論文の概要: From Paper to Program: Accelerating Quantum Many-Body Algorithm Development via a Multi-Stage LLM-Assisted Workflow
- arxiv url: http://arxiv.org/abs/2604.04089v2
- Date: Fri, 10 Apr 2026 03:33:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 13:51:27.566971
- Title: From Paper to Program: Accelerating Quantum Many-Body Algorithm Development via a Multi-Stage LLM-Assisted Workflow
- Title（参考訳）: 論文からプログラムへ:多段階LCM支援ワークフローによる量子多体アルゴリズムの高速化
- Authors: Yi Zhou,
- Abstract要約: 大規模言語モデル(LLM)は高速にコードを生成することができるが、科学的アルゴリズムでは信頼性が低い。
本稿では,理論抽出,形式仕様,コード実装を分離した多段階LLM支援ワークフローを提案する。
- 参考スコア（独自算出の注目度）: 4.866193347313755
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) can generate code rapidly but remain unreliable for scientific algorithms whose correctness depends on structural assumptions rarely explicit in the source literature. We introduce a multi-stage LLM-assisted workflow that separates theory extraction, formal specification, and code implementation. The key step is an intermediate technical specification -- produced by a dedicated LLM agent and reviewed by the human researcher -- that externalizes implementation-critical computational knowledge absent from the source literature, including explicit index conventions, contraction orderings, and matrix-free operational constraints that avoid explicit storage of large operator matrices. A controlled comparison shows that it is this externalized content, rather than the formal document structure, that enables reliable code generation. As a stringent benchmark, we apply this workflow to the Density-Matrix Renormalization Group (DMRG), a canonical quantum many-body algorithm requiring exact tensor-index logic, gauge consistency, and memory-aware contractions. The resulting code reproduces the critical entanglement scaling of the spin-$1/2$ Heisenberg chain and the symmetry-protected topological order of the spin-$1$ Affleck--Kennedy--Lieb--Tasaki model. Across 16 tested combinations of leading foundation models, all workflows satisfied the same physics-validation criteria, compared to a 46\% success rate for direct, unmediated implementation. The workflow reduced a development cycle typically requiring weeks of graduate-level effort to under 24 hours.
- Abstract（参考訳）: 大規模言語モデル(LLM)はコード生成を迅速に行うことができるが、構造的仮定に依存している科学的アルゴリズムでは信頼性が低いままである。
本稿では,理論抽出,形式仕様,コード実装を分離した多段階LLM支援ワークフローを提案する。
重要なステップは、専用のLLMエージェントによって作成され、人間の研究者によってレビューされた中間技術仕様である。これは、明示的なインデックス規則、収縮順序付け、大規模な演算子行列の明示的な保存を避けるマトリックスのない運用制約を含む、ソース文献から欠落した実装クリティカルな計算知識を外部化するものである。
制御された比較は、信頼できるコード生成を可能にする形式的なドキュメント構造ではなく、この外部化されたコンテンツであることを示している。
厳密なベンチマークとして、このワークフローを正準量子多体アルゴリズムである密度行列再正規化群(DMRG)に適用する。
結果の符号はスピン-1/2$ハイゼンベルク鎖の臨界絡み合いスケーリングとスピン-1$Affleck--Kennedy--Lieb--Tasakiモデルの対称性で保護された位相秩序を再現する。
主要な基礎モデルの組み合わせを16回以上テストし、すべてのワークフローは同じ物理検証基準を満たした。
ワークフローによって開発サイクルが短縮され、通常は卒業レベルの作業が24時間以内に数週間必要になった。
関連論文リスト
- $\nabla$-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) - 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) - 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。