Large Language Models for Quantum Code Translation: An Exploratory Study

تعد الحوسبة الكمومية بحل مشكلات مستحيلة حالياً بالنسبة للحواسيب التقليدية، لكن بناء البرمجيات لتشغيل هذه الآلات يمثل تحدياً هائلاً. لا تكمن الصعوبة في القواعد الغريبة للفيزياء الكمومية فحسب، والتي تسمح للجسيمات بالتواجد في حالات متعددة في وقت واحد، بل في المشهد المجزأ للأدوات المتاحة للمبرمجين. حالياً، تبني فرق مختلفة برمجياتها الكمومية باستخدام مجموعات مختلفة من التعليمات، تماماً كما تتحدث الدول المختلفة لغات مختلفة. فغالباً ما لا يمكن تشغيل برنامج كُتب لنظام ما على نظام آخر، مما يضطر المطورين إلى إعادة كتابة الكود الخاص بهم يدوياً من الصفر في كل مرة يرغبون فيها في تغيير الأدوات. هذا الحاجز يبطئ التقدم ويجعل من الصعب على المهندسين مشاركة أعمالهم.

بدأ باحثون من جامعة كيوشو وجامعة بيهانغ في استكشاف ما إذا كان الذكاء الاصطناعي يمكنه جسر هذه الفجوة. فقد بحثوا فيما إذا كانت النماذج اللغوية الكبيرة — وهي برامج حاسوبية متقدمة مدربة على كميات هائلة من النصوص والأكواد — يمكنها ترجمة البرامج الكمومية تلقائياً من نظام إلى آخر مع الحفاظ على سلوكها المقصود. ركزت دراستهم على تحويل الكود المكتوب بلغة Qiskit، وهي مجموعة أدوات شهيرة من IBM، إلى نظامين رئيسيين آخرين هما: PennyLane و Q#. كان الهدف هو معرفة ما إذا كانت نماذج الذكاء الاصطناعي هذه قادرة على فهم المنطق المعقد لميكانيكا الكم، مثل كيفية ارتباط الجسيمات معاً أو كيفية إجراء القياسات، وتطبيق ذلك الفهم لإعادة كتابة الكود بشكل صحيح دون تدخل بشري.

ولاختبار ذلك، أنشأ الفريق سير عمل حيث يتم إعطاء الذكاء الاصطناعي مهمة كمومية محددة مكتوبة باللغة الأصلية، ويُطلب منه إنتاج نسخة مكافئة لها باللغة الجديدة. لم يكتفوا بطلب التخمين من الذكاء الاصطناعي؛ بل بنوا نظاماً يتحقق من النتائج بصرامة. حيث تم تشغيل الكود المترجم عبر بيئات البرمجيات الفعلية للأنظمة المستهدفة لمعرفة ما إذا كان سيعمل دون أخطاء وهل سينتج النتائج الرياضية الصحيحة. اختبر الباحثون أربعة تكوينات مختلفة للذكاء الاصطناعي على ثلاثة وأربعين مهمة متميزة، تراوحت من العمليات البسيطة إلى المتواليات الأكثر تعقيداً. وقارنوا بين طريقتين: طلب الترجمة من الذكاء الاصطناعي فوراً دون أي أمثلة، وطلب الترجمة بعد إظهار مثال واحد صحيح لكيفية إجراء التحويل.

كانت النتائج مشجعة ولكنها سلطت الضوء على عقبات كبيرة. فعندما طُلب من الذكاء الاصطناعي الترجمة دون أمثلة سابقة، تباين معدل النجاح بشكل كبير اعتماداً على النموذج والنظام المستهدف. تمكن أفضل تكوين في الأداء من إنتاج ترجمة صالحة للعمل في حوالي اثنين وسبعين بالمائة من الحالات لنظام واحد وحوالي واحد وسبعين بالمائة للنظام الآخر. يشير هذا إلى أن هذه النماذج تمتلك قدرة حقيقية على استيعاب بنية الكود الكمومي. ومع ذلك، كشفت الدراسة أيضاً أن الذكاء الاصطناعي فشل تكراراً بسبب مشكلات عملية وليس بسبب نقص في فهم الفيزياء. كانت الأسباب الأكثر شيوعاً للفشل هي فقدان ملفات المصدر أو فشل الكود المترجم في التجميع (compile)، مما يعني أن الحاسوب لم يستطع حتى بدء تشغيل البرنامج. وقد شكلت هذه الأخطاء ما يقرب من أربعين بالمائة وخمسة وثلاثين بالمائة من حالات الفشل، على التوالي.

وعندما زود الباحثون الذكاء الاصطناعي بمثال واحد لترجمة صحيحة قبل مطالبته بالمهمة، تحسن الأداء بشكل ملحوظ. فقد ارتفع معدل النجاح لكلا النموذجين المختبرين، مما يشير إلى أن إظهار كيفية التعامل مع قواعد وصيغ النظام الجديد يساعد الذكاء الاصطناعي على تجنب الأخطاء. تشير هذه النتيجة إلى أنه على الرغم من أن التكنولوجيا ليست مثالية بعد، إلا أنها مسار قابل للتطبيق. وتخلص الدراسة إلى أن النماذج اللغوية الكبيرة تحمل إمكانات حقيقية لأتمتة ترجمة البرمجيات الكمومية، مما قد يسمح للمطورين في النهاية بالتنقل بحرية بين الأدوات المختلفة. ومع ذلك، يشير الباحثون إلى أن العمل المستقبلي يجب أن يعالج العوائق المتبقية، مثل ضمان وصول الذكاء الاصطناسي إلى جميع الملفات الضرية وقدرته على التعامل مع اختلافات الإصدارات المعقدة بين تحديثات البرامج، قبل أن يصبح هذا النهج أداة قياسية في الصناعة.