論文の概要: Non-Functional Requirements to Hyperparameter Translation for Quantum Software via LLMs
- arxiv url: http://arxiv.org/abs/2611.16902v1
- Date: Thu, 12 Nov 2026 14:57:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.492324
- Title: Non-Functional Requirements to Hyperparameter Translation for Quantum Software via LLMs
- Title(参考訳): LLMによる量子ソフトウェアにおけるハイパーパラメータ変換の非Functional Requirements
- Abstract要約: 量子ソフトウェア工学(QSE)は、自然言語非機能要件(NFR)をショットやトランスパイラ最適化レベルなどの実行パラメータに変換するための検証済みのアプローチを欠いている。
実世界のユーザストーリー540件と実世界のユーザストーリー18件を用いて,7つの大規模言語モデル(LLM)を決定論的ベースラインに対して評価した。
Qiskit/Aerシミュレーションにより、時間、コスト、トップステート確率、および2ビットゲート露光を含む意味的精度と実行結果を評価する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum software engineering (QSE) lacks validated approaches for translating natural-language non-functional requirements (NFRs) into execution parameters such as shots and transpiler optimization levels. Existing methods emphasize semantic similarity rather than execution outcomes. We evaluate seven large language models (LLMs) against a deterministic heuristic baseline using 540 synthetic and 18 real-world user stories. We assess semantic accuracy and execution outcomes, including time, cost, top-state probability, and two-qubit gate exposure, through Qiskit/Aer simulations. All LLMs significantly outperformed the heuristic in semantic accuracy, achieving 55.6 to 83.3 percent on real-world stories compared to 16.7 percent for the heuristic. However, no LLM demonstrated statistically significant superiority over others on the real-world dataset. Speed- and cost-oriented configurations reduced execution time and cost, but fidelity improvements were not supported. Some failures resulted from provider safety refusals rather than translation errors. Our findings demonstrate the potential of LLMs as middleware for NFR-to-configuration translation in QSE, while emphasizing execution-based validation, human oversight, and careful interpretation of model differences.
- Abstract(参考訳): 量子ソフトウェア工学(QSE)は、自然言語非機能要件(NFR)をショットやトランスパイラ最適化レベルなどの実行パラメータに変換するための検証済みのアプローチを欠いている。
既存の方法は実行結果よりも意味的な類似性を強調する。
540個の実世界のユーザストーリーと18個の実世界のユーザストーリーを用いて,決定論的ヒューリスティックベースラインに対して7つの大言語モデル(LLM)を評価する。
Qiskit/Aerシミュレーションにより、時間、コスト、トップステート確率、および2ビットゲート露光を含む意味的精度と実行結果を評価する。
すべてのLLMは意味論的精度においてヒューリスティックよりも優れており、実際の物語では55.6から83.3%、ヒューリスティックでは16.7%であった。
しかし、実世界のデータセットでは、LLMが他よりも統計的に有意な優位性を示した者はいなかった。
速度とコスト指向の構成は実行時間とコストを削減したが、忠実性の改善はサポートされなかった。
いくつかの失敗は、翻訳エラーよりもプロバイダの安全性の拒絶によるものだった。
本研究は,QSEにおけるNFR-to-configuration翻訳のミドルウェアとしてのLLMの可能性を示すとともに,実行に基づく検証,人間の監視,モデル差の注意深い解釈を強調した。
関連論文リスト
- Which LLM is Best for Translating Natural Language Goals to PDDL [0.0]
本稿では,現在の大規模言語モデルが,自然言語テスト目標を適切にPDDL目標に翻訳できるかどうかを実証的に評価する。
本稿では,反復実験から得られた知見を,精度と応答コヒーレンスの両方を最大化することを目的とした,慎重に設計されたプロンプトテンプレートを提案する。
すべてのモデルは92%を超える高い正確さを示し、Gemini 2.5 Flashは96%、偽陽性率は最低であり、GPT-4.1は応答速度をリードする。
論文 参考訳(メタデータ) (2026-09-16T14:29:57Z) - REFORGE: A Method for Benchmarking LLMs' Reverse Engineering Capabilities in Decompiled Binary Function Naming [0.0]
大規模な言語モデル(LLM)は、リバースエンジニアリングタスクにますます適用されている。
しかし、彼らの能力に関する主張は、それを測定する能力よりも優れている。
本稿では,関数レベル基底真理をCソースから構築する証明追跡パイプラインであるReforgeを提案する。
論文 参考訳(メタデータ) (2026-07-07T23:17:03Z) - FASE: Fast Adaptive Semantic Entropy for Code Quality [0.28647133890966986]
本稿では,FASE(Fast Adaptive Semantic Entropy)について紹介する。
HumanEvalとBigCodeBenchの評価は、FASEがLLMエンテーメントにより最先端のセマンティックエントロピーより優れていることを示している。
FASEは計算オーバーヘッドを無視し、従来のセマンティックエントロピーアプローチのランタイムコストの約0.3%しか必要としない。
論文 参考訳(メタデータ) (2026-06-08T17:53:05Z) - From Brute Force to Semantic Insight: Performance-Guided Data Transformation Design with LLMs [48.83701310501069]
大規模言語モデル(LLM)は、コード合成において顕著な性能を達成した。
本稿では,LLMが最適変換を自律的に設計できる性能対応クローズドループソリューションを提案する。
6,000以上のPyTorch拡張関数を実験的に評価した新しいリポジトリ上で,低ランク適応型LPMを微調整する。
論文 参考訳(メタデータ) (2026-01-07T11:13:02Z) - Reasoning with Confidence: Efficient Verification of LLM Reasoning Steps via Uncertainty Heads [104.9566359759396]
データ駆動の不確実性スコアに基づくステップレベルの推論検証の軽量な代替案を提案する。
本研究は, LLMの内部状態が不確実性を符号化し, 信頼性の高い検証信号として機能することが示唆された。
論文 参考訳(メタデータ) (2025-11-09T03:38:29Z) - Assessing Coherency and Consistency of Code Execution Reasoning by Large Language Models [5.692204231573854]
本稿では,プログラム実行をシミュレーションし,その推論をプログラミングタスクで活用する上で,LLMの能力を評価するタスクであるCESを提案する。
CESでは、シミュレーションがコモンセンスの実行ロジックに準拠するかどうかを判断するために、コヒーレンスの概念を紹介している。
CESはまた、スペクトルにおいて同じまたは異なる素路カバレッジを持つテスト間での推論整合性を測定するための新しいメトリクスも導入している。
論文 参考訳(メタデータ) (2025-10-16T18:48:12Z) - Communication-Efficient Hybrid Language Model via Uncertainty-Aware Opportunistic and Compressed Transmission [65.17811759381978]
ハイブリッド言語モデル(HLM)は、遠隔大言語モデル(LLM)によって検証され、修正されるドラフトトークンを生成する。
通信効率と不確実性を考慮したHLM(CU-HLM)を提案する。
CU-HLMは、74.8%のトランスミッションを97.4%の語彙圧縮でスキップし、97.4%の精度を維持しながら、最大206$times$高いトークンスループットを達成することを示す。
論文 参考訳(メタデータ) (2025-05-17T02:10:34Z) - LLM2: Let Large Language Models Harness System 2 Reasoning [65.89293674479907]
大規模言語モデル(LLM)は、無数のタスクにまたがって印象的な機能を示してきたが、時には望ましくない出力が得られる。
本稿では LLM とプロセスベースの検証器を組み合わせた新しいフレームワーク LLM2 を紹介する。
LLMs2は妥当な候補を生成するのに責任を持ち、検証者は望ましい出力と望ましくない出力を区別するためにタイムリーなプロセスベースのフィードバックを提供する。
論文 参考訳(メタデータ) (2024-12-29T06:32:36Z) - A Multi-Agent Approach to Fault Localization via Graph-Based Retrieval and Reflexion [8.22737389683156]
従来のフォールトローカライゼーション技術は、広範なトレーニングデータセットと高い計算資源を必要とする。
大規模言語モデル(LLM)の最近の進歩は、コード理解と推論を強化することで、新たな機会を提供する。
LLM4FLは3つの特殊なLLMエージェントを利用するマルチエージェントの故障局所化フレームワークである。
14のJavaプロジェクトから675の障害を含むDefects4Jベンチマークで評価され、LLM4FLはAutoFLよりも18.55%、SoapFLより4.82%、Top-1の精度が18.55%向上した。
論文 参考訳(メタデータ) (2024-09-20T16:47:34Z) - CLOMO: Counterfactual Logical Modification with Large Language Models [109.60793869938534]
本稿では,新しいタスク,CLOMO(Counterfactual Logical Modification)と高品質な人間アノテーションベンチマークを紹介する。
このタスクでは、LLMは所定の論理的関係を維持するために、与えられた議論的テキストを順応的に変更しなければなりません。
LLMの自然言語出力を直接評価する革新的な評価指標である自己評価スコア(SES)を提案する。
論文 参考訳(メタデータ) (2023-11-29T08:29:54Z)
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。