論文の概要: BadQubits: An LLM-Based Framework for Static Pre-Execution Detection of Structurally Harmful Quantum Circuits
- arxiv url: http://arxiv.org/abs/2609.18965v1
- Date: Thu, 16 Jul 2026 00:50:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.582422
- Title: BadQubits: An LLM-Based Framework for Static Pre-Execution Detection of Structurally Harmful Quantum Circuits
- Title（参考訳）: BadQubits: 構造的に有害な量子回路の静的前実行検出のためのLCMベースのフレームワーク
- Abstract要約: BadQubitsは、構造的に有害なOpenQASM 2.0回路の静的事前実行検出のためのLLMベースのフレームワークである。
1500回路のデータセット上で,コードに基づくLCMアーキテクチャを4つ評価した。
- 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: This paper presents BadQubits, an LLM-based framework for static pre-execution detection of structurally harmful OpenQASM 2.0 circuits. The framework targets physical-execution-layer threats by analyzing submitted circuits prior to runtime, where dynamic inspection is constrained by measurement irreversibility and the exponential cost of classical quantum-state simulation. We evaluate four code-understanding LLM architectures on a dataset of 1,500 circuits consisting of 1,000 benign programs from MQTBench[33] and 500 synthetic attack circuits derived from three documented physical-layer threat primitives. Our fine-tuned Qwen Coder 2.5 7B model achieves 92.67% classification accuracy and 96.1% harmful-circuit recall. Two of the four evaluated base models fail to generalize under constrained LoRA fine-tuning, indicating that architecture-aware model selection is a necessary design consideration rather than a minor tuning choice. To characterize what the detector has learned, we compare it against a bag-of-gates CNN under progressive confound removal and adversarial syntactic perturbation. The CNN's harmful-circuit recall drops from 100% to 17%, while the fine-tuned LLM decreases only from 96.1% to 91.2%. We attribute this gap to the sequential structure retained in token-level LLM inputs but discarded by histogram-based baselines. A correlation analysis further shows that model decisions track threat-defining features, specifically SWAP density and measurement timing, rather than generator-specific artifacts such as register naming.
- Abstract（参考訳）: 本稿では,構造的に有害なOpenQASM 2.0回路の静的事前実行検出のためのLLMベースのフレームワークであるBadQubitsを提案する。
このフレームワークは、動的検査が古典的量子状態シミュレーションの非可逆性と指数的コストによって制約される場合、実行前に入力された回路を解析することによって物理実行層脅威を標的とする。
MQTBench[33]の1000個の良性プログラムと3つの文書化された物理層脅威プリミティブから派生した500個の合成攻撃回路からなる1500個の回路からなるデータセット上で,コードに基づくLCMアーキテクチャを4つ評価した。
我々の微調整されたQwen Coder 2.5 7Bモデルは92.67%の分類精度と96.1%の有害回路リコールを達成する。
評価された4つのベースモデルのうち2つは、制約付きLoRA微調整の下での一般化に失敗し、アーキテクチャを意識したモデル選択が小さなチューニング選択よりも設計上の考慮事項であることを示している。
検出器が学んだことを特徴付けるため, 進行的コンファウンド除去と対向的構文摂動の下で, ゲートのバッグ・オブ・ゲートCNNと比較した。
CNNの有害回路リコールは100%から17%に減少し、微調整されたLCMは96.1%から91.2%に低下した。
このギャップはトークンレベルのLCM入力に保持されるシーケンシャルな構造に起因するが、ヒストグラムベースのベースラインによって破棄される。
相関解析により、モデル決定は、レジスタ命名のようなジェネレータ固有のアーティファクトではなく、特にSWAP密度と測定タイミングの脅威定義特徴を追跡する。
関連論文リスト
- Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata [57.27430779838529]
有限オートマトンとして表現可能な任意の制約の下で,制約付き平均場後部からサンプリングする,正確かつトラクタブルなアルゴリズムを提案する。
このアプローチは、構築による制約満足度を保証し、欲求とサンプリングベースのデコーディングの両方をサポートし、並列およびブロックワイドデコーディングと互換性がある。
Dream-7B と LLaDA-8 の実証的な評価は、様々なタスクにおいてかなりの精度の向上を示した。
論文 参考訳（メタデータ） (2026-07-08T05:48:57Z) - Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems [6.42094170804706]
敵の攻撃は ネットワークトラフィックデータに 慎重に妨害を加え 誤分類に繋がる
本稿では,攻撃者がシステムを操作しようとすると,どのようなアーキテクチャが実際に維持されるのかを問う。
敵の環境で侵入検知を行う実践者に対しては、CNNベースのアーキテクチャを推奨する。
論文 参考訳（メタデータ） (2026-06-10T13:41:44Z) - Family-Aware Residual Architecture for Predicting Quantum Circuit Simulation Performance [4.194426163381861]
本稿では,量子回路シミュレーションにおいて,目標の忠実度を達成するために必要な最小近似しきい値とウォールクロック実行時間の両方を予測できる家族認識型ニューラルネットワークを提案する。
我々のシステムは、79.5%の正確なしきい値精度(1ラング内で91.2%)と$R2 = 0.82$ランタイム相関を達成し、推論は約50msで完了する。
論文 参考訳（メタデータ） (2026-06-10T03:31:37Z) - How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap [0.0]
深層学習EEG(Deep Learning EEG Denoising Architectures)は、数万から数千万のパラメータに拡張されているが、実験変数としてモデルキャパシティを分離した以前の研究はない。
アーキテクチャ,損失,データ分割,トレーニングレシピの両ギャップに対処し,最小限の深さ分離可能な畳み込みU-Netで1.05Kから40.26Kパラメータまでのチャネル幅を網羅する。
論文 参考訳（メタデータ） (2026-06-07T12:17:25Z) - From Early Encoding to Late Suppression: Interpreting LLMs on Character Counting Tasks [49.57538588967748]
LLM(Large Language Model)は、複雑なベンチマークでは優れているにもかかわらず、単語中の文字数などの基本的な記号的タスクにおいて失敗を示す。
我々は、LLaMA、Qwen、Gemmaなど、現代のアーキテクチャにまたがる一貫した現象を発見した。
LLMにおけるシンボリック推論失敗は,表現不足やスケール不足によるものではなく,モデル計算グラフ内の構造的干渉によるものであることを示す。
論文 参考訳（メタデータ） (2026-04-01T11:40:12Z) - Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。
本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-12T16:00:22Z) - Synergistic Directed Execution and LLM-Driven Analysis for Zero-Day AI-Generated Malware Detection [0.12891210250935145]
自動マルウェア生成のためのLLMのウェポン化は、従来の検出パラダイムに現実的な脅威をもたらす。
本稿では,エスココール実行とエンフディープ学習に基づく脆弱性分類を組み合わせた,新しいハイブリッド分析フレームワークを提案する。
2,500 LLM合成サンプルからなるベンチマークでは、従来のマルウェアでは98.7%、AIによる脅威では97.5%の精度が達成されている。
論文 参考訳（メタデータ） (2026-03-10T00:25:41Z) - From Memorization to Creativity: LLM as a Designer of Novel Neural-Architectures [48.83701310501069]
大規模言語モデル(LLM)は、プログラム合成において優れているが、ニューラルネットワーク設計(信頼性、性能、構造的ノベルティ)を自律的にナビゲートする能力は、未調査のままである。
コード指向LLMをクローズドループ合成フレームワークに配置し、22の教師付き微調整サイクルの進化を解析することによって、この問題に対処する。
論文 参考訳（メタデータ） (2026-01-06T13:20:28Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z)
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。