Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

PennyLang: Pionera en la generación de código cuántico basado en LLM con un novedoso conjunto de datos centrado en PennyLane

Created by
  • Haebom

Autor

Abdul Basit, Nouhaila Innan, Muhammad Haider Asif, Minghao Shao, Muhammad Kashif, Alberto Marchisio, Muhammad Shafique

Describir

Este artículo presenta PennyLang, un conjunto de datos de alta calidad dedicado a PennyLane, para abordar la falta de conjuntos de datos de alta calidad que limita el uso de modelos de lenguaje a gran escala (LLM) en el desarrollo de software cuántico. PennyLang consta de 3347 muestras de código cuántico de PennyLane y descripciones contextuales recopiladas de libros de texto, documentos oficiales y repositorios de código abierto. Este artículo presenta tres contribuciones: la generación y publicación de PennyLang, un marco automatizado para la construcción de conjuntos de datos de código cuántico, y la evaluación de referencia utilizando múltiples modelos de código abierto dentro del pipeline de Recuperación-Generación Aumentada (RAG). Los resultados experimentales demuestran que la combinación de RAG y PennyLang mejora significativamente el rendimiento de los modelos Qwen 7B y LLaMa 4. Esto contrasta con investigaciones previas centradas en Qiskit, que contribuyen al avance del desarrollo cuántico asistido por IA al proporcionar herramientas basadas en LLM y métodos reproducibles para PennyLane.

Takeaways, Limitations

•
Takeaways:
◦
Acelere el desarrollo de software cuántico basado en LLM proporcionando un conjunto de datos de alta calidad para la programación cuántica, PennyLang.
◦
Un marco de construcción de conjuntos de datos de código cuántico automatizado puede ayudarlo a sistematizar y agilizar el proceso de construcción de conjuntos de datos.
◦
Demostramos experimentalmente que el rendimiento de generación de código cuántico de LLM se puede mejorar significativamente aprovechando el pipeline RAG.
◦
Proporcionar herramientas basadas en LLM a PennyLane abre nuevas posibilidades para el desarrollo cuántico habilitado por IA.
•
Limitations:
◦
El conjunto de datos de PennyLang es específico de PennyLane y puede no ser directamente aplicable a otros marcos de programación cuántica.
◦
La evaluación actual se limita a un modelo de código abierto específico y se necesita evaluar una gama más amplia de modelos.
◦
Se necesita más investigación para explorar la generalidad y escalabilidad de los marcos de construcción de conjuntos de datos automatizados.
◦
Dado que el rendimiento del pipeline RAG depende en gran medida de la calidad del conjunto de datos, el control de calidad del conjunto de datos es importante.
👍
Made with Slashpage