論文の概要: KQFuzz: Knowledge-Guided Fuzzing for Quantum Libraries via Large Language Models
- arxiv url: http://arxiv.org/abs/2607.25647v1
- Date: Tue, 28 Jul 2026 12:31:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.835191
- Title: KQFuzz: Knowledge-Guided Fuzzing for Quantum Libraries via Large Language Models
- Title（参考訳）: KQFuzz: 大規模言語モデルによる量子ライブラリの知識ガイド型ファズリング
- Authors: Fuyuan Xia, Qixin Zhang, Chenhao Ying, Haojin Zhu, Shuai Wang, Yuan Luo, Pingchuan Ma, Yuxuan Du,
- Abstract要約: LLMに基づく量子ライブラリーへのファジリングアプローチは潜在的なバグを明らかにするために提案されている。
量子ライブラリのための知識誘導ファザであるKQFuzzを提案する。
我々は、Qiskit、PennyLane、Cirqを含む3つの人気のある量子ライブラリでファジングを行います。
- 参考スコア（独自算出の注目度）: 27.885170209762354
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As quantum computing continually improves, ensuring the reliability and correctness of quantum libraries has become increasingly critical. To this end, many LLM-based fuzzing approaches towards quantum libraries have been proposed to uncover potential bugs. However, these methods still suffer from limitations such as insufficient flexibility and low efficiency, which hinder the progress of the quantum computing field. To address these challenges, we propose KQFuzz, a novel knowledge-guided fuzzer for quantum libraries. It leverages comprehensive codebase knowledge to ground LLM-based test generation, synergizing this with fitness-guided evaluation and two-level mutations to explore complex execution paths and trigger potential bugs. Firstly, KQFuzz introduces a novel prompting scheme tailored to quantum programs, which strategically incorporates knowledge of the codebase to efficiently generate high-quality quantum seed programs. Moreover, we develop evaluation and mutation strategies to handle the generated seed programs, facilitating efficient fuzzing execution while further enriching the diversity of the resulting test cases. We implement KQFuzz and conduct fuzzing on three popular quantum libraries, including Qiskit, PennyLane, and Cirq. Experimental results demonstrate that our approach significantly outperforms other state-of-the-art methods, with coverage improved by up to 18.44%. During the development of KQFuzz, we discovered 13 bugs, all of which have been confirmed and 12 have already been fixed by the developers.
- Abstract（参考訳）: 量子コンピューティングが継続的に改善されるにつれて、量子ライブラリの信頼性と正確性を保証することがますます重要になっている。
この目的のために、潜在的なバグを明らかにするために、多くのLLMベースの量子ライブラリへのファジリングアプローチが提案されている。
しかし、これらの手法は依然として柔軟性の不足や低効率といった制限に悩まされており、量子コンピューティング分野の進歩を妨げている。
これらの課題に対処するために、量子ライブラリのための新しい知識誘導ファザであるKQFuzzを提案する。
包括的なコードベースの知識を活用して、LCMベースのテスト生成を基盤として、フィットネス誘導評価と2段階の突然変異を併用することで、複雑な実行パスを探索し、潜在的なバグを誘発する。
まず、KQFuzzは、コードベースの知識を戦略的に取り入れて高品質な量子シードプログラムを効率的に生成する、量子プログラムに適した新しいプロンプトスキームを導入する。
さらに, 生成したシードプログラムに対する評価および突然変異戦略を開発し, 効率の良いファジィ実行を容易にし, 結果のテストケースの多様性をさらに高めている。
我々は、KQFuzzを実装し、Qiskit、PennyLane、Cirqを含む3つの人気のある量子ライブラリ上でファジングを行う。
実験の結果,本手法は他の最先端手法よりも有意に優れ,カバー範囲は最大18.44%向上した。
KQFuzzの開発中に13のバグが発見されました。
関連論文リスト
- QSPE: Enumerating Skeletal Quantum Programs for Quantum Library Testing [11.99653900003681]
本稿では,差分テストの原則に従う実践的アプローチであるQSPEを提案し,量子ライブラリに対する既存のアプローチであるSPEを拡張した。
QSPEは完全に自動化されており、事前設定やドメインの専門知識を必要としない。
我々の実験では、QSPEアプローチは、複数の量子コンピューティングプラットフォームにまたがる22,770のプログラム変種を生成する際、顕著な効果を示す。
論文 参考訳（メタデータ） (2026-01-17T08:10:40Z) - Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。
本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-24T02:51:34Z) - 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) - Identifying Flaky Tests in Quantum Code: A Machine Learning Approach [5.323578182914324]
量子システムの基本的な特徴である不確定性は、量子プログラムにおけるフレキテストの可能性を高める。
量子プログラムにおけるフレキなテストを自動的に検出するために,複数の機械学習モデルを活用する,新しい機械学習プラットフォームを提案する。
論文 参考訳（メタデータ） (2025-02-06T19:43:51Z) - 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) - Faster and Better Quantum Software Testing through Specification Reduction and Projective Measurements [5.651336050433075]
制限を克服するために、量子プログラム仕様に還元アルゴリズムを適用する。
平均テストランタイムは169.9sから11.8sに改善され、大きな回路深度を持つプログラムに顕著な改善が加えられた。
提案手法は, 突然変異率を54.5%から74.7%に引き上げ, 位相フリップ欠陥を効果的に検出する。
論文 参考訳（メタデータ） (2024-05-24T11:26:18Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z) - Q-Match: Iterative Shape Matching via Quantum Annealing [64.74942589569596]
形状対応を見つけることは、NP-hard quadratic assignment problem (QAP)として定式化できる。
本稿では,アルファ拡大アルゴリズムに触発されたQAPの反復量子法Q-Matchを提案する。
Q-Match は、実世界の問題にスケールできるような長文対応のサブセットにおいて、反復的に形状マッチング問題に適用できる。
論文 参考訳（メタデータ） (2021-05-06T17:59:38Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。