論文の概要: Hybrid LLM-Guided Search for Quantum Reservoir Architecture Design

• arxiv url: http://arxiv.org/abs/2607.19506v1
• Date: Tue, 21 Jul 2026 18:43:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.905688
• Title: Hybrid LLM-Guided Search for Quantum Reservoir Architecture Design
• Title（参考訳）: ハイブリッドLLMによる地熱貯留層構造設計の探索
• Abstract要約: 量子貯水池計算(QRC)は、高次元の時間的特徴写像として固定量子力学を用いる。 制約付きブラックボックスアーキテクチャサーチとしてQRC設計を定式化するシミュレータベースのベンチマークである Method を導入する。 我々は,この探索問題に対して,大規模言語モデルが提案制御器として機能するかどうかを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum reservoir computing (QRC) uses fixed quantum dynamics as a high-dimensional temporal feature map and trains only a lightweight classical readout. QRC is attractive for near-term quantum machine learning, but its performance depends strongly on architecture choices such as input encoding, reservoir depth, entanglement topology, measurement features, state-reset policy, feature construction, and readout regularization. We introduce \method, a simulator-based benchmark that formulates QRC design as constrained black-box architecture search and evaluates whether large language models can act as proposal controllers for this search problem. The benchmark compares five policies under identical evaluation budgets: random search, evolutionary search, Bayesian/TPE optimization, a feedback-based LLM agent, and \hybrid, which combines LLM proposals with memory, mutation, crossover, duplicate avoidance, and exploration. On NARMA10, Mackey-Glass forecasting, and temporal parity, \hybrid{} is the most consistent policy: it ranks first on NARMA10 and temporal parity and second on Mackey-Glass, narrowly behind evolutionary search. Under a 25-evaluation budget and three seeds, \hybrid{} improves over random search on all tasks, including a 23.6\% relative reduction in Mackey-Glass error. The results do not show that LLMs are universal QRC optimizers; rather, they show that generative models can be useful high-level controllers when embedded inside validated, reproducible hybrid search loops.
• Abstract（参考訳）: 量子貯水池計算(QRC)は、固定量子力学を高次元の時間的特徴マップとして使用し、軽量な古典的読み出しのみを訓練する。 QRCは、短期量子機械学習には魅力的だが、その性能は入力エンコーディング、貯水深度、絡み合いトポロジー、測定機能、状態リセットポリシー、特徴構成、読み出し正規化などのアーキテクチャ選択に強く依存している。 我々は,QRC設計を制約付きブラックボックスアーキテクチャサーチとして定式化するシミュレータベースのベンチマークである \method を導入し,この探索問題に対して,大規模言語モデルが提案コントローラとして機能するかどうかを評価する。 このベンチマークは、ランダム検索、進化探索、ベイジアン/TPE最適化、フィードバックベースのLLMエージェント、およびメモリ、突然変異、クロスオーバー、重複回避、探索の5つのポリシーを比較している。 NARMA10、Mackey-Glassの予測、および時間パリティは最も一貫したポリシーである。 25評価予算と3つのシードの下で、\hybrid{} はマッキーガラスの相対的な誤差を 23.6 % 削減するなど、全てのタスクにおけるランダムな探索よりも改善されている。 これらの結果から,LLMが汎用QRC最適化器であることは示されず,再現可能なハイブリッド検索ループ内に組み込むと,生成モデルが高レベルコントローラとして有用であることが示唆された。

関連論文リスト

• Qkabrine: A Joint Architecture, Encoding, and Hyperparameter Search Framework for Quantum Machine Learning [0.0]
  qkabrine-automlは、アーキテクチャ、エンコーディング、モデルタイプ、ハイパーパラメータを単一の共同検索可能な構成空間として扱うPythonパッケージである。 このパッケージは、トレーニング容易性診断、Data Quantum Fisher Information Metric (DQFIM)の推定、および勾配バレンプラトーモニターを直接評価ループに統合する。
  論文  参考訳（メタデータ） (2026-08-12T08:54:19Z)
• A Hybrid Nested Harness for Decoupling Structure and Parameters in LLM-Driven Optimization [6.599344783327054]
  言語モデルを利用した進化的アルゴリズムでは、LLMは構造成分と連続パラメータを同時に更新する単一の演算子として機能する。 我々は,LLMを外ループとするハイブリッドネスト探索を形式化し,LLMが数値ギャップを持つ構造的スケッチを提案し,内ネストがスケッチをチューニングする。 i) クローズドフォームテスト関数のメタ最適化、(ii) システム研究と社会的ジレンマのためのコードベースのポリシー、(iii) ベイズ推論タスクの近似である。
  論文  参考訳（メタデータ） (2026-08-08T14:35:22Z)
• LLM-Guided Initialization for Accelerated Hybrid Quantum-Classical Medical Image Classification [0.0]
  本稿では,Zhuang と Cunningham が提案した AdaInit (Adaptive Initialization) を評価し,大規模言語モデルを用いて量子ニューラルネットワークの初期パラメータを提案する。 AdaInitは、ランダムに14.6倍の勾配を提供し、160倍の収束を実現し、同じ分類精度は61.4パーセントを維持している。 この結果は、AdaInitを医用画像設定で検証し、実用的なスピードアップのためにGPU加速量子バックエンドとの互換性を実証する。
  論文  参考訳（メタデータ） (2026-07-29T07:24:48Z)
• From I/O to Code with Discovery Agent [103.88427301265669]
  IO2Codeの発見エージェントであるDIO-Agentを提案する。 本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。 大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-14T18:57:32Z)
• BEAM: Bi-level Memory-adaptive Algorithmic Evolution for LLM-Powered Heuristic Design [49.50107918295052]
  大規模言語モデルに基づくハイパーヒューリスティック(LHH)は、最近、自動設計の効率的な方法として登場した。 この問題に対処するために textbfBEAM (Bi-level Memory-adaptive Algorithmic Evolution) を提案する。 BEAMは既存のLHHよりも著しく優れており、特に最適性ギャップが37.84%減少している。
  論文  参考訳（メタデータ） (2026-04-14T15:46:47Z)
• K-Search: LLM Kernel Generation via Co-Evolving Intrinsic World Model [57.440609834690385]
  既存のアプローチでは、進化ループ内の高速コードジェネレータとして、LLM(Large Language Models)を扱います。 我々は,共進化的世界モデルによる検索を提案し,この手法に基づいてK-Searchを構築する。 GQA, MLA, MoE カーネルを含む多種多様な複雑なカーネル上で K-Search を評価する。
  論文  参考訳（メタデータ） (2026-02-22T11:06:22Z)
• Quantum Circuit Generation via test-time learning with large language models [0.0]
  大規模言語モデル(LLM)は構造化されたアーティファクトを生成することができるが、科学的設計の信頼性として使用するにはブラックボックス評価の下で反復的改善のメカニズムが必要である。 LLMは固定長ゲートリストへの編集を提案し、外部シミュレータはMeyer-Wallach(MW)グローバルエンタングルメント尺度を用いて結果の状態を評価する。 従来のハイパフォーマンスな候補を明示的なメモリトレースとして再利用できる軽量なテスト時間学習レシピを導入し、スコア差フィードバックでプロンプトを強化し、再起動する。
  論文  参考訳（メタデータ） (2026-02-03T12:41:25Z)
• Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
  本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。 そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:16:28Z)
• Hybrid Deep Searcher: Integrating Parallel and Sequential Search Reasoning [57.78245296980122]
  本稿では,自然質問から自動生成されるデータセットであるHDS-QA(Hybrid Deep Search QA)を紹介する。 並列化可能な独立サブクエリ(同時に実行可能)と逐次依存サブクエリ(ステップバイステップの解決を必要とする)を組み合わせたハイブリッドホップ質問を含む。 モデルの名称はHybridDeepSearcherで、複数のベンチマークで最先端のベースラインを上回っています。
  論文  参考訳（メタデータ） (2025-08-26T15:15:17Z)
• Pangu Embedded: An Efficient Dual-system LLM Reasoner with Metacognition [95.54406667705999]
  Pangu Embeddedは、Ascend Neural Processing Units (NPU) 上で開発された効率的なLarge Language Model (LLM) 推論器である。 既存の推論最適化 LLM でよく見られる計算コストと推論遅延の問題に対処する。 単一の統一モデルアーキテクチャ内で、迅速な応答と最先端の推論品質を提供する。
  論文  参考訳（メタデータ） (2025-05-28T14:03:02Z)
• Quantum Speedup for Polar Maximum Likelihood Decoding [3.190355298836875]
  本稿では,Grover適応探索アルゴリズムに基づく極性符号のための新しいMLデコードアーキテクチャを提案する。 提案する量子デコーディングは,クエリの複雑性を2次的に高速化しながら,ML性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-11-07T14:05:57Z)
• Deep Unfolded Local Quantum Annealing [4.726777092009553]
  局所量子アニール (LQA) は最適化問題の解法として設計されている。 これは、大域的最小目的関数を決定するために勾配進化を利用するQAからインスピレーションを得ている。 深層展開LQAは元のLQAよりも優れており、実世界のアプリケーションに顕著な洞察と影響を示す。
  論文  参考訳（メタデータ） (2024-08-06T08:19:51Z)
• Subspace-Based Local Compilation of Variational Quantum Circuits for Large-Scale Quantum Many-Body Simulation [0.0]
  本稿では,時間進化演算子をコンパイルするためのハイブリッド量子古典アルゴリズムを提案する。 精度を保ちながら、トロッタライゼーションに比べて95%の回路深さの低減を実現している。 我々は,LSVQCを用いて,短期量子コンピューティングアーキテクチャ上での量子シミュレーションの実行に必要なゲート数を推定する。
  論文  参考訳（メタデータ） (2024-07-19T09:50:01Z)
• Quantum molecular docking with quantum-inspired algorithm [4.959284967789063]
  本稿ではQAに着想を得た新しい量子分子ドッキング(QMD)手法を提案する。 我々は2つのバイナリ符号化法を構築し、指数的にビット数を減らした自由度を効率的に識別する。 我々は,QMDが検索ベースであるAuto VinaとディープラーニングのDIFFDOCKに対して,再ドッキングと自己ドッキングの両方のシナリオで優位性を示したことを示す。
  論文  参考訳（メタデータ） (2024-04-12T06:24:45Z)

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。