論文の概要: From Paper to Program: A Multi-Stage LLM-Assisted Workflow for Accelerating Quantum Many-Body Algorithm Development
- arxiv url: http://arxiv.org/abs/2604.04089v1
- Date: Sun, 05 Apr 2026 12:12:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.913482
- Title: From Paper to Program: A Multi-Stage LLM-Assisted Workflow for Accelerating Quantum Many-Body Algorithm Development
- Title（参考訳）: 論文からプログラムへ:量子多体アルゴリズムの高速化のための多段階LCM支援ワークフロー
- Abstract要約: 量子多体理論をスケーラブルなソフトウェアに変換するには、伝統的に数ヶ月の労力を要する。
物理研究グループを模倣する多段階ワークフローを用いてこれを解決する。
我々は,密度行列再正規化グループエンジンを生成することにより,この手法を検証する。
- 参考スコア（独自算出の注目度）: 4.866193347313755
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Translating quantum many-body theory into scalable software traditionally requires months of effort. Zero-shot generation of tensor network algorithms by Large Language Models (LLMs) frequently fails due to spatial reasoning errors and memory bottlenecks. We resolve this using a multi-stage workflow that mimics a physics research group. By generating a mathematically rigorous LaTeX specification as an intermediate blueprint, we constrain the coding LLM to produce exact, matrix-free $\mathcal{O}(D^3)$ operations. We validate this approach by generating a Density-Matrix Renormalization Group (DMRG) engine that accurately captures the critical entanglement scaling of the Spin-$1/2$ Heisenberg model and the symmetry-protected topological (SPT) order of the Spin-$1$ AKLT model. Testing across 16 combinations of leading foundation models yielded a 100\% success rate. By compressing a months-long development cycle into under 24 hours ($\sim 14$ active hours), this framework offers a highly reproducible paradigm for accelerating computational physics research.
- Abstract（参考訳）: 量子多体理論をスケーラブルなソフトウェアに変換するには、伝統的に数ヶ月の労力を要する。
大規模言語モデル(LLM)によるテンソルネットワークアルゴリズムのゼロショット生成は、空間的推論誤差とメモリボトルネックによって頻繁に失敗する。
物理研究グループを模倣する多段階ワークフローを用いてこれを解決する。
数学的に厳密なLaTeX仕様を中間青写真として生成することにより、コーディング LLM を行列のない正確な $\mathcal{O}(D^3)$ 演算に制約する。
我々は,Spin-1/2$Heisenbergモデルの臨界エンタングルメントスケーリングとSpin-1/2$AKLTモデルの対称性保護トポロジカル(SPT)オーダーを正確にキャプチャする密度行列正規化グループ(DMRG)エンジンを生成することにより,このアプローチを検証する。
主要なファンデーションモデルを16の組み合わせでテストした結果、100\%の成功率を得た。
このフレームワークは、1ヶ月に及ぶ開発サイクルを24時間以下に圧縮する("\sim 14$ active hours")ことで、計算物理学の研究を加速するための非常に再現性の高いパラダイムを提供する。
関連論文リスト
- The Imitation Game: When LLMs Learn to Reason Like Programs via Code-Centric Reasoning Data Synthesis [50.473217152006875]
MIMICは、データ合成を推論するための厳密な媒体として実行可能なコードを活用するフレームワークである。
MIMICは、ナラティブ融合、コード誘導テスト合成、動的コードインスツルメンテーションを通じて、アルゴリズムを検証可能な推論軌道に変換する。
提案手法は, 一般的な推論, 複雑な数学的ベンチマーク, きめ細かい決定論的タスクにおいて, 精度を著しく向上させる。
論文 参考訳（メタデータ） (2026-09-13T17:04:16Z) - From I/O to Code with Discovery Agent [103.88427301265669]
IO2Codeの発見エージェントであるDIO-Agentを提案する。
本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。
大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2026-05-14T18:57:32Z) - Position: LLM Serving Needs Mathematical Optimization and Algorithmic Foundations, Not Just Heuristics [3.143753806123382]
LLM推論はジェネリックよりも優れており、現在では数学的最適化とアルゴリズムの基礎が要求されている。
これらの汎用ポリシーは、LLM推論の特徴的な構造、-動的に増大するKVキャッシュメモリ、プリフィル・デコード位相非対称性、未知の出力長、連続的な制約を無視している。
いくつかのシナリオで成功するが、他のシナリオでは予測不可能に失敗するモデルよりも、さまざまなワークロードで保証可能なパフォーマンス保証を備えたアルゴリズムを開発する必要がある、と我々は主張する。
論文 参考訳（メタデータ） (2026-05-02T06:31:11Z) - MatClaw: An Autonomous Code-First LLM Agent for End-to-End Materials Exploration [0.0]
我々は、Pythonを直接書き、実行するためのコードファーストエージェントであるMatchClawを提示する。
MatClawはコード生成を確実に扱うが、暗黙のドメイン知識に苦慮している。
その結果、ガイド付きと完全に自律的な計算材料研究のギャップはこれまで以上に狭くなっていることが明らかとなった。
論文 参考訳（メタデータ） (2026-04-03T03:32:15Z) - $\nabla$-Reasoner: LLM Reasoning via Test-Time Gradient Descent in Latent Space [71.23672814629448]
$nabla$-Reasonerは、トークンログに対する差別化可能な最適化をデコードループに統合する反復生成フレームワークである。
$nabla$-Reasonerは、挑戦的な数学的推論ベンチマークで20%以上の精度の向上を実現している。
論文 参考訳（メタデータ） (2026-03-05T08:42:54Z) - DeepCode: Open Agentic Coding [11.7906174865581]
DeepCodeは、ドキュメントからコードへの合成のための完全に自律的なフレームワークである。
有限のコンテキスト予算の下でタスク関連信号を最大化する4つの情報操作を編成する。
PaperBenchベンチマークの大規模な評価は、DeepCodeが最先端のパフォーマンスを達成したことを示している。
論文 参考訳（メタデータ） (2025-12-08T16:07:13Z) - From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。
コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。
一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
論文 参考訳（メタデータ） (2025-11-23T17:09:34Z) - Quantum-Guided Test Case Minimization for LLM-Based Code Generation [0.42970700836450487]
テスト駆動開発(TDD)に基づいたフレームワークを導入し、コード仕様をエンジニアリング最適化タスクに変換する。
このフレームワークはまずLLMにテストスイートを生成するように促し、次にテストケース最小化(TCM)問題を準拘束不能バイナリ最適化(QUBO)モデルとして定式化する。
この研究は、生成AIとソフトウェアエンジニアリングにおける最適化の強力な相乗効果を示し、正確なモデル定式化の重要性を強調している。
論文 参考訳（メタデータ） (2025-11-19T18:00:44Z) - Learning Grouped Lattice Vector Quantizers for Low-Bit LLM Compression [57.54335545892155]
本稿では,各重みの群に独自の格子コードブックを割り当てるGLVQ(Grouped Lattice Vector Quantization)フレームワークを紹介する。
提案手法は,既存のトレーニング後の量子化ベースラインと比較して,モデルサイズと精度のトレードオフが良好である。
論文 参考訳（メタデータ） (2025-10-23T20:19:48Z) - FFT-Accelerated Auxiliary Variable MCMC for Fermionic Lattice Models: A Determinant-Free Approach with $O(N\log N)$ Complexity [52.3171766248012]
量子多体系のシミュレーションを劇的に高速化するマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを導入する。
我々は,量子物理学のベンチマーク問題に対するアルゴリズムの有効性を検証し,既知の理論結果を正確に再現する。
我々の研究は、大規模確率的推論のための強力なツールを提供し、物理学に着想を得た生成モデルのための道を開く。
論文 参考訳（メタデータ） (2025-10-13T07:57:21Z) - Scaling Up Liquid-Resistance Liquid-Capacitance Networks for Efficient Sequence Modeling [50.994194925685434]
LrcSSMは$textitnon-linear$リカレントモデルで、現在の線形状態空間層と同じくらい高速に長いシーケンスを処理する。
ヤコビ行列を対角線に強制することにより、全列を並列に解くことができる。
LrcSSMは、Liquid-S4のような他の入力変化系が提供しないことを保証する形式的な勾配安定性を提供する。
論文 参考訳（メタデータ） (2025-05-27T20:02:59Z) - FFT-based Dynamic Subspace Selection for Low-Rank Adaptive Optimization of Large Language Models [49.397861654088636]
低次元空間へのSVD/QRベースの勾配射影を近似する2段階の手順を提案する。
当社の戦略はランタイムの高速化とメモリ使用量の削減を,さまざまなモデルサイズで最大25%削減できることが示されています。
論文 参考訳（メタデータ） (2025-05-23T14:37:00Z) - Is Compression Really Linear with Code Intelligence? [60.123628177110206]
textitFormat Annealingは、事前訓練されたモデルの本質的な能力を同等に評価するために設計された、軽量で透明なトレーニング手法である。
我々の経験的結果は、測定されたコードインテリジェンスとビット・パー・キャラクタ(BPC)の基本的な対数関係を明らかにする。
私たちの研究は、コードインテリジェンスの開発における圧縮の役割をより微妙に理解し、コードドメインにおける堅牢な評価フレームワークに貢献します。
論文 参考訳（メタデータ） (2025-05-16T16:59:14Z) - OpenCoder: The Open Cookbook for Top-Tier Code Large Language Models [76.59316249991657]
コードのための大規模言語モデル(LLM)は、コード生成、推論タスク、エージェントシステムなど、さまざまな領域で必須になっている。
オープンアクセスのコード LLM はプロプライエタリなモデルの性能レベルに近づきつつあるが、高品質なコード LLM は依然として限られている。
トップクラスのコードLLMであるOpenCoderは、主要なモデルに匹敵するパフォーマンスを達成するだけでなく、研究コミュニティの"オープンクックブック"としても機能します。
論文 参考訳（メタデータ） (2024-11-07T17:47:25Z) - Quantum-Inspired Fluid Simulation of 2D Turbulence with GPU Acceleration [0.894484621897981]
本研究では,速度を行列積状態とするNavier-Stokes方程式の解法について検討する。
我々の適応はシミュレーションを最大12.1倍スピードアップさせる。
このアルゴリズムは乱流状態の直接数値シミュレーションに対して潜在的に有利であることがわかった。
論文 参考訳（メタデータ） (2024-06-25T10:31:20Z) - QuantEase: Optimization-based Quantization for Language Models [17.333778751252392]
本研究は,近年のLarge Language Models (LLMs) の進歩から,様々な量子化層の量子化(PTQ)を導入する。
当社のCDベースのアプローチは、ベクター操作にのみ依存して、簡単にアップデートできる。
我々はまた、完全な精度で重要な重量(外積)を維持することができるような、外れ値のアプローチも検討している。
論文 参考訳（メタデータ） (2023-09-05T01:39:09Z)
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。