Large Language Models for Quantum Code Translation: An Exploratory Study

L'informatique quantique promet de résoudre des problèmes actuellement impossibles pour les ordinateurs traditionnels, mais la construction des logiciels permettant de faire fonctionner ces machines est un défi redoutable. La difficulté ne réside pas seulement dans les règles étranges de la physique quantique, qui permettent aux particules d'exister dans plusieurs états à la fois, mais aussi dans le paysage fragmenté des outils disponibles pour les programmeurs. Actuellement, différentes équipes construisent leurs logiciels quantiques en utilisant des ensembles d'instructions différents, un peu comme si différents pays parlaient des langues différentes. Un programme écrit pour un système ne peut souvent pas s'exécuter sur un autre, forçant les développeurs à réécrire manuellement leur code de zéro chaque fois qu'ils veulent changer d'outils. Cette barrière ralentit les progrès et rend difficile le partage du travail des ingénieurs.

Des chercheurs de l'Université de Kyushu et de l'Université de Beihang ont commencé à explorer si l'intelligence artificielle pouvait combler ce fossé. Ils ont étudié si les grands modèles de langage — des programmes informatiques avancés entraînés sur de vastes quantités de textes et de codes — pouvaient traduire automatiquement des programmes quantiques d'un système à un autre tout en préservant leur comportement prévu. Leur étude s'est concentrée sur la conversion de code écrit pour Qiskit, un kit d'outils populaire d'IBM, vers deux autres systèmes majeurs : PennyLane et Q#. L'objectif était de voir si ces modèles d'IA pouvaient comprendre la logique complexe de la mécanique quantique, telle que la manière dont les particules sont liées entre elles ou comment les mesures sont effectuées, et appliquer cette compréhension pour réécrire le code correctement sans intervention humaine.

Pour tester cela, l'équipe a créé un flux de travail où l'IA recevait une tâche quantique spécifique écrite dans le langage d'origine et devait produire une version équivalente dans le nouveau langage. Ils n'ont pas simplement demandé à l'IA de deviner ; ils ont construit un système qui vérifiait les résultats rigoureusement. Le code traduit était exécuté à travers les environnements logiciels réels des systèmes cibles pour voir s'il s'exécutait sans erreurs et produisait les résultats mathématiques corrects. Les chercheurs ont testé quatre configurations d'IA différentes sur quarante-trois tâches distinctes, allant d'opérations simples à des séquences plus complexes. Ils ont comparé deux méthodes : demander à l'IA de traduire le code immédiatement sans aucun exemple, et lui demander de traduire après lui avoir montré un exemple correct de la manière dont la conversion devrait être effectuée.

Les résultats ont été encourageants mais ont mis en évidence des obstacles importants. Lorsque l'IA était sollicitée pour traduire le code sans exemple préalable, le taux de réussite variait considérablement selon le modèle et le système cible. La meilleure configuration testée a réussi à produire une traduction fonctionnelle dans environ soixante-douze pour cent des cas pour un système cible et environ soixante et onze pour cent pour l'autre. Cela suggère que ces modèles possèdent une réelle capacité à saisir la structure du code quantique. Cependant, l'étude a également révélé que l'IA échouait fréquemment en raison de problèmes pratiques plutôt que par manque de compréhension de la physique. Les raisons les plus courantes d'échec étaient l'absence de fichiers sources ou le fait que le code traduit ne parvenait pas à compiler, ce qui signifie que l'ordinateur ne pouvait même pas lancer le programme. Ces erreurs représentaient respectivement près de quarante pour cent et trente-cinq pour cent des échecs.

Lorsque les chercheurs ont fourni à l'IA un exemple unique d'une traduction correcte avant de lui demander d'accomplir la tâche, la performance s'est nettement améliorée. Le taux de réussite a augmenté pour les deux modèles testés, indiquant que montrer à l'IA comment gérer la syntaxe et les règles spécifiques du nouveau système l'aide à éviter les erreurs. Cette découverte suggère que, bien que la technologie ne soit pas encore parfaite, elle constitue une voie viable. L'étude conclut que les grands modèles de langage possèdent un réel potentiel pour automatiser la traduction de logiciels quantiques, ce qui pourrait éventuellement permettre aux développeurs de passer librement d'un outil à un autre. Toutefois, les chercheurs notent que les travaux futurs devront traiter les barrières restantes, telles que s'assurer que l'IA a accès à tous les fichiers nécessaires et qu'elle peut naviguer entre les différences complexes de versions lors des mises à jour logicielles, avant que cette approche puisse devenir un outil standard pour l'industrie.