論文の概要: Beyond Rules: LLM-Powered Linting for Quantum Programs
- arxiv url: http://arxiv.org/abs/2605.03943v1
- Date: Tue, 05 May 2026 16:31:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:44.034068
- Title: Beyond Rules: LLM-Powered Linting for Quantum Programs
- Title（参考訳）: ルールを超えて: LLMを使った量子プログラムのリンティング
- Authors: Pietro Cassieri, Giuseppe Scanniello, Seung Yeob Shin, Fabrizio Pastore, Domenico Bianculli,
- Abstract要約: 本稿ではLintQ-LLM+CoTとLintQ-LLM+RAGを紹介する。
CoT (Chain-of-Thought) をプロンプトし、RAG (Retrieval-Augmented Generation) システムを通じて特別に設計された LLM は、モデルの推論をキュレートされた知識ベースで根拠付ける。
LLMに基づくアプローチは、RAGの有無にかかわらず、量子プログラミング問題の精度(精度)と完全性(リコール)においてLintQよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 4.968531828144473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As quantum computing transitions from theoretical experimentation to its practical application, the reliability of quantum software has become a critical bottleneck. Traditional static analysis techniques for quantum programs, primarily rule-based linters, are increasingly inadequate; they struggle to keep pace with rapidly evolving APIs and fail to capture complex, context-dependent quantum programming problems. This results in high maintenance overhead and limited detection capabilities. In this paper, we introduce LintQ-LLM+CoT and LintQ-LLM+RAG, novel approaches that redefine the detection of quantum programming problems by employing Large Language Models (LLMs) specialized, respectively, via Chain-of-Thought (CoT) prompting and a Retrieval-Augmented Generation (RAG) system that grounds the model's reasoning in a curated knowledge base of verified quantum programming problems and best practices. We conducted a rigorous and manual comparative evaluation against the state-of-the-art rule-based tool, LintQ, using a corpus of 55 Qiskit programs. Our results show that LLM-based approaches, with and without RAG, outperform LintQ in terms of quantum programming problems detection correctness (precision) and completeness (recall). Overall, LLM-based approaches were more effective than LintQ (F1-score equal to 0.70 and 0.68 vs. 0.41). Furthermore, the RAG-enhanced variant demonstrated a slightly superior precision, effectively reducing false positives. Our findings suggest that LLMs provide a scalable and adaptive foundation for the next generation of linters in quantum software engineering.
- Abstract（参考訳）: 量子コンピューティングが理論実験から実用化へと移行するにつれ、量子ソフトウェアの信頼性は重要なボトルネックとなっている。
量子プログラムの従来の静的解析技術(主にルールベースのリンタ)は、急速に進化するAPIとペースを維持するのに苦労し、複雑なコンテキスト依存の量子プログラミング問題を捉えるのに失敗する。
これにより、高いメンテナンスオーバーヘッドと限られた検出能力が得られる。
本稿では,LintQ-LLM+CoTとLintQ-LLM+RAGを紹介する。LintQ-LLM+RAGは,大規模言語モデル (LLM) を特殊化して量子プログラミング問題の検出を再定義する手法である。
55のQiskitプログラムのコーパスを用いて,最先端のルールベースツールLintQに対して厳密かつ手動で比較評価を行った。
以上の結果から,LintQよりも精度(精度)と完全性(リコール)が優れていることがわかった。
LLMベースのアプローチはLintQよりも効果的であった(F1スコアは0.70と0.68対0.41)。
さらに、RAG強化変異体はわずかに優れた精度を示し、偽陽性を効果的に低減した。
この結果から,LLMは次世代の量子ソフトウェア工学において,スケーラブルで適応的な基盤となることが示唆された。
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) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - QUASAR: Quantum Assembly Code Generation Using Tool-Augmented LLMs via Agentic RL [8.823588193058727]
大規模言語モデル(LLM)に基づく量子回路生成は有望な自動解法として登場した。
本稿では,量子回路生成と最適化のためのエージェント強化学習フレームワークであるQUISARを提案する。
論文 参考訳（メタデータ） (2025-10-01T14:40:04Z) - QAgent: An LLM-based Multi-Agent System for Autonomous OpenQASM programming [8.73473101831257]
OpenQASMプログラミングを完全に自動化するマルチエージェントシステムであるQAgentを提案する。
評価では, 異なるサイズの複数のLDMに対して, 大幅な改善が見られた。
我々は、このマルチエージェントシステムを、量子プログラミングの民主化、専門知識のギャップを埋め、量子コンピューティングの実践的採用を加速するための重要な実現手段として想定する。
論文 参考訳（メタデータ） (2025-08-26T18:40:02Z) - End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。
重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。
実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
論文 参考訳（メタデータ） (2025-08-21T01:18:27Z) - Agent-Q: Fine-Tuning Large Language Models for Quantum Circuit Generation and Optimization [5.2374261493530065]
大規模言語モデル (LLMs) は、数学、コーディング、科学報告の分析を含む複雑な問題において顕著な成果を上げている。
本稿では,量子回路の生成と最適化を行うLLMファインチューニングシステムであるAgent-Qについて述べる。
論文 参考訳（メタデータ） (2025-04-15T11:56:54Z) - Quantum Program Linting with LLMs: Emerging Results from a Comparative Study [5.062046608347911]
本研究では,Large Language Models (LLMs) を用いた量子ソフトウェア開発のための新しいリンティング手法の実現可能性について検討する。
我々はLintQ-LLM(LintQ-LLM)を紹介する。LintQはLintQに匹敵する量子固有問題を検出するためのLintQ-LLMである。
論文 参考訳（メタデータ） (2025-04-07T15:51:31Z) - 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) - Zero-Shot Sharpness-Aware Quantization for Pre-trained Language Models [88.80146574509195]
量子化は、メモリオーバーヘッドを減らし、推論を加速するための有望なアプローチである。
種々のPLMのゼロショット量子化のための新しい量子化(ZSAQ)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-20T07:09:56Z)
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。