論文の概要: Autonomous Code Migration for Quantum Programming Languages: A Case Study with QED-C Benchmarks

• arxiv url: http://arxiv.org/abs/2610.12187v1
• Date: Thu, 08 Oct 2026 15:50:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.140608
• Title: Autonomous Code Migration for Quantum Programming Languages: A Case Study with QED-C Benchmarks
• Title（参考訳）: 量子プログラミング言語のための自律型コードマイグレーション:QED-Cベンチマークによるケーススタディ
• Abstract要約: 量子ソフトウェアは、大規模言語モデルで利用可能なトレーニングデータでは一般的ではない。 本稿では,QED-Cアプリケーション指向ベンチマークをQiskitからベンチマークQへ自律的に移行するケーススタディを提案する。
• 参考スコア（独自算出の注目度）: 0.7874708385247353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum programming requires concepts and intuition that differ substantially from those used in traditional programming languages. Multiple quantum programming frameworks address these requirements through different abstractions and execution models, creating tradeoffs in programmability, portability, and performance. Because quantum software is less prevalent in the training data available to large language models, autonomous coding agents might be expected to face additional challenges when working with these frameworks. We present a case study in autonomous migration of the QED-C Application-Oriented Benchmarks from Qiskit to CUDA-Q. Opus, GPT, and Gemini models were each tasked with porting thirteen benchmark methods spanning foundational algorithms, amplitude estimation, Monte Carlo methods, variational optimization, linear-system solving, and factoring. In all cases, the models were able to generate satisfactory ports with little direct coding help and there was a drastic reduction in the time required compared to a human engineer. However, in all cases, the agents resorted to shortcuts when implementation challenges surfaced and multiple prompts were required to force appropriate coding directions. Assessment of the generated implementations showed that no single model consistently produced the best port across all benchmarks, indicating that multi-agent ensemble strategies could mitigate challenges associated with quantum software. The effort resulted in publicly available, near-complete CUDA-Q support in the QED-C benchmarks along with model-generated skills designed to improve agent performance when implementing CUDA-Q applications. When tested on an unseen benchmark, these skills reduced the required model turns by up to 85% and token usage by up to 96%. We conclude by distilling lessons from the case study.
• Abstract（参考訳）: 量子プログラミングは従来のプログラミング言語とは大きく異なる概念と直観を必要とする。 複数の量子プログラミングフレームワークは、異なる抽象化と実行モデルを通じてこれらの要求に対処し、プログラマビリティ、ポータビリティ、パフォーマンスのトレードオフを生成する。 量子ソフトウェアは、大規模言語モデルで利用可能なトレーニングデータでは一般的ではないため、自律的なコーディングエージェントは、これらのフレームワークを扱う際に、さらなる課題に直面することが期待される。 本稿では,QED-Cアプリケーション指向ベンチマークをQiskitからCUDA-Qへ自律的に移行するケーススタディを提案する。 Opus、GPT、Geminiの各モデルは、基本アルゴリズム、振幅推定、モンテカルロ法、変分最適化、線形システム解法、ファクタリングにまたがる13のベンチマークメソッドを移植する。 いずれの場合も、モデルは直接のコーディング支援がほとんどない満足のいくポートを生成することができ、人間のエンジニアと比べて時間を大幅に削減した。 しかし、いずれの場合も、実装上の課題が表面化し、適切なコーディング指示を強制するために複数のプロンプトが要求される場合、エージェントはショートカットに頼った。 生成した実装を評価することで、単一のモデルが全てのベンチマークの最高のポートを一貫して生成することはなく、マルチエージェントアンサンブル戦略が量子ソフトウェアに関連する問題を緩和できることを示した。 その結果、QED-CベンチマークでCUDA-Qをほぼ完全にサポートし、CUDA-Qアプリケーションを実装する際のエージェントパフォーマンスを改善するためのモデル生成スキルが公開された。 目に見えないベンチマークでテストすると、これらのスキルによって、必要なモデルを最大85%、トークンの使用量を最大96%削減しました。 私たちはケーススタディから教訓を蒸留して結論付けます。

関連論文リスト

• Leveraging LLM-Based Agentic Systems to Generate Quantum Applications for Test Optimization [9.198152169137684]
  量子コンピューティングは、ソフトウェア工学(SE)最適化のためにますます研究されている。 自然言語(NL)タスクレベルの要求を実行可能な量子アプリケーションに変換するには、依然として相当な量子およびプログラミングの専門知識が必要である。 本稿では,大規模言語モデル(LLM)に基づくマルチエージェントアーキテクチャであるQPipeについて述べる。
  論文  参考訳（メタデータ） (2026-07-01T13:40:51Z)
• Beyond Test-Time Training: Learning to Reason via Hardware-Efficient Optimal Control [86.63490309209378]
  我々は、最適制御として推論を定式化し、推論時に潜在状態に対して有限水平LQR計画を行うテスト時間制御層を導入する。 アーキテクチャ層として最適制御を組み込むことは、テスト時間トレーニングを超えた推論のための効果的でスケーラブルなメカニズムを提供することを実証する。
  論文  参考訳（メタデータ） (2026-03-10T05:42:13Z)
• 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)
• Statistical Assertions for Debugging Quantum Circuits and States in CUDA-Q [3.0918473503782042]
  本稿では,Q-Qツールの統計的アサーションに基づくワークフローを提案する。 我々のツールは、回路内の任意の点における量子ビットの状態に関する貴重な洞察を提供する。 我々は、フィッシャーの正確なテストとモンテカルロ法を組み合わせることで、製品状態のアサーションの信頼性を向上させる。
  論文  参考訳（メタデータ） (2025-07-22T06:09:56Z)
• Benchmarking Quantum Architecture Search with Surrogate Assistance [0.9624643581968987]
  本稿では,SQuASH,Surrogate Quantum Architecture Search Helperを紹介する。 本稿では,QASのサロゲートベンチマークを作成する手法を提案し,QAS手法の実行と比較を高速化する能力を実証する。
  論文  参考訳（メタデータ） (2025-06-07T11:11:04Z)
• Sample, Don't Search: Rethinking Test-Time Alignment for Language Models [55.2480439325792]
  新しいテストタイムアライメントアプローチであるQAlignを紹介します。 テスト時間計算をスケールする際、QAlignは各プロンプトの最適配向分布からのサンプリングに収束する。 マルコフ連鎖モンテカルロのテキスト生成における最近の進歩を取り入れることで、基礎となるモデルを変更したり、ロジットアクセスを必要とせずに、より良い整合出力を可能にする。
  論文  参考訳（メタデータ） (2025-04-04T00:41:40Z)
• 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)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• MQBench: Towards Reproducible and Deployable Model Quantization Benchmark [53.12623958951738]
  MQBenchは、モデル量子化アルゴリズムの評価、分析、およびデプロイ可能性のベンチマークを行う最初の試みである。 我々は、CPU、GPU、ASIC、DSPを含む実世界のデプロイのための複数のプラットフォームを選択し、最先端の量子化アルゴリズムを評価する。 包括的な分析を行い、直感的、直感的、あるいは反直感的な洞察を見出す。
  論文  参考訳（メタデータ） (2021-11-05T23:38:44Z)

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。