Large Language Models for Quantum Code Translation: An Exploratory Study

Quantum computing belooft problemen op te lossen die momenteel onmogelijk zijn voor traditionele computers, maar het bouwen van de software om deze machines aan te sturen is een enorme uitdaging. De moeilijkheid ligt niet alleen in de vreemde regels van de kwantumfysica, die deeltjes toestaan om zich in meerdere staten tegelijk te bevinden, maar ook in het gefragmenteerde landschap van de tools die beschikbaar zijn voor programmeurs. Momenteel bouwen verschillende teams hun kwantumsoftware met behulp van verschillende sets instructies, vergelijkbaar met hoe verschillende landen verschillende talen spreken. Een programma dat voor het ene systeem is geschreven, kan vaak niet op een ander systeem draaien, waardoor ontwikkelaars hun code handmatig opnieuw moeten schrijven telkens wanneer ze van tools willen wisselen. Deze barrière vertraagt de vooruitgang en maakt het voor ingenieurs moeilijk om hun werk te delen.

Onderzoekers aan de Kyushu Universiteit en de Beihang Universiteit zijn begonnen te onderzoeken of kunstmatige intelligentie deze kloof kan overbruggen. Ze onderzochten of grote taalmodellen — geavanceerde computerprogramma's getraind op enorme hoeveelheden tekst en code — kwantumprogramma's automatisch van het ene systeem naar het andere kunnen vertalen terwijl de beoogde werking intact blijft. Hun studie richtte zich op het converteren van code geschreven voor Qiskit, een populaire toolkit van IBM, naar twee andere belangrijke systemen: PennyLane en Q#. Het doel was om te zien of deze AI-modellen de complexe logica van de kwantummechanica konden begrijpen, zoals hoe deeltjes aan elkaar gekoppeld zijn of hoe metingen worden verricht, en die kennis konden toepassen om de code correct te herschrijven zonder menselijke tussenkomst.

Om dit te testen, creëerde het team een workflow waarbij de AI een specifieke kwantumtaak kreeg, geschreven in de oorspronkelijke taal, en werd gevraagd om een equivalente versie in de nieuwe taal te produceren. Ze vroegen de AI niet simpelweg om te gokken; ze bouwden een systeem dat de resultaten strikt controleerde. De vertaalde code werd door de werkelijke softwareomgevingen van de doelsystemen gehaald om te zien of deze zonder fouten werd uitgevoerd en de juiste wiskundige uitkomsten produceerde. De onderzoekers testten vier verschillende AI-configuraties op drieënvijftig verschillende taken, variërend van eenvoudige operaties tot complexere sequenties. Ze vergeleken twee methoden: de AI vragen de code direct te vertalen zonder enige voorbeelden, en de AI vragen de vertaling uit te voeren nadat het één correct voorbeeld had gezien van hoe de conversie eruit zou moeten zien.

De resultaten waren bemoedigend, maar brachten ook aanzienlijke hindernissen aan het licht. Wanneer de AI werd gevraagd de code te vertalen zonder voorafgaande voorbeelden, varieerde het succespercentage sterk afhankelijk van het model en het doel systeem. De best presterende configuratie slaagde erin om in ongeveer tweeënzeventig procent van de gevallen een werkende vertaling te produceren voor het ene doel systeem en ongeveer eenenzeventig procent voor het andere. Dit suggereert dat deze modellen een echt vermogen bezitten om de structuur van kwantumcode te begrijpen. De studie onthulde echter ook dat de AI regelmatig faalde door praktische problemen in plaats van een gebrek aan begrip van de fysica. De meest voorkomende redenen voor falen waren ontbrekende bronbestanden of het feit dat de vertaalde code niet kon compileren, wat betekent dat de computer het programma niet eens kon starten. Deze fouten waren verantwoordelijk voor bijna veertig procent en drieëndertig procent van de fouten, respectievelijk.

Wanneer de onderzoekers de AI één voorbeeld van een correcte vertaling gaven voordat het de taak moest uitvoeren, verbeterde de prestatie merkbaar. Het succespercentage steeg voor beide geteste modellen, wat aangeeft dat het tonen van de AI hoe het de specifieke syntaxis en regels van het nieuwe systeem moet afhandelen, helpt om fouten te voorkomen. Deze bevinding suggereert dat de technologie nog niet perfect is, maar wel een levensvatbaar pad voorwaarts vormt. De studie concludeert dat grote taalmodellen echt potentieel hebben voor het automatiseren van de vertaling van kwantumsoftware, wat ontwikkelaars er uiteindelijk toe zou kunnen laten in staat om vrij tussen verschillende tools te bewegen. De onderzoekers merken echter op dat toekomstig werk de resterende barrières moet aanpakken, zoals het waarborgen dat de AI toegang heeft tot alle noodzakelijke bestanden en de complexe verschillen tussen softwareversies kan navigeren, voordat deze aanpak een standaardinstrument voor de industrie kan worden.