QiboAgent: a practitioner's guideline to open source assistants for Quantum Computing code development
이 논문은 경량 대규모 언어 모델이 고정밀 양자 컴퓨팅 코드를 생성할 때 환각 현상을 줄이고 Qibo 미들웨어를 위한 복잡한 소프트웨어 엔지니어링 작업을 자동화하여 독점적 베이스라인을 능가할 수 있도록, 검색 증강 생성(RAG)과 자율적 에이전트 워크플로를 결합한 오픈 소스 프레임워크인 QiboAgent를 소개한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
집을 지으려고 하는데, 설계도는 겨우 이해할 수 있는 수준의 언어로 쓰여 있고, 필요한 도구들은 도시 크기만 한 도서관 곳곳에 흩어져 있다고 상상해 보십시오. 이것이 바로 양자 컴퓨팅(Quantum Computing) 분야에서 일하는 과학자들이 매일 마주하는 현실입니다. 이곳은 물리학의 법칙이 기묘하게 작동하며, 이 기계들을 제어하는 데 필요한 소프트웨어가 믿을 수 없을 정도로 복잡한 분야입니다. 이를 제대로 작동시키기 위해 과학자들은 인간의 아이디어와 양자 하드웨어 사이에서 번역가 역할을 하는 소프트웨어 계층인 '미들웨어(middleware)'에 의존합니다. 하지만 이러한 소프트웨어 라이브러리가 성장함에 따라, 그것들은 거대하고 무질서하며 유지보수하기 어려운 상태가 됩니다. 여기에 인공지능(AI), 구체적으로는 **대규모 언어 모델(LLM)**이 등장합니다. 이들을 아주 똑똑하고 박학다식한 로봇, 즉 코드를 작성하고 질문에 답할 수 있는 존재라고 생각하십시오. 하지만 함정이 있습니다. 만약 일반적인 로봇에게 특수한 양자 문제를 해결하라고 요청한다면, 그 로봇은 해당 특정 라이브러리에 대한 최신의 구체적인 매뉴얼을 가지고 있지 않기 때문에 종종 사실이 아닌 것을 지어내기 시작합니다(이를 '환각(hallucination)' 현상이라고 합니다).
이 논문은 이러한 AI 비서들이 단순히 추측하는 것이 아니라, 실제로 자신이 무엇에 대해 말하고 있는지 정확히 알 수 있도록 만드는 새로운 방법인 QiboAgent를 소개합니다. 연구진은 두 가지 주요 기술을 테스트했습니다. 첫 번째는 **검색 증강 생성(RAG)**으로, 이는 로봇에게 도서관 대출 카드를 쥐여주고 답변하기 전에 매뉴얼의 정확한 페이지를 찾아보라고 지시하는 것과 같습니다. 두 second는 **에이전트 워크플로우(Agentic Workflow)**로, 이는 로봇을 수동적인 질의응답자가 아니라 파일을 열고, 테스트를 실행하고, 오류를 수정하며, 심지어 스스로 코드베이스의 일부를 다시 작성할 수 있는 능동적인 작업자로 변화시키는 것입니다. 핵심 질문은 이것이었습니다. 수십억 달러짜리 슈퍼컴퓨터 없이도 일반 컴퓨터에서 실행할 수 있을 만큼 작은 오픈 소스 도구들을 사용하여 강력하고 전문화된 코딩 어시스턴트를 구축할 수 있을 것인가?
연구진은 정답이 "그렇다"이며, 다만 적절한 도구의 조합을 사용해야 한다는 것을 발견했습니다. 그들은 가볍고 오픈 소스인 AI 모델을 공식 코드 문서(RAG)를 끊임없이 확인하는 시스템과 결합함으로써, 올바른 코드를 생성하는 데 있어 90.2%의 정확도를 달enc할 수 있다는 것을 발견했습니다. 이는 AI 단독으로 사용하거나, "도서관 카드" 시스템 없이 거대하고 비싼 상용 모델을 사용하는 것보다 훨씬 큰 개선입니다. 실제로, 이들의 접근 방식은 AI가 가짜 코드 기능을 만들어내는 횟수(환각)를 크게 줄였습니다.
하지만 로봇은 질문에 답하는 것에 그치지 않았습니다. 연구팀은 자신들의 에이전트(Agentic) 시스템이 주니어 소프트웨어 엔지니어처럼 행동할 수 있음을 보여주었습니다. 이 시스템은 사용자가 보고한 실제 버그를 성공적으로 수정했고, 새로운 기능에 대한 문서를 작성했으며, 심지어 거대한 프로젝트인 핵심 소프트웨어의 일부를 파이썬(Python)에서 러스트(Rust)(더 빠르고 현대적인 프로그래밍 언어)로 재작성하는 작업까지 수행했습니다. AI는 단순히 코드를 쓰는 데 그치지 않고, 테스트를 실행하고, 실패 지점을 확인하고, 에러 메시지를 읽고, 코드가 작동할 때까지 자신의 실수를 스스로 수정했습니다. 최종 결과가 완벽하지는 않았지만(데이터를 캐싱하여 속도를 높이는 것과 같은 인간 수준의 최적화는 놓쳤습니다), 이는 작은 오픈 소스 AI가 보통 팀 단위의 인력이 필요한 복잡하고 다단계적인 엔지니어링 과업을 처리할 수 있음을 입증했습니다.
이 논문은 똑똑하지만 작은 AI와 사실 확인을 위한 엄격한 시스템, 그리고 코드에 작용할 수 있는 능력을 결려한 이 "하이브리드" 접근 방식이 과학용 소프트웨어를 유지 관리하는 미래라고 제안합니다. 이는 연구자들이 거대하고 독점적인 기업에 의존하지 않고도 자신의 데이터를 비공개로 유지하면서 이러한 강력한 도구들을 로컬에서 실행할 수 있음을 의미합니다. 그러나 저자들은 이것이 인간 프로그래머를 대체하는 마법 지팡이가 아님을 주의 깊게 명시하고 있습니다. AI는 힘든 작업과 반복적인 업무를 수행할 수 있는 강력한 조수이지만, 작업을 검토하고, 미묘한 비효율성을 수정하며, 전체적인 방향을 안내하는 데에는 여전히 인간이 필요합니다. 이 연구는 적절한 설정이 뒷받받쳐진다면, 우리는 똑똑하고 신뢰할 수 있는 양자 소프트웨어용 "코파일럿(co-pilot)"을 구축할 수 있음을 보여줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.