論文の概要: Turning Quantum Compiler Configuration Selection Upside Down: A Top-Down Paradigm

• arxiv url: http://arxiv.org/abs/2610.29170v1
• Date: Wed, 21 Oct 2026 03:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.19795
• Title: Turning Quantum Compiler Configuration Selection Upside Down: A Top-Down Paradigm
• Title（参考訳）: 量子コンパイラの構成を逆さまに:トップダウンのパラダイム
• Abstract要約: 本稿では、トップダウン構成選択パラダイムを導入し、268量子回路の完全探索ベンチマークQuOPTBenchを構築した。 次に、LLMを用いて、構成選択を管理するサンプル回路から転送可能なルールを抽出する。 これらのルールと、サンプル回路の列挙された構成データに基づいてトレーニングされた予測器を用いて、ルール誘導型MLフレームワークQuTOPを設計する。
• 参考スコア（独自算出の注目度）: 12.533190579714953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selecting an effective quantum compiler configuration requires coordinated decisions over both hardware targets and compiler settings, with the ultimate goal of improving circuit execution fidelity. Existing SOTA approaches typically decompose this problem into two sequential stages: a device is chosen first, after which compiler options are tuned on that device through RL-based search. This bottom-up strategy can be fundamentally limited by its initial device decision, since a poorly matched backend may constrain the best fidelity achievable regardless of how effectively later compiler options are optimized. In contrast to classical compiler tuning, where the search space is often prohibitively large, the configuration space of quantum compilers remains manageable enough to support exhaustive search. Consequently, rather than repeatedly searching from candidate configurations, one can derive reusable configuration knowledge from offline oracle results and apply it directly to new circuits. In this paper, we introduce a top-down configuration-selection paradigm and build QuOPTBench, an exhaustively searched benchmark containing oracle configurations for 268 quantum circuits. We first study whether LLMs can directly infer suitable configurations and evaluate ten representative LLMs. The results reveal that vanilla LLMs remain far from the oracle. We then employ an LLM to extract transferable rules from sampled circuits governing configuration selection. Using these rules together with predictors trained on the enumerated configuration data of the sampled circuits, we design QuTOP, a rule-guided ML framework that performs fast configuration selection without iterative online search. Across our evaluation, the distilled rules consistently strengthen LLM-based selection, while QuTOP provides the strongest overall balance between solution quality and selection latency among the baselines.
• Abstract（参考訳）: 効率的な量子コンパイラ構成を選択するには、ハードウェアターゲットとコンパイラ設定の両方を協調的に決定する必要がある。 既存のSOTAアプローチは通常、この問題を2つの段階に分解する: デバイスが最初に選択され、その後RLベースのサーチによってコンパイラオプションが調整される。 このボトムアップ戦略は、初期デバイス決定によって根本的に制限される可能性がある。 探索空間が禁止される古典的なコンパイラチューニングとは対照的に、量子コンパイラの構成空間は、徹底的な探索をサポートするのに十分な管理が可能である。 したがって、候補設定から繰り返し検索するのではなく、オフラインのオラクル結果から再利用可能な構成知識を導き出し、それを新しい回路に直接適用することができる。 本稿では、トップダウン構成選択パラダイムを導入し、268量子回路のオラクル構成を含む全探索ベンチマークQuOPTBenchを構築する。 まず, LLM が適切な構成を直接推測し, 10 個の代表的な LLM を評価できるかどうかを検討する。 その結果、バニラLSMはオラクルから遠く離れていることが明らかとなった。 次に、LLMを用いて、構成選択を管理するサンプル回路から転送可能なルールを抽出する。 これらのルールと、サンプル回路の列挙された構成データに基づいて訓練された予測器を用いて、ルール誘導型MLフレームワークQuTOPを設計し、反復的なオンライン検索をせずに高速な構成選択を行う。 以上の結果から, 蒸留法はLCM法に基づく選択を一貫して強化する一方, QuTOP法は解の質と選択の待ち時間との間に最も高いバランスを保っている。

関連論文リスト

• You Only Edit Once: Incentivizing In-Context Capability of LLMs via Local Demonstration Refinement [48.35900466161372]
  大規模言語モデル(LLM)の推論性能向上には,インコンテキスト学習(ICL)が不可欠である。 本研究は,制約付き局所探索問題としてフレーミングすることで選択を簡略化し,局所的な実演編集(LDE)を行う。 テスト時に、Jev-LDEは検索したデモセットの1つの編集を実行し、続いてターゲットのLSMからの1つの推論を実行し、反復的なコンテキストスコアリングやサブセット検索を回避する。
  論文  参考訳（メタデータ） (2026-09-27T14:26:28Z)
• F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
  大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。 この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。 このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。 本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T04:52:33Z)
• ConfigSpec: Profiling-Based Configuration Selection for Distributed Edge--Cloud Speculative LLM Serving [5.390941065727373]
  投機的復号化により、クラウドとエッジをまたいだ協調的なLarge Language Model (LLM)推論が可能になる。 本稿では,分散投機LSMサービスのための構成選択フレームワークであるConfigSpecを提案する。
  論文  参考訳（メタデータ） (2026-04-08T21:54:41Z)
• Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
  実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。 NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
  論文  参考訳（メタデータ） (2026-04-01T03:39:11Z)
• OptiML: An End-to-End Framework for Program Synthesis and CUDA Kernel Optimization [21.882017397032964]
  我々は、自然言語インテントまたは入力コードをパフォーマンス最適化カーネルにマッピングするエンドツーエンドフレームワークOptiMLを提案する。 検索ベース(OptiML-X)は、プロファイラのフィードバックから導かれるハードウェア駆動の報酬によって導かれる、LCM対応のMonte Carlo Tree Searchを用いて、合成されたカーネルまたはユーザが提供するカーネルを洗練する。
  論文  参考訳（メタデータ） (2026-02-12T04:50:19Z)
• Quantum Circuit Generation via test-time learning with large language models [0.0]
  大規模言語モデル(LLM)は構造化されたアーティファクトを生成することができるが、科学的設計の信頼性として使用するにはブラックボックス評価の下で反復的改善のメカニズムが必要である。 LLMは固定長ゲートリストへの編集を提案し、外部シミュレータはMeyer-Wallach(MW)グローバルエンタングルメント尺度を用いて結果の状態を評価する。 従来のハイパフォーマンスな候補を明示的なメモリトレースとして再利用できる軽量なテスト時間学習レシピを導入し、スコア差フィードバックでプロンプトを強化し、再起動する。
  論文  参考訳（メタデータ） (2026-02-03T12:41:25Z)
• OptiSet: Unified Optimizing Set Selection and Ranking for Retrieval-Augmented Generation [46.01696202049653]
  検索補助生成(RAG)は、大規模な外部コーパスから取得した証拠を組み込むことで、生成品質を向上させる。 セット選択とセットレベルのランキングを統一する,セット中心のフレームワークであるOptiSetを提案する。
  論文  参考訳（メタデータ） (2026-01-08T15:35:01Z)
• Scaling LLM Inference with Optimized Sample Compute Allocation [56.524278187351925]
  我々は、異なる推論構成の最適な混合を見つけるアルゴリズムであるOSCAを提案する。 実験の結果,学習した混合アロケーションでは,最高の単一構成よりも精度がよいことがわかった。 OSCAはシングルターンタスク以外のエージェント処理にも有効であることが示されており、デフォルト設定よりも3倍少ない計算でSWE-Benchの精度が向上している。
  論文  参考訳（メタデータ） (2024-10-29T19:17:55Z)
• Scaffolded Language Models with Language Supervision for Mixed-Autonomy: A Survey [52.00674453604779]
  本調査は,戦後のLM周辺における新規構造物の設計と最適化に関する文献を整理した。 本稿では,この階層構造を足場型LMと呼び,ツールを用いた多段階プロセスに統合されたLMに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-21T18:06:25Z)

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。