Agentic MLIR-to-QIR Translation with Dual-Backend Testing: A Hybrid Deterministic and LLM Approach
Dieses Paper präsentiert ein hybrides MLIR-zu-QIR-Translationsframework, das deterministische Compiler-Passes für bekannte Dialekte mit einem LLM-basierten agentischen Pfad für unbekannte Dialekte kombiniert und eine Dual-Backend-Testpipeline nutzt, um eine hohe Ausgabetreue über diverse Quantenschaltkreise hinweg zu gewährleisten.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Welt des Quantencomputings ist derzeit eine Landschaft aus vielen verschiedenen Sprachen. Genau wie ein Reisender Schwierigkeiten haben könnte, über Grenzen hinweg zu kommunizieren, in denen jedes Land eine andere Sprache spricht, stehen Wissenschaftler und Ingenieure vor einer ähnlichen Barriere in der Quantentechnologie. Verschiedene Hardwarehersteller und Softwaregruppen haben ihre eigenen einzigartigen Wege entwickelt, um Quantenschaltkreise zu beschreiben – jene Anweisungen, die einem Quantencomputer sagen, was er tun soll. Diese Beschreibungen sind wie Dialekte einer komplexen technischen Sprache. Während jeder Dialekt innerhalb seines eigenen Ökosystems perfekt funktioniert, verstehen sie einander nicht von Naturstens. Dies schafft ein erhebliches Problem: Ein Programm, das für einen Typ von Quantenmaschine geschrieben wurde, kann oft nicht auf einer anderen laufen, ohne dass ein menschlicher Experte den Code manuell umschreiben muss – ein langsamer und fehleranfälliger Prozess, der das gesamte Feld ausbremst. Um dies zu lösen, benötigen Forscher einen universellen Übersetzer, der ein Quantenprogramm, das in einem Dialekt geschrieben wurde, in ein Standardformat konvertieren kann, das jede Maschine versteht, ohne die Bedeutung der ursprünglichen Anweisungen zu verlieren.
Ein Team von Forschern am Oak Ridge National Laboratory hat ein neues System entwickelt, das als dieser Übersetzer fungiert und die Lücke zwischen diesen konkurrierenden Quantensprachen schließt. Ihre Arbeit konzentriert sich darauf, Programme, die in einem flexiblen, mehrstufigen Format bekannt als Dialekt geschrieben sind, in eine universelle Zwischenrepräsentation zu konvertieren – einen Standardcode, der als gemeinsamer Boden für verschiedene Quanten-Backends dient. Die Herausforderung besteht darin, dass einige dieser Dialekte zwar bekannt sind und strengen Regeln folgen, andere jedoch neu und unbekannt sind, was es herkömmlichen Computerprogrammen erschwert, sie automatisch zu übersetzen. Um dies anzugehen, baute das Team ein Hybridsystem, das die Geschwindigkeit und Präzision traditioneller Software mit der Anpassungsfähigkeit künstlicher Intelligenz kombiniert. Sie entwickelten einen Übersetzer, der je nach Aufgabe zwischen drei verschiedenen Pfaden wählen kann: einem schnellen, regelbasierten Pfad für bekannte Sprachen, einem flexiblen, KI-gesteuerten Pfad für neue Sprachen und einem Reparaturpfad, der Fehler behebt, falls der erste Versuch fehlschlägt.
Das System arbeitet wie eine hoch organisierte Fabrikstraße mit einem integrierten Qualitätskontrollmechanismus. Wenn ein Quantenprogramm eintrifft, prüft das System zuerst, in welchem Dialekt es geschrieben ist. Wenn der Dialekt ein solcher ist, den das System gut kennt, wie etwa die von großen Frameworks wie Catalyst oder Quake verwendeten, wählt es einen direkten, deterministischen Weg. In diesem Modus folgt die Software einem strengen Satz vordefinierter Regeln, um den Code zu konvertieren, ein Prozess, der nur einen Bruchteil einer Sekunde dauert und für bekannte Strukturen perfekt genau ist. Wenn das System jedoch auf einen neuen oder unbekannten Dialekt stößt, wechselt es in einen agentischen Modus. Hier setzt es ein Large Language Model ein, eine Art künstliche Intelligenz, die darauf trainiert ist, Code zu verstehen und zu generieren, um die Übersetzung durchzuführen. Dieser KI-Agent agiert wie ein geschickter Linguist, der die neue Sprache analysiert und die Übersetzung basierend auf Mustern erstellt, die er gelernt hat, geleitet von spezifischen Beispielen und Regeln, die im Prompt bereitgestellt werden.
Entscheidend ist, dass die Forscher der KI nicht einfach blind vertraut haben, dass sie die korrekte Ausgabe produziert. Sie bauten eine rigorose Test-Pipeline, die als Doppelprüfung fungiert. Sobald die Übersetzung abgeschlossen ist, führt das System das ursprüngliche Quantenprogramm und die neu übersetzte Version auf zwei separaten, unabhängigen Simulatoren aus. Diese Simulatoren fungieren als virtuelle Quantencomputer, die die Anweisungen ausführen und Ergebnisse liefern. Das System vergleicht dann die statistischen Verteilungen der Ergebnisse aus beiden Durchläufen. Wenn die Ergebnisse eng genug übereinstimmen, wird die Übersetzung akzeptiert. Wenn sie nicht übereinstimmen, gibt das System nicht auf; stattdessen tritt es in eine Reparaturschleife ein. Es speist die Fehlerinformation zurück an den KI-Agenten, erklärt, was schiefgelaufen ist, und bittet den Agenten, es erneut zu versuchen. Dieser Zyklus aus Übersetzung, Testen und Reparieren kann sich mehrmals wiederholen, bis eine gültige, funktionierende Übersetzung gefunden wurde.
Um sicherzustellen, dass das System auch dann funktioniert, wenn die KI eine unvollständige oder unordentliche Ausgabe produziert, fügten die Forscher einen Sicherheitsmechanismus namens Guardrail-Assembler hinzu. Kleinere KI-Modelle generieren manchmal die korrekte Sequenz von Quantenoperationen, vergessen aber die notwendigen strukturellen Details, wie Variablen-Deklarationen oder Formatierungen, die den Code erst gültig machen. Der Guardrail-Assembler greift ein, um diese strukturellen Probleme zu beheben. Er extrahiert die Kernoperationen aus der Ausgabe der KI und setzt sie unter Verwendung von Standard-Templates zu einer vollständigen, gültigen Codedatei zusammen. Dies ermöglicht es dem System, von Fehlern zu erholen, die andernfalls zum völligen Scheitern der Übersetzung führen würden, was den Prozess wesentlich robuster macht.
Die Forscher testeten ihr System an einem vielfältigen Satz von einundvierzig verschiedenen Quantenschaltkreis-Designs, die von einfachen Zwei-Qubit-Operationen bis hin zu komplexen Algorithmen mit bis zu einhundert Qubits reichen. Sie evaluierten das System über drei verschiedene Dialekte hinweg, darunter zwei bekannte und einen neuen, bisher ungesehenen Dialekt für fehlertolerantes Quantencomputing. Die Ergebnisse zeigten, dass der deterministische Pfad für die bekannten Dialekte makellos war, eine perfekte Genauigkeit bei der Übersetzung der Gate-Strukturen erreichte und Ergebnisse lieferte, die mit einer Ähnlichkeit von über 95 Prozent mit den Originalprogrammen übereinstimmten. Wenn das System gezwungen war, den KI-Agenten für bekannte Dialekte zu verwenden, schnitt es immer noch gut ab, dauerte jedoch signifikant länger, nämlich zwischen fünfunddreißig und zweiundsechzig Sekunden im Vergleich zu den Millisekunden des deterministischen Pfads.
Der bedeutendste Test kam mit dem ungesehenen Dialekt. Da keine vorab geschriebenen Regeln für diese neue Sprache existierten, musste sich das System vollständig auf den KI-Agenten verlassen. In diesem Szenario waren vier von sechs getesteten verschiedenen KI-Modellen in der Lage, bereits beim ersten Versuch gültige Übersetzungen zu produzieren. Diese Modelle konnten logische Operationen erfolgreich übersetzen – abstrakte Anweisungen für fehlerkorrigierte Quantencomputer – in das Standardformat. Das System demonstrierte, dass es neue Sprachen handhaben konnte, ohne dass ein Mensch einen neuen Übersetzer von Grund auf neu schreiben musste. Die Forscher merkten an, dass die KI-Modelle zwar in der Lage waren, die logischen Operationen zu übersetzen, diese aber nicht automatisch in die physikalischen Details erweiterten, die für die Hardware erforderlich sind – eine Aufgabe, die weiterhin in der Verantwortung des Backend-Systems liegt.
Die Studie hob auch die Bedeutung dessen hervor, wie Informationen an die KI übermittelt werden. Das Team stellte fest, dass es oft zu Fehlern bei kleineren Modellen führte, wenn man der KI lediglich ein Suchwerkzeug zur Verfügung stellte, um Informationen nachzuschlagen – eine Methode, die als Retrieval-Augmented Generation bekannt ist. Stattdessen war der Erfolg durch das direkte Injizieren des gesamten notwendigen Referenzmaterials, wie etwa Gate-Mappings und Code-Templates, direkt in den Prompt zu erzielen. Dieser Ansatz, den sie „Context Engineering“ nennen, stellte sicher, dass die KI alle Fakten unmittelbar griffbereit hatte, was die Verwirrung verhinderte, die entstand, wenn das Modell versuchte, Antworten selbstständig zu suchen.
Letztendlich stellt diese Arbeit eine praktische Lösung für das Interoperabilitätsproblem im Quantencomputing dar. Durch die Kombination der Geschwindigkeit traditioneller Compiler mit der Flexibilität künstlicher Intelligenz und einer rigorosen Testschleife haben die Forscher ein System geschaffen, das Quantencode über verschiedene Sprachen hinweg mit hoher Zuverlässigkeit übersetzen kann. Das System rät nicht einfach nur; es verifiziert seine Arbeit, repariert seine Fehler und passt sich neuen Herausforderungen an. Während der deterministische Pfad für bekannte Sprachen weiterhin der schnellste und zuverlässigste bleibt, bietet der agentische Pfad eine lebenswichtige Brücke für die Zukunft, die es dem Quanten-Software-Ökosystem ermöglicht, sich zu entwickeln und neue Dialekte zu integrieren, ohne durch die Notwendigkeit des manuellen Umschreibens zurückgehalten zu werden. Dieser hybride Ansatz deutet auf eine Zukunft hin, in der Quantenprogramme frei zwischen verschiedenen Hardwareplattformen beweglich sind, was die Entwicklung der Quantentechnologie als Ganzes beschleunigt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.