Large Language Models for Quantum Code Translation: An Exploratory Study

La computación cuántica promete resolver problemas que actualmente son imposibles para las computadoras tradicionales, pero construir el software para operar estas máquinas es un desafío formidable. La dificultad no reside solo en las extrañas reglas de la física cuántica, que permiten que las partículas existan en múltiples estados a la vez, sino en el paisaje fragmentado de herramientas disponibles para los programadores. Actualmente, diferentes equipos construyen su software cuántico utilizando diferentes conjuntos de instrucciones, de forma muy similar a cómo diferentes países hablan diferentes idiomas. Un programa escrito para un sistema a menudo no puede ejecutarse en otro, lo que obliga a los desarrolladores a reescribir su código manualmente desde cero cada vez que desean cambiar de herramientas. Esta barrera ralentiza el progreso y dificulta que los ingenieros compartan su trabajo.

Investigadores de la Universidad de Kyushu y la Universidad de Beihang han comenzado a explorar si la inteligencia artificial puede cerrar esta brecha. Investigaron si los modelos de lenguaje extensos —programas informáticos avanzados entrenados en vastas cantidades de texto y código— podrían traducir automáticamente programas cuánticos de un sistema a otro manteniendo intacto su comportamiento previsto. Su estudio se centró en convertir código escrito para Qiskit, un popular conjunto de herramientas de IBM, a otros dos sistemas principales: PennyLane y Q#. El objetivo era ver si estos modelos de IA podían comprender la compleja lógica de la mecánica cuántica, como la forma en que las partículas están vinculadas entre sí o cómo se realizan las mediciones, y aplicar ese entendimiento para reescribir el código correctamente sin intervención humana.

Para probar esto, el equipo creó un flujo de trabajo donde se le daba a la IA una tarea cuántica específica escrita en el lenguaje original y se le pedía producir una versión equivalente en el nuevo lenguaje. No se limitaron a pedirle a la IA que adivinara; construyeron un sistema que verificaba los resultados rigurosamente. El código traducido se ejecutó a través de los entornos de software reales de los sistemas de destino para ver si se ejecutaba sin errores y producía los resultados matemáticos correctos. Los investigadores probaron cuatro configuraciones diferentes de IA en cuarenta y tres tareas distintas, que iban desde operaciones simples hasta secuencias más compleas. Compararon dos métodos: pedirle a la IA que tradujera el código inmediatamente sin ningún ejemplo, y pedirle que lo tradujera tras mostrarle un ejemplo correcto de cómo debería ser la conversión.

Los resultados fueron alentadores pero resaltaron obstáculos significativos. Cuando se le pidió a la IA que tradujera sin ejemplos previos, la tasa de éxito varió ampliamente dependiendo del modelo y del sistema de destino. La configuración con mejor desempeño logró producir una traducción funcional en aproximadamente el setenta y dos por ciento de los casos para un sistema de destino y cerca del setenta y uno por ciento para el otro. Esto sugiere que estos modelos poseen una capacidad genuina para comprender la estructura del código cuántico. Sin embargo, el estudio también reveló que la IA fallaba con frecuencia debido a cuestiones prácticas más que a una falta de comprensión de la física. Las razones más comunes de falla fueron la ausencia de archivos de origen o que el código traducido no lograba compilarse, lo que significa que la computadora ni siquiera podía iniciar la ejecución del programa. Estos errores representaron casi el cuarenta por ciento y el treinta y cinco por ciento de las fallas, respectivamente.

Cuando los investigadores proporcionaron a la IA un único ejemplo de una traducción correcta antes de pedirle realizar la tarea, el desempeño mejoró notablemente. La tasa de éxito aumentó para ambos modelos probados, indicando que mostrarle a la IA cómo manejar la sintaxis y las reglas específicas del nuevo sistema ayuda a evitar errores. Este hallazgo sugiere que, si bien la tecnología aún no es perfecta, es un camino viable hacia adelante. El estudio concluye que los modelos de lenguaje extensos poseen un potencial real para automatizar la traducción de software cuántico, lo que eventualmente podría permitir a los desarrolladores moverse libremente entre diferentes herramientas. Sin embargo, los investigadores señalan que el trabajo futuro debe abordar las barreras restantes, como asegurar que la IA tenga acceso a todos los archivos necesarios y pueda navegar las complejas diferencias de versiones entre las actualizaciones de software, antes de que este enfoque pueda convertirse en una herramienta estándar para la industria.