Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

PennyLang: Pioneering LLM-Based Quantum Code Generation with a Novel PennyLane-Centric Dataset

Created by
  • Haebom

作者

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

概要

この論文では、量子ソフトウェア開発における大規模言語モデル（LLM）の利用を制限する高品質データセットの欠如を解決するために、PennyLane専用の高品質データセットであるPennyLangを紹介します。 PennyLangは、教科書、公式文書、オープンソースリポジトリから収集された3,347個のPennyLane量子コードサンプルと状況説明で構成されています。この論文は、PennyLangの作成と公開、自動化された量子コードデータセット構成フレームワーク、およびRAG（Retrieval-Augmented Generation）パイプライン内で複数のオープンソースモデルを使用した基準評価を含む3つの貢献を提供します。実験の結果、RAGとPennyLangを併用すると、Qwen 7BとLLaMa 4モデルの性能が大幅に向上することがわかります。これは、Qiskitに焦点を当てた既存の研究とは異なり、PennyLaneにLLMベースのツールと再現可能な方法を提供することによってAIサポートの量子開発を進めるのに貢献します。

Takeaways、Limitations

•
Takeaways：
◦
量子プログラミング用の高品質データセットPennyLangを提供することで、LLMベースの量子ソフトウェア開発を高速化できます。
◦
自動化された量子コードデータセットの設定フレームワークを使用すると、データセットの構築プロセスを体系化および効率化できます。
◦
RAGパイプラインを活用して、LLMの量子コード生成性能を大幅に向上させることができることを実験的に証明しました。
◦
PennyLaneにLLMベースのツールを提供し、AIサポートの量子開発の新しい可能性を提示します。
•
Limitations：
◦
PennyLangデータセットはPennyLaneに特化しており、他の量子プログラミングフレームワークに直接適用するのは困難です。
◦
現在の評価は特定のオープンソースモデルに限定されており、より多様なモデルの評価が必要です。
◦
自動化されたデータセット構成フレームワークの一般性とスケーラビリティに関するさらなる研究が必要です。
◦
RAGパイプラインのパフォーマンス向上はデータセットの品質に大きく依存するため、データセットの品質管理が重要です。
👍
Made with Slashpage