Large Language Models for Quantum Code Translation: An Exploratory Study

Il calcolo quantistico promette di risolvere problemi che sono attualmente impossibili per i computer tradizionali, ma costruire il software per far funzionare queste macchine è una sfida formidabile. La difficoltà non risiede solo nelle strane regole della fisica quantistica, che permettono alle particelle di esistere in più stati contemporaneamente, ma nel panorama frammentato di strumenti disponibili per i programmatori. Attualmente, diversi team costruiscono il proprio software quantistico utilizzando set di istruzioni differenti, proprio come se diversi paesi parlassero lingue diverse. Un programma scritto per un sistema spesso non può girare su un altro, costringendo gli sviluppatori a riscrivere manualmente il proprio codice da zero ogni volta che vogliono cambiare strumenti. Questa barriera rallenta il progresso e rende difficile per gli ingegneri condividere il proprio lavoro.

Ricercatori dell'Università di Kyushu e dell'Università di Beihang hanno iniziato a esplorare se l'intelligenza artificiale possa colmare questo divario. Hanno indagato se i grandi modelli linguistici — programmi informatici avanzati addestrati su enormi quantità di testo e codice — potessero tradurre automaticamente i programmi quantistici da un sistema all'altro mantenendo intatto il loro comportamento previsto. Il loro studio si è concentrato sulla conversione del codice scritto per Qiskit, un popolare toolkit di IBM, in altri due sistemi principali: PennyLane e Q#. L'obiettivo era vedere se questi modelli di IA potessero comprendere la complessa logica della meccanica quantistica, come il modo in cui le particelle sono collegate tra loro o come vengono effettuate le misurazioni, e applicare tale comprensione per riscrivere correttamente il codice senza l'intervento umano.

Per testare ciò, il team ha creato un flusso di lavoro in cui l'IA riceveva un compito quantistico specifico scritto nella lingua originale e le veniva chiesto di produrre una versione equivalente nella nuova lingua. Non hanno solo chiesto all'IA di indovinare; hanno costruito un sistema che controllasse rigorosamente i risultati. Il codice tradotto veniva eseguito negli effettivi ambienti software dei sistemi di destinazione per vedere se veniva eseguito senza errori e produceva i corretti risultati matematici. I ricercatori hanno testato quattro diverse configurazioni di IA su quarantatré compiti distinti, che spaziavano da operazioni semplici a sequenze più complesse. Hanno confrontato due metodi: chiedere all'IA di tradurre il codice immediatamente senza alcun esempio, e chiedere di tradurlo dopo averle mostrato un esempio corretto di come dovrebbe avvenire la conversione.

I risultati sono stati incoraggianti ma hanno evidenziato ostacoli significativi. Quando l'IA le veniva chiesto di tradurre senza esempi preventivi, il tasso di successo variava ampiamente a seconda del modello e del sistema di destinazione. La configurazione con le prestazioni migliori è riuscita a produrre una traduzione funzionante in circa il settantadue percento dei casi per un sistema di destinazione e circa il settantuno percento per l'altro. Ciò suggerisce che questi modelli possiedano una genuina capacità di afferrare la struttura del codice quantistico. Tuttavia, lo studio ha anche rivelato che l'IA falliva frequentemente a causa di problemi pratici piuttosto che per una mancanza di comprensione della fisica. Le ragioni più comuni del fallimento erano la mancanza di file sorgente o il fatto che il codice tradotto non riuscisse a compilare, il che significa che il computer non poteva nemmeno avviare l'esecuzione del programma. Questi errori rappresentavano quasi il quaranta percento e il trentacinque percento dei fallimenti, rispettivamente.

Quando i ricercatori hanno fornito all'IA un singolo esempio di una traduzione corretta prima di chiederle di eseguire il compito, le prestazioni sono migliorate sensibilmente. Il tasso di successo è aumentato per entrambi i modelli testati, indicando che mostrare all'IA come gestire la sintassi specifica e le regole del nuovo sistema la aiuta ad evitare errori. Questo risultato suggerisce che, sebbene la tecnologia non sia ancora perfetta, rappresenta una via percorribile. Lo studio conclude che i grandi modelli linguistici hanno un reale potenziale per automatizzare la traduzione del software quantistico, il che potrebbe permettere agli sviluppatori di muoversi liberamente tra diversi strumenti. Tuttavia, i ricercatori osservano che il lavoro futuro dovrà affrontare le barriere rimanenti, come garantire che l'IA abbia accesso a tutti i file necessari e che possa navigare nelle complesse differenze di versione tra gli aggiornamenti del software, prima che questo approccio possa diventare uno strumento standard per l'industria.