（独自算出の注目度）: 27.986712274888376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models have recently shown potential in bridging the gap between classical machine learning and quantum machine learning. However, the lack of standardized, high-quality datasets and robust translation frameworks limits progress in this domain. We introduce Q-Bridge, an LLM-guided code translation framework that systematically converts CML implementations into executable QML variants. Our approach builds on a self-involving pipeline that iteratively expands a verified seed codebase into a large-scale dataset, CML-2-QML, integrating verifiable and unverifiable code pairs. The Q-Bridge model is fine-tuned using supervised LoRA adaptation for scalable and memory-efficient training, achieving faithful and interpretable quantum code generation across diverse architectures. Empirical analysis confirms the feasibility of direct CML-to-QML translation and reveals consistent structural alignment between classical and quantum paradigms. Case studies further demonstrate that Q-Bridge can maintain deterministic correctness and also enable creative architectural exploration. This work establishes the first reproducible framework and dataset for LLM-driven quantum code translation, offering a foundation for scalable quantum AI development.
• Abstract（参考訳）: 大規模言語モデルは、最近、古典的な機械学習と量子機械学習のギャップを埋める可能性を示している。 しかし、標準化された高品質のデータセットと堅牢な翻訳フレームワークが欠如しているため、このドメインの進歩は制限される。 本稿では,CML実装を実行可能なQML変種に体系的に変換するLLM誘導型コード翻訳フレームワークであるQ-Bridgeを紹介する。 当社のアプローチは,検証済みのシードコードベースを大規模データセットであるCML-2-QMLに反復的に拡張して,検証可能なコードペアと検証不可能なコードペアを統合する,自己関与型パイプライン上に構築されている。 Q-Bridgeモデルは、スケーラブルでメモリ効率のよいトレーニングのために教師付きLoRA適応を使用して微調整され、多様なアーキテクチャで忠実で解釈可能な量子コード生成を実現する。 経験的分析により、直接CMLからQMLへの変換の実現可能性を確認し、古典的および量子的パラダイム間の一貫した構造的整合性を明らかにする。 ケーススタディでは、Q-Bridgeが決定論的正しさを維持し、創造的なアーキテクチャ探索を可能にすることが示されている。 この研究は、LLM駆動の量子コード翻訳のための最初の再現可能なフレームワークとデータセットを確立し、スケーラブルな量子AI開発の基礎を提供する。

関連論文リスト

• Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
  古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。 このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。 我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:29:21Z)
• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• Quantum Knowledge Distillation for Large Language Models [10.023534560183919]
  大規模言語モデルのための量子知識蒸留モデル(QD-LLM)を提案する。 古典的シミュレーションでは、QD-LLMは複数のテキスト分類タスクにおいていくつかの主流蒸留法より優れている。 得られた回路をQuafuプラットフォームを介してBaihua超伝導量子プロセッサ上に展開し,実用性を評価する。
  論文  参考訳（メタデータ） (2025-05-19T14:56:24Z)
• QuXAI: Explainers for Hybrid Quantum Machine Learning Models [1.0225653612678713]
  この研究は、ハイブリッド機械学習システムにおける機能の重要性を説明するための説明器QuXAIを紹介する。 我々のモデルは、量子特徴写像を取り入れたHQMLモデルの作成、Q-MEDLEYの使用、特徴ベースの推論の組み合わせ、量子変換ステージの保存、および結果の属性の可視化を含む。 以上の結果から,Q-MEDLEYはHQMLモデルにおいて重要な古典的側面を表現し,ノイズを分離し,既存のXAI技術とよく競合することを示す。
  論文  参考訳（メタデータ） (2025-05-15T10:51:34Z)
• SynerGen-VL: Towards Synergistic Image Understanding and Generation with Vision Experts and Token Folding [66.74446220401296]
  画像の理解と生成の両方が可能なシンプルだが強力なエンコーダのないMLLMであるSynerGen-VLを提案する。 トークンの折り畳み機構と,高分解能画像理解を効果的に支援するビジョンエキスパートベースのプログレッシブアライメント事前学習戦略を導入する。 コードとモデルはリリースされます。
  論文  参考訳（メタデータ） (2024-12-12T18:59:26Z)
• Advancing Multimodal Large Language Models with Quantization-Aware Scale Learning for Efficient Adaptation [70.22782550540714]
  QSLAWと呼ばれるマルチモーダルワームアップに基づく量子化対応スケールルアーニング法 本稿では、QSLAWと呼ばれるマルチモーダルワームアップに基づく量子化対応スケールLeArning手法を提案する。
  論文  参考訳（メタデータ） (2024-08-07T12:42:09Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)

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。