Doğal dilden QUBO formülasyonu üreten çoklu ajan çerçevesiMulti-Agent Framework for Generating QUBO Formulations from Natural Language

ÖzetSummary

Çoklu ajan tabanlı bir büyük dil modeli (LLM) çerçevesi, doğal dildeki problem tanımlarını otomatik olarak QUBO formülasyonlarına (ikili değişkenler, kısıtlar, ceza terimleri) dönüştürüyor. Bu sistem, QUBOBench adlı yeni tanıtılan 100 problemlik kıyaslamada %68 doğruluk elde etti ve tek çağrı baz çizgisini 22 puanlık farkla geride bıraktı.A multi-agent large language model (LLM) framework automatically translates natural language problem descriptions into QUBO formulations (binary variables, constraints, penalty terms). In the newly introduced QUBOBench benchmark of 100 problems, the system achieved 68% accuracy, outperforming the single-call baseline by a 22-point margin.

Neden ÖnemliWhy it matters

QUBO, kuantum, hibrit ve kuantum ilhamlı çözücüler için standart girdi biçimidir. Ancak doğru formülasyonlar yazmak; değişkenleri, kısıtları ve ceza ağırlıklarını belirlemede derin bir alan uzmanlığı gerektirir. Bu adımı otomatikleştirmek, araştırmacıların ve sektör kullanıcılarının kuantuma yakın optimizasyon donanımlarına erişim engellerini büyük ölçüde düşürebilir. Çalışma ayrıca bu alandaki tekrarlanabilir değerlendirme boşluğunu dolduran, 12 alandan seçilmiş 100 problemlik QUBOBench veri kümesini de sunuyor.QUBO is the standard input format for quantum, hybrid, and quantum-inspired solvers. However, writing correct formulations requires deep domain expertise in defining variables, constraints, and penalty weights. Automating this step could significantly lower the barrier to accessing near-term quantum optimization hardware for researchers and industry users. The study also presents QUBOBench, a 100-problem dataset selected from 12 domains, which fills a gap in reproducible evaluation in this field.

Öne ÇıkanlarHighlights

• QUBOBench'te %68 doğruluk; doğrudan tek çağrılı LLM baz çizgisine göre +22 puanlık fark68% accuracy on QUBOBench; a 22-point advantage over the direct single-call LLM baseline
• Çoklu ajan hattında en etkili bileşen olarak yinelemeli öz-onarım belirlendiIterative self-repair was identified as the most effective component in the multi-agent pipeline
• QUBOBench: Akran değerlendirmeli literatürden, yarışmalardan ve standart NP-zor problemlerden derlenen, 12 alana yayılan 100 kombinatoryal problem; kod ve veri açık kaynak olarak paylaşıldıQUBOBench: A set of 100 combinatorial problems spanning 12 domains, compiled from peer-reviewed literature, competitions, and standard NP-hard problems; code and data are shared as open source

EleştiriCritical take

%68 başarı oranı, üretilen QUBO formülasyonlarının yaklaşık üçte birinin hatalı olduğu anlamına geliyor. Yanlış ceza ağırlıkları veya sessizce atlanan kısıtlar, geçerli olmayan ama inandırıcı görünen çözümler üretebildiği için pratik güvenilirlik açığı, başlık rakamının ima ettiğinden daha büyük olabilir. Ayrıca bu sonuç, 100 problemlik bir kıyaslamaya dayanan bir atölye bildirisi (ICML 2026 AI4Research) kaynaklıdır. Bu nedenle sistemin daha uzun ve gürültülü gerçek dünya spesifikasyonlarına genellenip genellenemeyeceği hâlâ test edilmemiştir.A 68% success rate implies that approximately one-third of the generated QUBO formulations are incorrect. Because incorrect penalty weights or silently omitted constraints can produce invalid yet plausible-looking solutions, the practical reliability gap may be larger than the headline figure suggests. Furthermore, this result comes from a workshop paper (ICML 2026 AI4Research) based on a 100-problem benchmark. Therefore, it remains untested whether the system can generalize to longer, noisier real-world specifications.