論文の概要: QEncodeBench: Can Large Language Models Encode Classical Problems into Verified Quantum Oracles?

• arxiv url: http://arxiv.org/abs/2609.20319v1
• Date: Fri, 31 Jul 2026 15:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.674911
• Title: QEncodeBench: Can Large Language Models Encode Classical Problems into Verified Quantum Oracles?
• Title（参考訳）: QEncodeBench: 大規模言語モデルは古典的な問題を検証された量子オラクルにエンコードできますか?
• Abstract要約: グローバー探索、振幅増幅、および量子カウントは同じ再利用可能なサブルーチン(位相オラクル)に依存し、アルゴリズムの文献は与えられたように構成される。 QEncodeBenchは、古典的な制約問題を位相オラクルとしてエンコードした大きな言語モデルを処理します。 我々は、この能力を体系的に過大評価し、ベースステートテストをサンプリングし、系統的に過大評価する。
• 参考スコア（独自算出の注目度）: 5.990509154718772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Grover search, amplitude amplification, and quantum counting all rely on the same reusable subroutine, a phase oracle, whose construction the algorithms literature takes as given: the classical predicate is assumed to be already encoded as a correct, resource-bounded circuit. We turn this assumption into a measured capability. QEncodeBench tasks large language models (LLMs) with encoding classical constraint problems as phase oracles and scores the generated circuits with an adversarially self-validated verifier that decides full solution-set equivalence up to a global phase, with ancillas restored and resource budgets enforced. Sampled basis-state tests, we show, systematically overestimate this ability. Measured this way, models separate sharply: code models without a reasoning mode solve essentially nothing, and enabling native reasoning on identical weights improves accuracy by an order of magnitude. The failures are overwhelmingly semantic rather than syntactic. Two architectures, a unit-verified constraint agent and a neuro-symbolic compilation pipeline, close most of the remaining gap by delegating correctness-critical composition to deterministic procedures. Ablations quantify the contribution of each component, and resource gating exposes an architecture-dependent trade-off between circuit width and depth. Finally, controlled difficulty escalation reveals architecture-specific responses to difficulty structure: different difficulty axes degrade different methods, while the neuro-symbolic pipeline passes every evaluated instance. Code and data are available at https://github.com/chexujun/QEncodeBench.
• Abstract（参考訳）: グローバー探索、振幅増幅、量子カウントは全て同じ再利用可能なサブルーチン(位相オラクル)に依存しており、アルゴリズムの文献の構成は以下の通りである:古典述語は、既に正しいリソース結合回路としてエンコードされていると仮定される。 私たちはこの仮定を測定能力に変える。 QEncodeBenchは、古典的制約問題を位相オラクルとして符号化して大言語モデル(LLM)を処理し、大域的な位相まで完全な解集合同値を決定する逆自己検証器で生成した回路をスコアし、アンシラを復元しリソース予算を強制する。 サンプルベースステートテストでは,この能力を体系的に過大評価する。 推論モードのないコードモデルは、本質的に何も解決せず、同じ重みのネイティブな推論を可能にすることで、精度を桁違いに向上します。 失敗は統語よりも圧倒的に意味がある。 2つのアーキテクチャ、ユニット検証された制約エージェントとニューロシンボリックコンパイルパイプラインは、決定論的手順に正確性クリティカルな構成を委譲することで、残りのギャップの大部分を閉じる。 アブレーションは各コンポーネントの寄与を定量化し、リソースゲーティングは回路幅と深さの間のアーキテクチャ依存のトレードオフを公開する。 最後に、制御された難易度エスカレーションにより、難易度構造に対するアーキテクチャ固有の応答が明らかにされる:異なる難易度軸は異なるメソッドを分解し、一方、ニューロシンボリックパイプラインは評価されたすべてのインスタンスをパスする。 コードとデータはhttps://github.com/chexujun/QEncodeBench.comで入手できる。

関連論文リスト

• Low-Interaction-Rank Learning: Unifying Multiplicative Dual-Encoder Heads [5.703301837612397]
  乗算二重エンコーダネットワークは、それぞれのエンコーダの内部積として、一対の入力に対して実数値出力を算出する。 統一理論は基本的な設計決定を導くものではない。 正規化はゲージ固定であり、ホワイトニングは置換と符号まで相互作用モードをピン留めすることを示す。
  論文  参考訳（メタデータ） (2026-08-12T05:09:44Z)
• Quantize with Confidence? An Empirical Study of Quantization for Code Generation [4.347703075408796]
  GPTQ, AWQ, QuIP#, AQLM, BitsAndBytes, GGUFの6種類の最先端量子化手法を2つの代表的な大符号モデルファミリに対して実験的に評価した。 保守性、信頼性、セキュリティ、構造的複雑さとともに機能的正確性(pass@1)を評価します。 その結果,量子化技術が正確性やコード品質に与える影響は,有意に異なることがわかった。
  論文  参考訳（メタデータ） (2026-07-15T14:05:33Z)
• How LLMs Fail and Generalize in RTL Coding for Hardware Design? [56.361436215029045]
  我々は,認知理論に触発された問題解決性に基づく新しい誤り分類法を導入する。 我々の分類学は、障害を構文、意味、解決可能な機能、解決不可能な機能タイプに分類する。
  論文  参考訳（メタデータ） (2026-04-26T14:34:49Z)
• Scaling Code-Assisted Chain-of-Thoughts and Instructions for Model Reasoning [65.20602712957725]
  Cacoは、高品質で検証可能な多様な命令-CoT推論データの合成を自動化する新しいフレームワークである。 我々の研究は、人間の介入なしに自己持続的で信頼できる推論システムを構築するためのパラダイムを確立します。
  論文  参考訳（メタデータ） (2025-10-05T07:59:24Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Fast Controlled Generation from Language Models with Adaptive Weighted Rejection Sampling [90.86991492288487]
  トークンの制約を評価するのは 違法にコストがかかる LCDは文字列上のグローバル分布を歪め、ローカル情報のみに基づいてトークンをサンプリングすることができる。 我々のアプローチは最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-07T18:30:18Z)
• Architectures for Heterogeneous Quantum Error Correction Codes [13.488578754808676]
  不均一なアーキテクチャは、普遍論理計算への明確な経路を提供する。 本研究では,アシラバスを用いてコード間データ移動のためのサーフェスコードとグロスコードを統合することを提案する。 アルゴリズムを特定の論理誤差率で実行する場合、物理量子ビットの最大6.42倍の減少を示す。
  論文  参考訳（メタデータ） (2024-11-05T15:49:02Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)

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。