論文の概要: Qubrio: High-Performance Quantum Compilation via Multi-Agent LLM Collaboration

• arxiv url: http://arxiv.org/abs/2611.02269v1
• Date: Sun, 01 Nov 2026 22:49:33 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:23:46.925608
• Title: Qubrio: High-Performance Quantum Compilation via Multi-Agent LLM Collaboration
• Title（参考訳）: Qubrio: マルチエージェントLDMコラボレーションによる高性能量子コンパイル
• Abstract要約: 大規模言語モデル(LLM)は、従来の量子コンパイルに代わる適応可能な代替手段を提供する。 本稿では,3段階分解による再設計を大幅に削減する実用的なエージェントフレームワークQubrioを紹介する。 我々のコンパイラは,SOTAベースラインのPowerMoveに対して,ハードウェアとプログラムの忠実度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 10.226843922539052
• License:
• Abstract: Large Language Models (LLMs) offer an adaptable alternative to traditional quantum compilation heuristics, which bottleneck progress by demanding costly manual redesigns whenever hardware evolves. However, naive single-pass LLM approaches fail under the unique challenges introduced by quantum compilation. We introduce Qubrio, a practical agentic framework that significantly reduces heuristic redesigns through a three-level decomposition. By (1) partitioning programs into sequential operation stages, (2) deploying specialized agents for placement, routing and optimization, and (3) using disaggregated feedback for precise error correction, our system reliably navigates complex physical constraints. Beyond serving as a direct compiler, our LLM framework also uncovers novel strategies that facilitate convoy-style shuttling, substantially enhancing hardware concurrency without sacrificing fidelity. We further integrate these strategies into the previous state-of-the-art (SOTA) compiler, recovering a significant fraction of the LLM's performance advantages. On realistic workloads, our compiler achieves significant improvements in hardware runtime and program fidelity over the SOTA baseline PowerMove, seamlessly adapting to new hardware capabilities. Qubrio features an open user interface for practical use, and its code is publicly available at https://github.com/crosaa/Qubrio.
• Abstract（参考訳）: 大規模言語モデル(LLM)は従来の量子コンパイルヒューリスティックの代替として適応可能な手段を提供する。 しかし、単純単一パス LLM アプローチは、量子コンパイルによってもたらされるユニークな課題の下で失敗する。 本稿では,3段階分解によるヒューリスティックな再設計を大幅に削減する実用的なエージェントフレームワークQubrioを紹介する。 1)プログラムを逐次的な操作段階に分割し,(2)配置,ルーティング,最適化のための特殊エージェントを配置し,(3)分解されたフィードバックを用いて正確な誤り訂正を行うことで,複雑な物理的制約を確実にナビゲートする。 直接コンパイラとして機能するだけでなく、当社のLLMフレームワークは、トランスポートスタイルのシャットリングを促進する新しい戦略も明らかにしています。 我々は、これらの戦略を以前のSOTAコンパイラに統合し、LLMの性能上の利点のかなりの部分を取り戻す。 現実的なワークロードでは、我々のコンパイラは、新しいハードウェア機能にシームレスに対応して、SOTAベースラインのPowerMoveに対して、ハードウェアランタイムとプログラムの忠実性を大幅に改善します。 Qubrioは、実用的なオープンなユーザインターフェースを備えており、そのコードはhttps://github.com/crosaa/Qubrio.comで公開されている。

関連論文リスト

• FLARE: Diffusion for Hybrid Language Model [72.60770374799634]
  FLAREは、ハイブリッドアテンションな大規模言語モデルのための体系的な変換フレームワークである。 トークン平等なAR/拡散目標、ハードウェア対応カーネル、統一推論を組み合わせることで、ひとつのチェックポイントがARスタイルの検証された復号化と拡散スタイルの並列復号化の両方をサポートすることができる。 この結果から,実際のdLLMは復号化アルゴリズムだけでなく,データ品質や現在のブロック拡散目標のトレーニング非効率によって制限されていることが示唆された。
  論文  参考訳（メタデータ） (2026-06-01T06:58:15Z)
• Caracal: Causal Architecture via Spectral Mixing [11.904784955484857]
  Caracalはパラメータ効率の高いO(L log(L)) Multi-Head Fourier (MHF)モジュールに置き換える新しいアーキテクチャである。 我々は、Fast Fourier Transform (FFT) を用いて、両方のボトルネックに本質的に対処する。 ハードウェア固有の実装に依存する効率的なモデルとは異なり、私たちは標準ライブラリ演算子を使用します。
  論文  参考訳（メタデータ） (2026-04-30T23:31:10Z)
• Compiling Code LLMs into Lightweight Executables [18.677096682203697]
  Dittoは、コードLLMのモデルサイズと推論プログラムの両方を最適化する新しい方法である。 私たちは、Dittoを3つの人気のあるコードLLMで評価し、元の推論パイプラインと比較して最大10.5$times$低いメモリ使用量を達成しました。
  論文  参考訳（メタデータ） (2026-03-31T14:40:19Z)
• VeriAgent: A Tool-Integrated Multi-Agent System with Evolving Memory for PPA-Aware RTL Code Generation [52.43796056267479]
  高品質なベリログコード生成のためのPPA対応ツール統合マルチエージェントフレームワークを提案する。 当社のフレームワークでは,EDAツールをtextitProgrammer Agent, textitCorrectness Agent, textitPPA Agentで構成されるクローズドループワークフローに明示的に組み込んでいる。 モデル再トレーニングなしに継続的な改善をサポートするために,構造化メモリノードに最適化エクスペリエンスを外部化するtextitEvolved Memory Mechanismを導入する。
  論文  参考訳（メタデータ） (2026-03-18T11:25:40Z)
• From Bits to Chips: An LLM-based Hardware-Aware Quantization Agent for Streamlined Deployment of LLMs [43.33830246397275]
  ハードウェア・アウェア・量子化エージェント(HAQA)を導入し、量子化と展開プロセスの合理化を図る。 結果は、スループットの向上と精度の向上とともに、推論の2.3倍のスピードアップを示す。
  論文  参考訳（メタデータ） (2026-01-07T00:39:09Z)
• nncase: An End-to-End Compiler for Efficient LLM Deployment on Heterogeneous Storage Architectures [7.460240094212613]
  さまざまなターゲットに対して最適化を統合するために設計された、エンドツーエンドのコンパイルフレームワークであるnncaseを提示する。 nncaseは、異種コンピューティングユニットに適応するためのAuto Vectorize、並列戦略を検索するためのAuto Distribution、オンチップキャッシュのローカリティを最大化するAuto Scheduleの3つの重要なモジュールを統合している。
  論文  参考訳（メタデータ） (2025-12-25T08:27:53Z)
• PT$^2$-LLM: Post-Training Ternarization for Large Language Models [52.4629647715623]
  大きな言語モデル(LLM)は、様々なタスクにまたがる印象的な機能を示しているが、その大きなメモリと計算能力は、デプロイメントを妨げている。 PT$2$-LLMを提案する。 その中核は2段精製パイプラインを備えた非対称3次量子化器である。
  論文  参考訳（メタデータ） (2025-09-27T03:01:48Z)
• AWQ: Activation-aware Weight Quantization for LLM Compression and Acceleration [54.692405042065815]
  LLM低ビット量のみの量子化のためのハードウェアフレンドリーなアプローチであるActivation-Aware Weight Quantization (AWQ)を提案する。 AWQ は 1% の正重みしか保護せず,命令調整型 LM とマルチモーダル LM の量子化性能に優れる。 また,4ビットオンデバイスLLM/VLMに適した,効率的なフレキシブルな推論フレームワークであるTinyChatを実装した。
  論文  参考訳（メタデータ） (2023-06-01T17:59:10Z)
• Enabling Retargetable Optimizing Compilers for Quantum Accelerators via a Multi-Level Intermediate Representation [78.8942067357231]
  我々は、最適化され、再ターゲット可能で、事前コンパイルが可能なマルチレベル量子古典中間表現(IR)を提案する。 ゲートベースのOpenQASM 3言語全体をサポートし、共通量子プログラミングパターンのカスタム拡張と構文の改善を提供します。 私たちの研究は、通常のPythonのアプローチよりも1000倍高速で、スタンドアロンの量子言語コンパイラよりも5～10倍高速なコンパイル時間を実現しています。
  論文  参考訳（メタデータ） (2021-09-01T17:29:47Z)

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。