論文の概要: C2|Q>: A Robust Framework for Bridging Classical and Quantum Software Development -- RCR Report

• arxiv url: http://arxiv.org/abs/2604.04112v1
• Date: Sun, 05 Apr 2026 13:19:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.928183
• Title: C2|Q>: A Robust Framework for Bridging Classical and Quantum Software Development -- RCR Report
• Title（参考訳）: C2|Q>: 古典的および量子的ソフトウェア開発を橋渡しするロバストフレームワーク - RCRレポート
• Authors: Boshuai Ye, Arif Ali Khan, Teemu Pihkakoski, Peng Liang, Muhammad Azeem Akbar, Matti Silveri, Lauri Malmi,
• Abstract要約: 本稿では,軽量な古典的問題仕様を量子プログラムに変換するモジュラーフレームワークを提案する。 フレームワークのソースコードはGitHubでリリースしています。 本報告では,各実行経路から対応する実験へのアーティファクト構造,設定手順,マッピングについて述べる。
• 参考スコア（独自算出の注目度）: 2.1232112124111775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This is the Replicated Computational Results (RCR) Report for the paper C2|Q>: A Robust Framework for Bridging Classical and Quantum Software Development. The paper introduces a modular, hardware-agnostic framework that translates classical problem specifications - Python code or structured JSON - into executable quantum programs across ten problem families and multiple hardware backends. We release the framework source code on GitHub at https://github.com/C2-Q/C2Q, a pretrained parser model on Zenodo at https://zenodo.org/records/19061125, evaluation data in a separate Zenodo record at https://zenodo.org/records/17071667, and a PyPI package at https://pypi.org/project/c2q-framework/ for lightweight CLI and API use. Experiment 1 is supported through a released pretrained model and training notebook, while Experiments 2 and 3 are directly executable via documented make targets. This report describes the artifact structure, setup instructions, and the mapping from each execution route to the corresponding experiment.
• Abstract（参考訳）: This is the Replicated Computational Results (RCR) Report for the paper C2|Q>: A Robust Framework for Bridging Classical and Quantum Software Development。 本稿では,従来の問題仕様であるPythonコードや構造化JSONを,10の問題ファミリと複数のハードウェアバックエンドにまたがる実行可能な量子プログラムに変換する,モジュール型のハードウェアに依存しないフレームワークを紹介する。 フレームワークのソースコードはGitHubでhttps://github.com/C2-Q/C2Q、Zenodoの事前トレーニング済みパーサーモデルhttps://zenodo.org/records/19061125、別のZenodoレコードでの評価データhttps://zenodo.org/records/17071667、軽量CLIとAPI使用用のPyPIパッケージを公開しています。 Experiment 1はリリース済みの事前トレーニングモデルとトレーニングノートを通じてサポートされ、Experiment 2と3はドキュメント化されたmakeターゲットを介して直接実行可能である。 本報告では,各実行経路から対応する実験へのアーティファクト構造,設定手順,マッピングについて述べる。

関連論文リスト

• QCoder Benchmark: Bridging Language Generation and Quantum Hardware through Simulator-Based Feedback [7.355017519768158]
  本稿では,大規模言語モデル(LLM)を量子プログラミングで評価する評価フレームワークであるQCoder Benchmarkを紹介する。 提案ベンチマークは,従来のPython実行以上の量子シミュレータ環境による評価をサポートする。 GPT-4oのような先進的なモデルでさえ18.97%の精度しか達成せず、ベンチマークの難しさを強調している。 対照的に、o3のような推論ベースのモデルは78%の精度に達し、人間の書いたコードの平均成功率を上回っている。
  論文  参考訳（メタデータ） (2025-10-30T03:27:35Z)
• Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
  機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。 PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。 次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
  論文  参考訳（メタデータ） (2025-04-24T01:57:01Z)
• Comgra: A Tool for Analyzing and Debugging Neural Networks [35.89730807984949]
  PyTorchで使用するオープンソースのpythonライブラリであるcomgraを紹介します。 Comgraはモデルの内部アクティベーションに関するデータを抽出し、GUIで整理する。 要約統計と個々のデータポイントの両方を示し、トレーニングの初期段階と後期を比較し、関心のある個々のサンプルに注目し、ネットワークを通しての勾配の流れを可視化する。
  論文  参考訳（メタデータ） (2024-07-31T14:57:23Z)
• KGym: A Platform and Dataset to Benchmark Large Language Models on Linux Kernel Crash Resolution [59.20933707301566]
  大規模言語モデル(LLM)は、ますます現実的なソフトウェア工学(SE)タスクにおいて一貫して改善されている。 現実世界のソフトウェアスタックでは、Linuxカーネルのような基本的なシステムソフトウェアの開発にSEの取り組みが費やされています。 このような大規模システムレベルのソフトウェアを開発する際にMLモデルが有用かどうかを評価するため、kGymとkBenchを紹介する。
  論文  参考訳（メタデータ） (2024-07-02T21:44:22Z)
• torchgfn: A PyTorch GFlowNet library [44.94532429787822]
  我々は、このニーズに対処することを目的としたPyTorchライブラリであるTorchgfnを紹介します。 その中核的な貢献は、環境、ニューラルネットワークモジュールを扱い、目標を交換可能なコンポーネントとしてトレーニングするモジュールで分離されたアーキテクチャである。 これによってユーザは、高速なプロトタイピングと新しい研究を容易にする、シンプルだが強力なAPIをユーザに提供する。
  論文  参考訳（メタデータ） (2023-05-24T00:20:59Z)
• PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
  PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。 PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。 PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
  論文  参考訳（メタデータ） (2022-01-12T07:32:36Z)
• TorchKGE: Knowledge Graph Embedding in Python and PyTorch [0.0]
  TorchKGEは、PyTorchのみに依存する知識グラフ(KG)組み込みのためのPythonモジュールである。 KGデータ構造、単純なモデルインターフェース、ネガティブサンプリングとモデル評価のためのモジュールを備えている。
  論文  参考訳（メタデータ） (2020-09-07T09:21:34Z)
• Signatory: differentiable computations of the signature and logsignature transforms, on both CPU and GPU [13.503274710499971]
  Signatoryは、シグネチャおよびログシグネチャ変換に関連する機能を計算し、実行するライブラリである。 これは、効率的な事前計算戦略など、以前のライブラリでは利用できない新機能を実装している。 ライブラリはC++のPythonラッパーとして動作し、PyTorchエコシステムと互換性がある。
  論文  参考訳（メタデータ） (2020-01-03T03:15:58Z)

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。