Large Language Models for Quantum Code Translation: An Exploratory Study

量子コンピューティングは、従来のコンピュータでは不可能な問題を解決することを約束していますが、これらのマシンを動かすためのソフトウェアを構築することは非常に困難な課題です。その難しさは、粒子が同時に複数の状態で存在することを可能にする量子物理学の奇妙な規則だけでなく、プログラマーが利用できるツールの断片化された状況にもあります。現在、異なるチームはそれぞれ異なる命令セットを用いて量子ソフトウェアを構築しており、それはまるで異なる国々が異なる言語を話しているようなものです。あるシステム向けに書かれたプログラムは、多くの場合別のシステムでは動作せず、開発者はツールを切り替えるたびにコードを一から手動で書き直さなければなりません。この障壁が進歩を遅らせ、エンジニアが成果を共有することを困難にしています。

九州大学と北軽大学の研究者たちは、人工知能がこの溝を埋めることができるかどうかを探求し始めました。彼らは、大規模言語モデル（膨大な量のテキストやコードで学習された高度なコンピュータプログラム）が、意図した挙動を維持したまま、量子プログラムをあるシステムから別のシステムへと自動的に翻訳できるかどうかを調査しました。彼らの研究は、IBMの普及しているツールキットであるQiskitで書かれたコードを、他の2つの主要なシステムであるPennyLaneとQ#へと変換することに焦点を当てました。その目的は、これらのAIモデルが、粒子がどのように結びついているかや測定がどのように行われるかといった量子力学の複雑な論理を理解し、その理解を適用して、人間の介入なしにコードを正しく書き換えることができるかどうかを確認することでした。

これをテストするために、チームは、AIに対して元の言語で書かれた特定の量子タスクを与え、新しい言語での等価なバージョンを作成させるというワークフローを作成しました。彼らは単にAIに推測させたわけではありません。結果を厳格にチェックするシステムを構築しました。翻訳されたコードは、ターゲットとなるシステムの実際のソフトウェア環境で実行され、エラーなく実行され、正しい数学的結果を生成するかどうかが確認されました。研究者たちは、単純な操作からより複雑なシーケンスまで、43の異なるタスクに対して4つの異なるAI構成をテストしました。彼らは、例示なしに即座にコードを翻訳させる方法と、どのように変換すべきかの正しい例を1つ示した後に翻訳させる方法の2つの手法を比較しました。

結果は勇気づけられるものでしたが、重大な障害も浮き彫りにしました。AIに事前の例示なしに翻訳を求めた場合、成功率はモデルやターゲットシステムによって大きく変動しました。最も優れた性能を示した構成は、一方のターゲットシステムでは約72％、もう一方では約71％のケースで動作する翻訳を作成できました。これは、これらのモデルが量子コードの構造を把握する真の能力を備えていることを示唆しています。しかし、この研究は、AIが物理学の理解不足ではなく、実用的な問題によって頻繁に失敗していることも明らかにしました。失敗の最も一般的な理由は、ソースファイルの欠落、または翻訳されたコードがコンパイルに失敗すること（つまり、コンピュータがプログラムの実行を開始すらできないこと）でした。これらのエラーは、それぞれ失敗の約40％と35％を占めていました。

研究者がタスクを実行させる前に、正しい翻訳の例を1つAIに提供すると、パフォーマンスは顕著に向上しました。テストされた両方のモデルで成功率が上昇し、AIに新しいシステムの特定の構文や規則の扱い方を示すことが、間違いを避けるのに役立つことが示されました。この発見は、技術はまだ完璧ではないものの、実現可能な道であることを示唆しています。研究は、大規模言語モデルが量子ソフトウェアの翻訳を自動化する上で真の可能性を秘めており、これが最終的に開発者が異なるツール間を自由に移動できるようにすることを結論付けています。しかし、研究者たちは、このアプローチが業界の標準的なツールとなる前に、AIがすべての必要なファイルにアクセスできるようにすることや、ソフトウェアのアップデートによる複雑なバージョンの違いをナビゲートできるようにすることなど、残された課題に対処する必要があると指摘しています。