Agentic MLIR-to-QIR Translation with Dual-Backend Testing: A Hybrid Deterministic and LLM Approach
Cet article présente un cadre de traduction hybride de MLIR vers QIR qui combine des passes de compilation déterministes pour les dialectes connus avec un chemin agentique basé sur un LLM pour les dialectes non répertoriés, utilisant un pipeline de test à double backend pour garantir une haute fidélité de sortie à travers divers circuits quantiques.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le monde de l'informatique quantique est actuellement un paysage composé de nombreuses langues différentes. Tout comme un voyageur pourrait avoir du mal à communiquer à travers des frontières où chaque pays parle une langue différente, les scientifiques et les ingénieurs sont confrontés à une barrière similaire dans la technologie quantique. Différents fabricants de matériel et groupes de logiciels ont construit leurs propres manières uniques de décrire les circuits quantiques, les instructions qui disent à un ordinateur quantique quoi faire. Ces descriptions sont comme des dialectes d'un langage technique complexe. Bien que chaque dialecte fonctionne parfaitement au sein de son propre écosystème, ils ne se comprennent pas naturellement. Cela crée un problème important : un programme écrit pour un type de machine quantique ne peut souvent pas fonctionner sur une autre sans qu'un expert humain ne doive réécrire manuellement le code, un processus lent et sujet aux erreurs qui ralentit l'ensemble du domaine. Pour résoudre cela, les chercheurs ont besoin d'un traducteur universel capable de prendre un programme quantique écrit dans un dialecte et de le convertir en un format standard que toute machine peut comprendre, sans perdre le sens des instructions originales.
Une équipe de chercheurs du Laboratoire national d'Oak Ridge a développé un nouveau système pour agir comme ce traducteur, comblant le fossé entre ces langages quantiques concurrents. Leur travail se concentre sur la conversion de programmes écrits dans un format flexible et multiniveau appelé dialecte vers une représentation intermédiaire universelle, un code standard qui sert de terrain commun pour différents backends quantiques. Le défi est que, si certains de ces dialectes sont bien connus et suivent des règles strictes, d'autres sont nouveaux et méconnus, ce qui rend difficile la traduction automatique par des programmes informatiques traditionnels. Pour relever ce défi, l'équipe a construit un système hybride qui combine la vitesse et la précision des logiciels traditionnels avec l'adaptabilité de l'intelligence artificielle. Ils ont créé un traducteur capable de choisir entre trois chemins différents selon la tâche : un chemin rapide basé sur des règles pour les langages connus, un chemin flexible piloté par l'IA pour les nouveaux langages, et un chemin de réparation qui corrige les erreurs si la première tentative échoue.
Le système fonctionne comme une ligne de production hautement organisée avec un mécanisme de contrôle de qualité intégré. Lorsqu'un programme quantique arrive, le système vérifie d'abord dans quel dialecte il est écrit. Si le dialecte est un dialecte que le système connaît bien, comme ceux utilisés par des frameworks majeurs tels que Catalyst ou Quake, il emprunte une route directe et déterministe. Dans ce mode, le logiciel suit un ensemble strict de règles pré-écrites pour convertir le code, un processus qui ne prend qu'une fraction de seconde et qui est parfaitement précis pour les structures connues. Cependant, si le système rencontre un dialecte nouveau ou inconnu, il passe en mode agentique. Ici, il emploie un grand modèle de langage, un type d'intelligence artificielle entraînée pour comprendre et générer du code, afin d'effectuer la traduction. Cet agent d'IA agit comme un linguiste qualifié, analysant le nouveau langage et construisant la traduction sur la base de modèles qu'il a appris, guidé par des exemples spécifiques et des règles fournis dans l'invite (prompt).
Crucialement, les chercheurs n'ont pas simplement fait confiance à l'IA pour produire la sortie correcte. Ils ont construit un pipeline de test rigoureux qui fait office de double vérification. Une fois la traduction terminée, le système exécute le programme quantique original et la version nouvellement traduite sur deux simulateurs séparés et indépendants. Ces simulateurs agissent comme des ordinateurs quantiques virtuels qui exécutent les instructions et produisent des résultats. Le système compare ensuite les distributions statistiques des résultats des deux exécutions. Si les résultats correspondent suffisamment étroitement, la traduction est acceptée. S'ils ne correspondent pas, le système ne renonce pas ; au lieu de cela, il entre dans une boucle de réparation. Il renvoie l'information d'erreur à l'agent d'IA, lui expliquant ce qui n'a pas fonctionné, et lui demande d'essayer à nouveau. Ce cycle de traduction, de test et de réparation peut se répéter plusieurs fois jusqu'à ce qu'une traduction valide et fonctionnelle soit trouvée.
Pour garantir que le système fonctionne même lorsque l'IA produit une sortie incomplète ou désordonnée, les chercheurs ont ajouté un mécanisme de sécurité appelé assembleur de garde-fou (guardrail assembler). Les modèles d'IA plus petits génèrent parfois la séquence correcte d'opérations quantiques mais oublient d'inclure les détails structurels nécessaires, comme les déclarations de variables ou le formatage, qui rendent le code valide. L'assembleur de garde-fou intervient pour corriger ces problèmes structurels. Il extrait les opérations centrales de la sortie de l'IA et les réassemble en un fichier de code complet et valide en utilisant des modèles standards. Cela permet au système de se rétablir de erreurs qui causeraient autrement l'échec complet de la traduction, rendant le processus beaucoup plus robuste.
Les chercheurs ont testé leur système sur un ensemble diversifié de quarante et un conceptions de circuits quantiques différents, allant de simples opérations à deux qubits à des algorithmes complexes impliquant jusqu'à cent qubits. Ils ont évalué le système à travers trois dialectes différents, incluant deux dialectes bien connus et un nouveau dialecte inédit conçu pour l'informatique quantique tolérante aux fautes. Les résultats ont montré que pour les dialectes connus, le chemin déterministe était sans faille, atteignant une précision parfaite dans la traduction des structures de portes et produisant des résultats qui correspondaient aux programmes originaux avec une similitude de plus de quatre-vingt-quinze pour cent. Lorsque le système était contraint d'utiliser l'agent d'IA pour les dialectes connus, il performait toujours bien, bien qu'il prenait nettement plus de temps, allant de trente-cinq à soixante-deux secondes contre les millisecondes du chemin déterministe.
Le test le plus significatif fut celui du dialecte inédit. Puisqu'aucune règle pré-écrite n'existait pour ce nouveau langage, le système devait compter entièrement sur l'agent d'IA. Dans ce scénario, quatre des six modèles d'IA testés ont été capables de produire des traductions valides dès le premier essai. Ces modèles ont réussi à traduire des opérations de niveau logique, qui sont des instructions abstraites pour les ordinateurs quantiques corrigés d'erreurs, vers le format standard. Le système a démontré qu'il pouvait gérer de nouveaux langages sans qu'un humain ait besoin d'écrire un nouveau traducteur de toutes pièces. Les chercheurs ont noté que si les modèles d'IA pouvaient traduire les opérations logiques, ils ne les développaient pas automatiquement en détails physiques requis par le matériel, une tâche qui reste la responsabilité du système backend.
L'étude a également souligné l'importance de la manière dont l'information est fournie à l'IA. L'équipe a constaté que donner simplement à l'IA un outil de recherche pour chercher des informations, une méthode connue sous le nom de génération augmentée par récupération (retrieval-augmented generation), entraînait souvent des erreurs avec les modèles plus petits. Au lieu de cela, ils ont trouvé le succès en injectant directement dans l'invite (prompt) tout le matériel de référence nécessaire, tel que les mappages de portes et les modèles de code. Cette approche, qu'ils appellent l'ingénierie de contexte (context engineering), garantissait que l'IA dispose de tous les faits nécessaires à portée de main, éliminant la confusion qui survenait lorsque le modèle tentait de chercher des réponses par lui-même.
En fin de compte, ce travail présente une solution pratique au problème d'interopérabilité dans l'informatique quantique. En combinant la vitesse des compilateurs traditionnels avec la flexibilité de l'intelligence artificielle et un cycle de test rigoureux, les chercheurs ont créé un système capable de traduire le code quantique à travers différents langages avec une grande fiabilité. Le système ne se contente pas de deviner ; il vérifie son travail, répare ses erreurs et s'adapte aux nouveaux défis. Bien que le chemin détermiste reste le plus rapide et le plus fiable pour les langages connus, le chemin agentique offre un pont vital pour l'avenir, permettant à l'écosystème du logiciel quantique d'évoluer et d'incorporer de nouveaux dialectes sans être freiné par le besoin de réécriture manuelle. Cette approche hybride suggère un avenir où les programmes quantiques pourront circuler librement entre différentes plateformes matérielles, accélérant ainsi le développement de la technologie quantique dans son ensemble.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.