[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

LLM - Transpilation de code quantique optimisée

Created by
  • Haebom

Auteur

Nazanin Siavash, Armin Moin

Contour

Dans cet article, nous proposons un traducteur de logiciels quantiques basé sur un modèle de langage à grande échelle (LLM) afin de résoudre les difficultés d'interopérabilité entre les plateformes d'informatique quantique et de développement multiplateforme de systèmes logiciels hybrides quantiques-classiques. Il vise à surmonter les limites des traducteurs classiques basés sur des règles et à transformer des programmes quantiques d'un SDK quantique (QSDK) vers un autre QSDK en exploitant les connaissances pré-appris et les capacités de raisonnement contextuel du LLM. Ses principales caractéristiques sont l'absence de règles de transformation définies manuellement et la possibilité d'une solution évolutive. Il s'agit d'une avancée majeure vers une transformation intelligente et polyvalente de l'écosystème de l'informatique quantique.

Takeaways, Limitations

Takeaways:
Une nouvelle approche des convertisseurs de logiciels quantiques utilisant LLM
Surmonter les limites des convertisseurs basés sur des règles existants (prenant du temps, nécessitant des connaissances spécialisées, difficile à maintenir)
Améliorer la portabilité multiplateforme et accroître l'interopérabilité des programmes quantiques
Présenter la possibilité de construire un environnement de développement de logiciels quantiques évolutif et flexible
Limitations:
Il est nécessaire de vérifier les performances et la précision du LLM
Des recherches sont nécessaires pour garantir la fiabilité et la stabilité des convertisseurs basés sur LLM
Nécessité d'évaluer les performances de transformation pour les algorithmes quantiques complexes
Il est nécessaire d'analyser l'impact du biais des données d'apprentissage du LLM sur les résultats de conversion.
👍