arXiv cs.AIは2026年9月8日(現地時間)、Niloy Kumar Mondal氏らが、自然言語で記述された課題からQuadratic Unconstrained Binary Optimization (QUBO) の定式化を自律的に生成するマルチエージェントフレームワークに関する論文を発表しました。量子計算機との互換性で注目されるQUBOの定式化は専門知識を要しますが、提案フレームワークは新たなベンチマーク「QUBOBench」で68%の精度を達成しています。
Quadratic Unconstrained Binary Optimization (QUBO) は、組合せ最適化問題を表現するための中心的な手法です。量子、ハイブリッド量子-古典、量子インスパイア型ソルバーとの互換性を持つことから、近年特に注目を集めています。しかし、自然言語で記述された問題を正確なQUBO定式化へ変換するプロセスは依然として複雑で、バイナリ変数の設定、制約条件の定義、目的関数の特定、ペナルティ項の導入、そして適切なペナルティ重みの決定など、多岐にわたる専門知識と細やかな作業が求められます。
この定式化プロセスは時間を要し、高度な専門知識が不可欠です。Niloy Kumar Mondal氏らはこの課題に対処するため、自然言語の課題記述からQUBO定式化を自律的に構築するエンドツーエンドのマルチエージェントフレームワークを提案しました。このフレームワークは、構造化および非構造化されたテストケースの両方を対象としています。
提案されたフレームワークの性能を客観的に評価するため、研究者らは「QUBOBench」と名付けた新たなベンチマークも導入しました。QUBOBenchは、査読付き文献、コンペティション、そして典型的なNP困難問題から厳選された、12の応用領域にわたる100の組合せ最適化問題で構成されています。
実験結果によると、提案フレームワークはQUBOBenchにおいて68%の精度を達成しました。これは、直接的なシングルコールベースラインの性能を22%上回るものです。さらなる分析を通じて、iterative self-repair（反復的な自己修復）が性能向上に最も重要な要素であることが特定されました。この研究で用いられたデータとコードはオープンソースとして公開されています。本論文はICML 2026 Workshop on AI as a Tool for Mathematics, Computer Science, and Machine Learning (AI4Research) に採択されています。
参考: arXiv cs.AI — 2026年9月12日 13:00 (JST)
原文ハイライト"Automating Quadratic Unconstrained Binary Optimization (QUBO) Formulation Generation from Natural Language"