Large Language Models for Quantum Code Translation: An Exploratory Study

Quantencomputing verspricht, Probleme zu lösen, die für herkömmliche Computer derzeit unmöglich sind, aber der Bau der Software, um diese Maschinen zu betreiben, stellt eine gewaltige Herausforderung dar. Die Schwierigkeit liegt nicht nur in den seltsamen Regeln der Quantenphysik, die es Teilchen ermöglichen, gleichzeitig in mehreren Zuständen zu existieren, sondern auch in der fragmentierten Landschaft der Programmierern verfügbaren Werkzeuge. Derzeit bauen verschiedene Teams ihre Quantensoftware mit unterschiedlichen Befehlssätzen, ganz so, wie verschiedene Länder unterschiedliche Sprachen sprechen. Ein Programm, das für ein System geschrieben wurde, kann oft nicht auf einem anderen laufen, was Entwickler dazu zwingt, ihren Code jedes Mal manuell von Grund auf neu zu schreiben, wenn sie die Werkzeuge wechseln wollen. Diese Barriere verlangsamt den Fortschritt und erschwert es Ingenieuren, ihre Arbeit zu teilen.

Forscher der Kyushu University und der Beihang University haben damit begonnen zu untersuchen, ob künstliche Intelligenz diese Lücke schließen kann. Sie untersuchten, ob große Sprachmodelle – fortschrittliche Computerprogramme, die auf riesigen Mengen von Text und Code trainiert wurden – Quantenprogramme automatisch von einem System in ein anderes übersetzen können, während sie das beabsichtigte Verhalten beibehalten. Ihre Studie konzentrierte sich auf die Konvertierung von Code, der für Qiskit geschrieben wurde, einem populären Toolkit von IBM, in zwei andere Hauptsysteme: PennyLane und Q#. Das Ziel war es zu sehen, ob diese KI-Modelle die komplexe Logik der Quantenmechanik verstehen können, wie etwa die Art und Weise, wie Teilchen miteinander verknüpft sind oder wie Messungen durchgeführt werden, und dieses Verständnis anwenden können, um den Code korrekt ohne menschliches Eingreifen umzuschreiben.

Um dies zu testen, erstellte das Team einen Arbeitsablauf, bei dem der KI eine spezifische Quantenaufgabe in der Originalsprache gegeben wurde und sie gebeten wurde, eine äquivalente Version in der neuen Sprache zu erzeugen. Sie ließen die KI die Ergebnisse nicht einfach nur raten; sie bauten ein System, das die Ergebnisse streng prüfte. Der übersetzte Code wurde durch die tatsächlichen Softwareumgebungen der Zielsysteme laufen gelassen, um zu sehen, ob er ohne Fehler ausführbar war und die korrekten mathematischen Ergebnisse lieferte. Die Forscher testeten vier verschiedene KI-Konfigurationen bei dreiundvierzig unterschiedlichen Aufgaben, die von einfachen Operationen bis hin zu komplexeren Sequenzen reichten. Sie verglichen zwei Methoden: die KI wurde gebeten, den Code sofort ohne jegliche Beispiele zu übersetzen, und die KI wurde gebeten, die Übersetzung vorzunehmen, nachdem man ihr ein korrektes Beispiel dafür gezeigt hatte, wie die Konvertierung aussehen sollte.

Die Ergebnisse waren ermutigend, verdeutlichten jedoch erhebliche Hürden. Wenn die KI ohne vorherige Beispiele zur Übersetzung gebeten wurde, variierte die Erfolgsquote stark je nach Modell und Zielsystem. Die am besten abschneidende Konfiguration schaffte es, in etwa zweiundsiebzig Prozent der Fälle für ein Zielsystem und in etwa einundsiebzig Prozent für das andere eine funktionierende Übersetzung zu erstellen. Dies deutet darauf an, dass diese Modelle über die echte Fähigkeit verfügen, die Struktur von Quanten-Code zu erfassen. Die Studie zeigte jedoch auch, dass die KI häufig aufgrund praktischer Probleme scheiterte und nicht aufgrund eines mangelnden Verständnisses der Physik. Die häufigsten Gründe für das Scheitern waren fehlende Quelldateien oder der Umstand, dass der übersetzte Code nicht kompiliert werden konnte, was bedeutet, dass der Computer das Programm gar nicht erst starten konnte. Diese Fehler machten nahezu vierzig Prozent bzw. fünfunddreißig Prozent der Ausfälle aus.

Als die Forscher der KI ein einzelnes Beispiel einer korrekten Übersetzung zeigten, bevor sie sie zur Aufgabe aufforderten, verbesserte sich die Leistung merklich. Die Erfolgsquote stieg für beide getesteten Modelle an, was darauf hindeutet, dass das Zeigen der KI, wie sie mit der spezifischen Syntax und den Regeln des neuen Systems umzugehen hat, ihr hilft, Fehler zu vermeiden. Dieser Befund legt nahe, dass die Technologie zwar noch nicht perfekt ist, aber ein gangbarer Weg nach vorne darstellt. Die Studie kommt zu dem Schluss, dass große Sprachmodellees echtes Potenzial besitzen, die Übersetzung von Quantensoftware zu automatisieren, was es Entwicklern letztlich ermöglichen könnte, sich frei zwischen verschiedenen Werkzeugen zu bewegen. Die Forscher merken jedoch an, dass die zukünftige Arbeit die verbleibenden Barrieren angehen muss, wie etwa sicherzustellen, dass die KI Zugriff auf alle notwendigen Dateien hat und die komplexen Versionsunterschiede zwischen Software-Updates navigieren kann, bevor dieser Ansatz zu einem Standardwerkzeug der Industrie werden kann.