論文の概要: Practical Quantum CIM Empowerment via All-Domestic-Core Agentic Large Model

• arxiv url: http://arxiv.org/abs/2605.23934v1
• Date: Fri, 24 Apr 2026 03:45:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:42.94806
• Title: Practical Quantum CIM Empowerment via All-Domestic-Core Agentic Large Model
• Title（参考訳）: 全ホームコアエージェント大モデルによる実用的量子CIMエンパワーメント
• Authors: Wang Rui, Lu Diannan,
• Abstract要約: フェムト秒レーザー励起コヒーレントイジングマシン(CIM)とエージェントシステムを統合し,LangGraphおよびLangChainフレームワークを活用する。 大規模言語モデル(LLM)は,QUBO/Isingモデルキャリブレーション,制約重み決定反復,文献報告方式の迅速な検証など,モデリングのタスクを効果的に実行できることを実証する。
• 参考スコア（独自算出の注目度）: 0.17188280334580197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum computing devices are recognized as powerful tools for solving NP-complete problems. However, the intricacy of their modeling presents notable barriers for non-specialists, while the tedious iteration of constraint weights and modeling methodologies also consumes substantial effort on the part of experts. To address these challenges, this study integrates a femtosecond laser-pumped Coherent Ising Machine (CIM) with an LLM-driven agentic system by leveraging the LangGraph and LangChain frameworks. Comprehensive investigations demonstrate that large language models (LLMs) can effectively perform such tasks in modeling as QUBO/Ising model calibration, constraint weight decision iteration and rapid validation of literature-reported schemes. Notably, all these tasks can be fully implemented based on domestic large models, combined with domestically developed CIM hardware, we truly achieve the practical empowerment of quantum CIM that fully relies on all-domestic agentic large models and hardware. This work successfully realizes robust technological integration, laying a solid foundation for subsequent research. Nevertheless, it also identifies the persisting challenges in the two cutting-edge fields of large models and quantum computing at the current stage. Encouragingly, we unexpectedly discover a promising new paradigm where accumulated knowledge from agent-assisted quantum computing iterations reciprocally enhances the agent's own problem-solving capability, thereby addressing these challenges.
• Abstract（参考訳）: 量子コンピューティングデバイスはNP完全問題を解決する強力なツールとして認識されている。 しかしながら、それらのモデリングの複雑さは、非専門家にとって顕著な障壁を示し、一方で制約重みとモデリング方法論の退屈な反復は、専門家の一部に多大な労力を費やす。 これらの課題に対処するため、LangGraphおよびLangChainフレームワークを活用し、フェムト秒レーザー励起コヒーレントイジングマシン(CIM)とLLM駆動のエージェントシステムを統合する。 大規模言語モデル(LLM)は,QUBO/Isingモデルキャリブレーション,制約重み決定反復,文献報告型スキームの迅速な検証などのモデリングにおいて,効果的に行うことができることを示した。 特に、これらすべてのタスクは、国内で開発されたCIMハードウェアと組み合わせて、全国内規模のエージェントモデルとハードウェアに完全に依存する量子CIMの実践的なエンパワーメントを実現することができる。 この研究は、堅牢な技術統合の実現に成功し、その後の研究の確固たる基盤を築いた。 しかし、これはまた、現在の2つの最先端の大規模モデルと量子コンピューティングの課題も認識している。 エージェント支援量子コンピューティングの繰り返しから蓄積された知識が、エージェント自身の問題解決能力を相互に強化し、これらの課題に対処する、有望な新しいパラダイムを思いがけなく発見する。

関連論文リスト

• Quantum Circuit-Based Learning Models: Bridging Quantum Computing and Machine Learning [40.71697366438106]
  本稿では、古典的データ解析のための量子回路に基づく学習モデルに関する既存のコントリビューションについて概説する。 本稿では,現在のハードウェア制約下での実用性を高めることのできる,耐雑音性とハードウェア効率のよいQMLの取り組みについて論じる。
  論文  参考訳（メタデータ） (2026-01-19T12:52:25Z)
• ModelingAgent: Bridging LLMs and Mathematical Modeling for Real-World Challenges [72.19809898215857]
  ModelingBenchは、様々な領域にわたる数学モデリングの競争から、現実に着想を得たオープンエンドの問題を特徴付ける新しいベンチマークである。 これらのタスクには、自然言語を形式的な数学的定式化に翻訳し、適切なツールを適用し、構造化された防御可能なレポートを生成する必要がある。 ツール使用をコーディネートするマルチエージェントフレームワークである ModelingAgent も紹介します。
  論文  参考訳（メタデータ） (2025-05-21T03:33:23Z)
• Outlier-Robust Multi-Model Fitting on Quantum Annealers [29.24367815462826]
  マルチモデルフィッティング(MMF)はコンピュータビジョンにおいて重要な課題である。 既存の量子ベースのモデルフィッティングのアプローチは、単一のモデルに制限されるか、または、外れ値のないデータセット内のマルチモデルシナリオを考慮するかのいずれかである。 本稿では,外乱を効果的に扱えるロバスト量子マルチモデルフィッティング(R-QuMF)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-18T17:59:53Z)
• Art and Science of Quantizing Large-Scale Models: A Comprehensive Overview [4.166341398835636]
  本稿では,モデルサイズ成長の必要性と影響を論じ,性能のメリットと計算課題,環境配慮について考察する。 ポストトレーニング量子化(PTQ)と量子化対応トレーニング(QAT)の両方を含む、さまざまな量子化手法を探求する。 これらの手法が、アウトレーヤや重み付け、アクティベーション量子化といった問題にどのように対処するかを検討し、最終的には、より持続可能な大規模モデルのデプロイに寄与する。
  論文  参考訳（メタデータ） (2024-09-18T02:35:00Z)
• Quantum Machine Learning Architecture Search via Deep Reinforcement Learning [8.546707309430593]
  教師付き学習タスクに適した有能なQMLモデルアーキテクチャを探索するために、深層強化学習を導入する。 我々の手法は、所定のアンザッツを使わずにQMLモデルの発見を容易にするポリシーを考案するために、RLエージェントを訓練することを含む。 提案手法は,ゲート深さを最小化しながら高い分類精度を達成できるVQCアーキテクチャの同定に成功している。
  論文  参考訳（メタデータ） (2024-07-29T16:20:51Z)
• Limits of Deep Learning: Sequence Modeling through the Lens of Complexity Theory [15.24542569393982]
  彼らの成功にもかかわらず、ディープラーニングモデルは複雑な推論と機能構成を必要とするタスクに苦しむ。 本研究では,SSM(Structured State Space Models)とTransformer(Transformer)の制約に関する理論的および実証的研究を行う。 信頼性の高い多段階推論と構成課題解決を実現するための革新的なソリューションの必要性を強調した。
  論文  参考訳（メタデータ） (2024-05-26T19:33:23Z)
• Potential and limitations of quantum extreme learning machines [55.41644538483948]
  本稿では,QRCとQELMをモデル化するフレームワークを提案する。 我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
  論文  参考訳（メタデータ） (2022-10-03T09:32:28Z)
• Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
  マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。 これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。 本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-02-17T18:59:20Z)

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。