Stellen Sie sich eine Welt vor, in der Computer nicht nur Zahlen berechnen, sondern mit dem eigentlichen Gefüge der Realität tanzen und dabei die bizarren Regeln der Quantenphysik nutzen, um Probleme zu lösen, für die heutige Supercomputer ewig bräuchten. Dies ist das Reich des Quantencomputings, ein Feld, das verspricht, alles von der Medizin bis zum Finanzwesen zu revolutionieren. Doch wie jede neue Technologie basiert auch diese auf einem Fundament aus Softwarebibliotheken – massiven, komplexen Bedienungsanleitungen, die der Quantenhardware sagen, was sie tun soll. Betrachten Sie diese Bibliotheken als die „Betriebssysteme“ für Quantenmaschinen. Wenn der Code in diesen Bibliotheken einen Fehler hat, könnten die Ergebnisse falsch sein, was dazu führt, dass Wissenschaftler falsche Schlüsse ziehen oder kostbare, knappe Quantenzeit verschwenden. Genau wie Sie ein Auto mit einer wackeligen Lenkung nicht vertrauen würden, können wir Quantencomputern keine fehlerhafte Software anvertrauen.

Um diese digitalen Motoren reibungslos am Laufen zu halten, nutzen Tester eine Technik namens „Fuzzing“. Stellen Sie sich einen Roboter vor, der zufällig tausende verschiedene Schlüssel in ein Schloss wirft, um einen zu finden, der es bricht oder den Mechanismus blockiert. In der Softwareprüfung bedeutet dies, das Programm mit Millionen von zufälligen, leicht seltsamen Eingaben zu füttern, um zu sehen, ob es abstürzt oder sich merkwürdig verhält. Kürzlich begannen Wissenschaftler, Künstliche Intelligenz (speziell Large Language Models oder LLMs) einzusetzen, um als diese Roboter zu fungieren, in der Hoffnung, dass sie bessere, kreativere Testfälle schreiben könnten als ein einfacher Zufallsgenerator. Doch wenn es um die knifflige Welt des Quantencodes geht, sind diese KI-Roboter gestrauchelt und haben oft Anweisungen geschrieben, die für die Quantenhardware keinen Sinn ergeben.

Hier kommt ein neues Team von Forschern mit einer cleveren Lösung namens KQFuzz ins Spiel. Sie erkannten, dass KI zwar gut darin ist, Code zu schreiben, aber oft die Orientierung verliert, wenn sich die Regeln schnell ändern, was in der schnelllebigen Quantenwelt ständig passiert. Um dies zu beheben, bauten sie einen „Wissensleitfaden“ für die KI. Anstatt die KI raten zu lassen, füttert KQFuzz sie mit einer detaillierten Karte der aktuellen Regeln, Beziehungen und der Historie der Bibliothek. Es ist, als würde man dem Roboter ein GPS und ein Regelbuch geben, bevor er anfängt, Schlüssel zu werfen. Durch die Kombination dieser Karte mit einem intelligenten System, das prüft, welche Testfälle am interessantesten sind und sie „mutiert“, um noch seltsamere Variationen zu erzeugen, fand KQFuzz erfolgreich 13 neue Bugs in drei großen Quantenbibliotheken (Qiskit, PennyLane und Cirq). Die Entwickler bestätigten alle von ihnen, und 12 wurden bereits behoben.

Das Problem: Wenn die KI im Quanten-Labyrinth verloren geht

Quantenbibliotheken sind wie lebende, atmende Organismen, die fast täglich ihre Form ändern. Neue Hardware kommt auf den Markt, und die Software muss umgeschrieben werden, um darauf zu passen. Dies schafft einen Albtraum für Standard-Testing-Tools.

Erstens gibt es die „Oldschool“-Fuzzer auf Schaltkreisebene (Circuit-level Fuzzers). Diese sind wie Roboter, die nur einfache Lego-Strukturen bauen können. Sie folgen strengen, vorgegebenen Regeln, um gültige Schaltkreise zu bauen. Während sie gut darin sind, strukturelle Risse zu finden, sind sie unglaublich starr. Sie können die neuen, High-Level-Funktionen moderner Quantensoftware nicht handhaben, weil ihre Regelbücher veraltet sind. Sie sind wie ein Koch, der nur Toast zubereiten kann; er kann kein Gourmetmenü kochen, selbst wenn die Zutaten direkt vor ihm liegen.

Dann gibt es die KI-gestützten Fuzzer. Diese nutzen Large Language Models (LLMs) – dieselbe Technologie, die Aufsätze oder Code schreibt –, um Testfälle zu generieren. Die Idee ist, dass diese KIs, da sie Millionen von Codebeispielen gelesen haben, perfekte Quantenprogramme schreiben sollten. Aber hier liegt der Haken: Die Quantenwelt bewegt sich zu schnell. Die Trainingsdaten der KI sind oft veraltet. Wenn sie gebeten wird, Code für eine neue Version einer Bibliothek zu schreiben, beginnt die KI zu „halluzinieren“. Sie erfindet Befehle, die nicht existieren, oder verwendet alte Befehle, die bereits gelöscht wurden. In einer Studie der Autoren stellte sich heraus, dass bei der Bitte an die KI, Quanten-Code zu schreiben, nur 35 % bis 46 % der Versuche tatsächlich funktionierten. Vergleichen Sie das mit klassischer Software (wie Standard-Python-Bibliotheken), bei der die KI in 64 % bis 86 % der Fälle richtig liegt. Die KI rät im Grunde im Dunkeln, und die meisten ihrer Vermutungen sind falsch.

Die Lösung: KQFuzz, der wissende Wegweiser

Die Autoren dieser Arbeit, Fuyuan Xia und sein Team, beschlossen, nicht mehr zu raten. Sie bauten KQFuss, ein System, das als wissender Reiseführer für die KI fungiert. Anstatt die KI blind umherwandern zu lassen, liefert KQFuzz ihr einen „Korpus“ an Wissen, der direkt aus dem Quellcode der zu testenden Bibliothek extrahiert wurde.

Man kann es sich so vorstellen: Wenn Sie eine Geschichte über eine bestimmte Stadt schreiben wollen, verlassen Sie sich nicht nur auf Ihr Gedächtnis (das vielleicht falsch ist); Sie schauen auf eine Karte, prüfen die Straßennamen und sehen, wie die Gebäude miteinander verbunden sind. KQFuzz macht genau das für Quanten-Code. Es baut eine Datenbank auf, die Folgendes enthält:

1. Statische Metadaten: Die exakten Namen und Standorte jedes Werkzeugs (API) in der Bibliothek.
2. Beziehungen: Wie verschiedene Werkzeuge miteinander kommunizieren (z. B. „Werkzeug A folgt normalerweise Werkzeug B“).
3. Semantische Modelle: Eine Zusammenfassung dessen, was jedes Werkzeug tatsächlich tut, geschrieben von einem leistungsstarken KI-Modell, das den Code liest.
4. Evolutionsmetriken: Eine Historie darüber, wie sich die Werkzeuge im Laufe der Zeit verändert haben, wobei hervorgehoben wird, welche davon instabil sind oder häufig aktualisiert werden.

Mit dieser Karte in der Hand leitet KQFuzz die „Fuzzing“-KI an, Testfälle zu generieren, die tatsächlich gültig sind. Es fragt die KI nicht einfach nur, „schreibe Code“; es sagt: „Hier ist die aktuelle Karte. Nutze diese spezifischen Werkzeuge, die als schwierig bekannt sind, und stelle sicher, dass sie sich so verbinden wie hier beschrieben.“ Dieser Ansatz steigerte die Validität des generierten Codes erheblich und verwandelte einen fehleranfälligen Prozess in einen zuverlässigen.

Die Strategie: Zwei-Level-Mutationen und Fitness-Checks

Sobald KQFuzz einen gültigen Startpunkt (ein „Seed“-Programm) hat, hört es nicht einfach auf. Es muss die verborgenen Bugs finden, die oft tief in komplexen Interaktionen vergraben sind. Dazu nutzt es eine zweistufige Strategie:

1. Die Fitnessfunktion (Der Richter):
Nicht alle Testfälle sind gleichwertig. Einige sind langweilig und einfach; andere sind komplex und chaotisch. KQFuzz nutzt eine „Fitnessfunktion“, um jeden Testfall zu bewerten. Dabei achtet es auf:

• Gate-Diversität: Werden viele verschiedene Arten von Quantenoperationen verwendet?
• Verschränkte Qubits: Interagieren die Quantenbits auf komplexe Weise?
• API-Diversität: Werden verschiedene Teile der Bibliothek zusammen getestet?
• Aufruftiefe (Call Depth): Wie viele Schritte tief geht die Befehlskette?

Wenn ein Testfall bei diesen Metriken hoch punktet, gilt er als „fit“ und wird für die nächste Runde beibehalten. Dies stellt sicher, dass das System seine Energie auf die vielversprechendsten, komplexesten Szenarien konzentriert, in denen Bugs am wahrscheinlichsten zu finden sind.

2. Zwei-Level-Mutation (Der Gestaltwandler):
Nachdem die besten Testfälle ausgewählt wurden, versucht KQFuzz, sie durch kleine, intelligente Änderungen zu „brechen“. Dies geschieht auf zwei Arten:

• Parameter-Level-Mutation: Es verändert die Zahlen. Quantengatter verwenden oft Winkel (wie 0, 1 oder $\pi$). KQFuzz tauscht diese Zahlen gegen „Corner Cases“ aus – seltsame, extreme Werte, die das System verwirren könnten.
• Gate-Level-Strukturmutation: Es verändert die Struktur des Schaltkreises. Es tauscht einen Typ von Quantengatter gegen einen anderen aus, der ähnlich funktioniert, aber eine andere interne Logik besitzt. Dies ist vergleichbar mit dem Austausch eines Automotors gegen ein anderes Modell, um zu sehen, ob das Fahrgestell standhält.

Die Ergebnisse: Die Bugs finden

Das Team testete KQFuzz auf drei der populärsten Quantenbibliotheken: Qiskit, PennyLane und Cirq. Sie verglichen es mit den besten existierenden Tools, einschließlich anderer Fuzzer und KI-basierter Tester.

Die Ergebnisse waren beeindruckend. KQFuzz fand nicht nur mehr Bugs, sondern untersuchte auch Teile des Codes, die die anderen Tools komplett übersehen hatten.

• Auf Qiskit deckte KQFuzz 63,31 % des Codes ab, während das nächstbeste Tool nur 53,00 % erreichte.
• Auf PennyLane erreichte es eine Abdeckung von 58,71 % gegenüber 45,44 %.
• Auf Cirq erreichte es massive 73,79 % Abdeckung und ließ die Konkurrenz bei 55,35 % weit hinter sich.

Insgesamt entdeckte KQFuzz 13 einzigartige Bugs. Jeder einzelne wurde von den Entwicklern der Bibliotheken bestätigt, und 12 davon wurden bereits behoben. Dies waren keine bloßen Tippfehler, sondern ernsthafte Probleme wie „Grenzverletzungen“ (Boundary Violations, bei denen die Software bei extremen Eingaben abstürzt), „Zustandsdivergenz“ (State Divergence, bei der der interne Speicher aus dem Takt gerät) und „semantische Verletzungen“ (Semantic Violations, bei denen der Code etwas anderes tut, als in der Dokumentation steht).

Ein spezifischer Bug, der in Qiskit gefunden wurde, betraf eine Schleife, die dazu führte, dass die Software die Kontrolle über ihre eigenen Parameter verlor, was zu einem stillen Fehler führte, der jahrelang unentdeckt hätte bleiben können. Die Entwickler gaben zu, dass dies ein langjähriges Problem war, das ihre bisherigen Testmethoden nicht erfasst hatten.

Warum das wichtig ist

Das Paper legt nahe, dass die Zukunft des Quantencomputings von zuverlässiger Software abhängt. Da sich diese Bibliotheken rasant entwickeln, reicht manuelles Testen nicht aus, und einfaches Zufallstesten ist zu blind. KQFuzz zeigt, dass wir durch die Kombination der kreativen Kraft der KI mit einem strikten, wissensbasierten Leitfaden ein Testsystem bauen können, das sowohl flexibel als auch präzise ist. Es beweist, dass wir uns nicht zwischen „intelligenter“ KI und „sicherem“ Testen entscheiden müssen; wir können beides haben.

Die Autoren betonen, dass ihre Methode über verschiedene KI-Modelle hinweg robust ist. Selbst als sie kleinere, weniger leistungsfähige KI-Modelle verwendeten, übertraf KQFuzz immer noch die Konkurrenz, was darauf hindeutet, dass der „Wissensleitfaden“ das Geheimrezept ist und nicht nur die Größe des KI-Gehirns.

Letztendlich ist KQFuzz eine Erinnerung daran, dass in der wilden, schnelllebigen Welt des Quantencomputings der beste Weg, Bugs zu finden, darin besteht, die Regeln besser zu kennen als die Regeln sich selbst. Indem sie der KI eine Karte gaben, stellten die Forscher sicher, dass die Reise in eine bugfreie Quantenzukunft ein wenig weniger wackelig ist.