論文の概要: Qiskit Code Migration with LLMs

• arxiv url: http://arxiv.org/abs/2606.20173v1
• Date: Thu, 18 Jun 2026 12:40:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.855484
• Title: Qiskit Code Migration with LLMs
• Title（参考訳）: LLMによるQiskitコードマイグレーション
• Authors: Jose Manuel Suarez, Luis Mariano Bibbo, Joaquin Bogado, Alenandro Fernandez,
• Abstract要約: 本稿では,大規模言語モデル (LLM) とレトリーバル拡張生成 (RAG) を統合し,Qiskit コードのバージョン間移行を自動化するハイブリッドアプローチを提案する。 提案手法は,移動シナリオの自動分類を利用して,移動提案の精度と信頼性を向上させる。
• 参考スコア（独自算出の注目度）: 0.13683072934528265
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The rapid evolution of Quantum Development Kits (QDKs) introduces a specific form of technical debt that compromises code maintainability and hinders software reuse. In the specialized domain of Quantum Software Engineering (QSE), this challenge is intensified by the scarcity of high-quality training data and the high volatility of emerging frameworks, which often lead general-purpose Large Language Models (LLMs) to produce unreliable or hallucinated results. This paper proposes a hybrid approach integrating LLMs with Retrieval-Augmented Generation (RAG) to automate the migration of Qiskit code across versions. The proposed methodology enhances the precision and reliability of migration suggestions by leveraging an automatically generated taxonomy of migration scenarios as the structured, version-specific knowledge source to guide the models. The approach is implemented through an automated, extensible workflow evaluating LLMs (Google Gemini Flash-2.5 and OpenAI Gpt-oss-20b) under different retrieval schemes (unconstrained and restrictive). Results demonstrate that the taxonomy-based RAG architecture, particularly under the restrictive scheme, significantly reduces hallucinations and improves descriptive quality, with Google Gemini Flash-2.5 showing superior performance in detecting complex refactoring scenarios. These findings confirm the potential of this data-centric methodology to foster technological independence and provide robust, intelligent assistants that mitigate API obsolescence, ensuring the long-term availability of quantum algorithms within a rapidly shifting ecosystem and flattening the learning curve within Quantum Software Engineering (QSE).
• Abstract（参考訳）: 量子開発キット(QDK)の急速な進化は、コードの保守性を損なうような技術的負債の特定の形態を導入し、ソフトウェアの再利用を妨げる。 量子ソフトウェア工学(QSE)の専門分野において、この課題は、高品質なトレーニングデータの不足と新興フレームワークの高ボラティリティによって強化される。 本稿では,バージョン間のQiskitコードのマイグレーションを自動化するために,LLMとRAGを統合したハイブリッドアプローチを提案する。 提案手法は,移動シナリオの自動分類を構造的,バージョン固有の知識源として活用することにより,移動提案の精度と信頼性を向上させる。 このアプローチは、LLM(Google Gemini Flash-2.5とOpenAI Gpt-oss-20b)を評価する自動化された拡張可能なワークフローを通じて実装されている。 Google Gemini Flash-2.5は複雑なリファクタリングシナリオの検出において優れた性能を示しており、分類に基づくRAGアーキテクチャ、特に制限的なスキームでは、幻覚を著しく低減し、記述品質を向上させることが示されている。 これらの結果は、このデータ中心の方法論が技術的独立性を高め、APIの陳腐化を緩和し、急速に変化するエコシステム内の量子アルゴリズムの長期的な可用性を確保し、量子ソフトウェア工学(QSE)内の学習曲線をフラット化するための堅牢でインテリジェントなアシスタントを提供する可能性を裏付けている。

関連論文リスト

• QBugLM: An Agentic Benchmarking Framework for LLM-based Quantum Software Debugging [0.8609132348927196]
  大規模言語モデル(LLM)は、古典的なソフトウェア工学のタスクにおいて強力なパフォーマンスを示している。 量子ソフトウェアデバッグパイプラインを自動化するマルチエージェントフレームワークであるQBugLMを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:34:46Z)
• AI-NativeBench: An Open-Source White-Box Agentic Benchmark Suite for AI-Native Systems [52.65695508605237]
  我々は、Model Context Protocol(MCP)とAgent-to-Agent(A2A)標準に基づいて、アプリケーション中心でホワイトボックスのAI-NativeベンチマークスイートであるAI-NativeBenchを紹介する。 エージェントスパンを分散トレース内の第一級市民として扱うことにより,本手法は,単純な機能以上の工学的特性の粒度解析を可能にする。 この研究は、モデル能力の測定から信頼性の高いAI-Nativeシステムへの移行を導く最初の体系的な証拠を提供する。
  論文  参考訳（メタデータ） (2026-01-14T11:32:07Z)
• 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)
• Quantization Meets dLLMs: A Systematic Study of Post-training Quantization for Diffusion LLMs [78.09559830840595]
  本稿では拡散に基づく言語モデルの定量化に関する最初の体系的研究について述べる。 異常に大きなアクティベーション値によって特徴付けられるアクティベーションアウトリーチの存在を同定する。 我々は最先端のPTQ手法を実装し、包括的な評価を行う。
  論文  参考訳（メタデータ） (2025-08-20T17:59:51Z)
• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• Learning to Program Quantum Measurements for Machine Learning [10.617463958884528]
  高性能量子機械学習モデルの開発には、専門家レベルの専門知識が必要である。 本稿では,量子系の可観測性,特にエルミート行列の学習性を示す革新的なフレームワークを提案する。 提案手法は変動量子回路内で観測可能を動的にプログラムし,既存の手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-05-18T02:39:22Z)
• Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
  より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。 当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。 当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
  論文  参考訳（メタデータ） (2025-03-31T07:31:32Z)
• Drastic Circuit Depth Reductions with Preserved Adversarial Robustness by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
  本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。 その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
  論文  参考訳（メタデータ） (2023-09-18T01:49:36Z)

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。