論文の概要: Qlippy: A Retrieval-Augmented GenAI Assistant for Reproducible Quantum Workflows and Experiment Tracking

• arxiv url: http://arxiv.org/abs/2609.05039v1
• Date: Fri, 04 Sep 2026 11:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.028087
• Title: Qlippy: A Retrieval-Augmented GenAI Assistant for Reproducible Quantum Workflows and Experiment Tracking
• Title（参考訳）: Qlippy: 再現可能な量子ワークフローと実験追跡のための検索機能強化されたGenAIアシスタント
• Abstract要約: 汎用言語モデルは役に立ちますが、幻覚を与え、ドメイン固有のツールの基盤を欠く傾向があります。 我々は、量子工学の知識をキュレートしたコーパスに応答を基盤とした、検索強化されたGenAIアシスタントであるQlippyを開発環境に組み込んだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum software development is iterative and error-prone. Noisy hardware and repeated re-execution make experiment tracking, provenance, and reproducibility essential, yet these practices are hard to adopt because of tooling complexity and the specialized knowledge they demand. General-purpose language models can help but tend to hallucinate and lack grounding in domain-specific tooling. We present Qlippy, a retrieval-augmented GenAI assistant embedded in the development environment that grounds its responses in a curated corpus of quantum-software-engineering knowledge. Qlippy explains reproducibility and provenance concepts in context and augments existing Qiskit programs with MLflow-based experiment tracking aligned to the QProv schema. By separating knowledge from model parameters, grounding gives explicit control over the scope and provenance of the assistant's responses and reduces reliance on model scale, which points toward low-cost, privacy-preserving local deployment.
• Abstract（参考訳）: 量子ソフトウェア開発は反復的でエラーを起こしやすい。 ノイズの多いハードウェアと反復的な再実行は、実験の追跡、証明、再現性が不可欠だが、これらのプラクティスは、ツールの複雑さと彼らが要求する専門知識のために、採用が難しい。 汎用言語モデルは役に立ちますが、幻覚を与え、ドメイン固有のツールの基盤を欠く傾向があります。 本稿では,Qlippyについて述べる。Qlippyは,開発環境に組み込み,量子ソフトウェア工学の知識をキュレートしたコーパスに応答を基盤とする検索強化GenAIアシスタントである。 Qlippy氏は、コンテキストにおける再現性と証明の概念を説明し、既存のQiskitプログラムを拡張して、QProvスキーマに準拠したMLflowベースの実験追跡を行う。 モデルパラメータから知識を分離することにより、グラウンドリングは、アシスタントの応答の範囲と証明を明確に制御し、低コストでプライバシ保護されたローカルデプロイメントを指すモデルスケールへの依存を減らす。

関連論文リスト

• Qiskit Code Migration with LLMs [0.13683072934528265]
  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。
  論文  参考訳（メタデータ） (2026-06-18T12:40:43Z)
• From Fuzzy to Formal: Scaling Hospital Quality Improvement with AI [1.772594441978314]
  病院品質改善(QI)は、高水準の病院目標を実行可能なソリューションに翻訳することで、医療提供を最適化する上で重要な役割を担っている。 QIの重要なステップは、私たちがQIファクター発見と呼ぶプロセスである、変更可能な重要な要因を特定することです。 現在のAIアライメント手法では、タスクが適切に定義されていると仮定しているが、QI因子発見は探索的でファジィで反復的な感覚形成プロセスである。
  論文  参考訳（メタデータ） (2026-04-21T23:31:48Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• QEF: Reproducible and Exploratory Quantum Software Experiments [1.1683938179815823]
  量子実験フレームワーク(QEF)は、量子アルゴリズムの体系的、仮説駆動的な研究を支援するように設計されている。 QEFは、簡潔な仕様によって量子ソフトウェアとアルゴリズムの実験のすべての重要な側面を捉えている。 QEFは、全体的な実験ランタイムを改善するために、パラメータの再利用をサポートする。
  論文  参考訳（メタデータ） (2025-11-06T17:17:55Z)
• KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [73.34893326181046]
  本稿では,効率的なモデル適応によりRAGシステムを強化する自己教師型フレームワークKBAlignを提案する。 私たちのキーとなる洞察は、2つの革新的なメカニズムを通じて、モデルの本質的な能力を知識の整合性に活用することです。 KBAlign は GPT-4 による適応によって得られる性能向上の90%を達成できることを示した。
  論文  参考訳（メタデータ） (2024-11-22T08:21:03Z)
• DeepNote: Note-Centric Deep Retrieval-Augmented Generation [72.70046559930555]
  Retrieval-Augmented Generation (RAG)は質問応答のための大規模言語モデル(LLM)における事実誤りと幻覚を緩和する 我々は、ノート中心の適応検索により、知識ソースの奥深くで堅牢な探索を実現する適応RAGフレームワークであるDeepNoteを開発した。
  論文  参考訳（メタデータ） (2024-10-11T14:03:29Z)
• MLXP: A Framework for Conducting Replicable Experiments in Python [63.37350735954699]
  MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。 実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
  論文  参考訳（メタデータ） (2024-02-21T14:22:20Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)
• Prompt Conditioned VAE: Enhancing Generative Replay for Lifelong Learning in Task-Oriented Dialogue [80.05509768165135]
  生成的再生法は、過去の知識と生成された擬似サンプルを統合するために広く用いられている。 既存の生成的再生法の多くは、モデルを制御するために単一のタスク固有のトークンのみを使用する。 本稿では,タスクの統計を取り入れて生成的再生を向上させるために,生涯学習のための新しい条件付きVAEを提案する。
  論文  参考訳（メタデータ） (2022-10-14T13:12:14Z)
• 1-2-3 Reproducibility for Quantum Software Experiments [12.312854439969051]
  本稿では,量子ソフトウェア実験のための1-2-3アプローチを提案する。 我々の方式は、量子プロセッサ自体がもはやアクセスできない場合でも、長期的トレーサビリティを確認する。
  論文  参考訳（メタデータ） (2022-01-28T10:54:34Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)

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。