← Nieuwste papers
⚛️ kwantumfysica

Agentic MLIR-to-QIR Translation with Dual-Backend Testing: A Hybrid Deterministic and LLM Approach

Dit artikel presenteert een hybride MLIR-naar-QIR vertaalraamwerk dat deterministische compiler-passes voor bekende dialecten combineert met een LLM-gebaseerd agentisch pad voor onbekende dialecten, gebruikmakend van een dual-backend testpipeline om een hoge getrouwheid van de output over diverse kwantumcircuits te waarborgen.

Oorspronkelijke auteur: Sharmin Afrose, Vicente Leyton-Ortega, Narasinga Rao Miniskar, Elaine Wong, Travis S. Humble

Gepubliceerd 2026-11-20
📖 7 min leestijd🧠 Diepgaand

Oorspronkelijke auteur: Sharmin Afrose, Vicente Leyton-Ortega, Narasinga Rao Miniskar, Elaine Wong, Travis S. Humble

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De wereld van quantum computing is momenteel een landschap van vele verschillende talen. Net zoals een reiziger moeite kan hebben met communiceren over grenzen waar elk land een andere taal spreekt, worden wetenschappers en ingenieurs geconfronteerd met een vergelijkbare barrière in de quantumtechnologie. Verschillende hardwarefabrikanten en softwaregroepen hebben hun eigen unieke manieren ontwikkeld om quantumcircuits te beschrijven, de instructies die een quantumcomputer vertellen wat hij moet doen. Deze beschrijvingen zijn als dialecten van een complexe technische taal. Hoewel elk dialect perfect werkt binnen zijn eigen ecosysteem, begrijpen ze elkaar niet van nature. Dit creëert een aanzienlijk probleem: een programma dat geschreven is voor het ene type quantummachine, kan vaak niet op een andere draaien zonder dat een menselijke expert de code handmatig moet herschrijven, een traag en foutgevoelig proces dat het hele vakgebied vertraagt. Om dit op te lossen, hebben onderzoekers een universele vertaler nodig die een quantumprogramma geschreven in één dialect kan omzetten naar een standaardformaat dat elke machine kan begrijpen, zonder de betekenis van de oorspronkelijke instructies te verliezen.

Een team van onderzoekers aan het Oak Ridge National Laboratory heeft een nieuw systeem ontwikkeld om als deze vertaler te fungeren, die de kloof tussen deze concurrerende quantumtalen overbrugt. Hun werk richt zich op het converteren van programma's geschreven in een flexibel, meervoudig niveau formaat bekend als een dialect, naar een universele intermediaire representatie, een standaardcode die dient als een gemeenschappelijke grond voor verschillende quantum-backends. De uitdaging is dat hoewel sommige van deze dialecten bekend zijn en strikte regels volgen, andere nieuw en onbekend zijn, wat het voor traditionele computerprogramma's moeilijk maakt om ze automatisch te vertalen. Om dit aan te pakken, heeft het team een hybride systeem gebouwd dat de snelheid en precisie van traditionele software combineert met de aanpasbaarheid van kunstmatige intelligentie. Ze hebben een vertaler gemaakt die kan kiezen tussen drie verschillende paden afhankelijk van de taak: een snel, op regels gebaseerd pad voor bekende talen, een flexibel, door AI aangedreven pad voor nieuwe talen, en een herstelpad dat fouten corrigeert als de eerste poging mislukt.

Het systeem werkt als een zeer georganiseerde fabriekslijn met een ingebouwde kwaliteitscontrole. Wanneer een quantumprogramma aankomt, controleert het systeem eerst in welk dialect het is geschreven. Als het dialect een is dat het systeem goed kent, zoals die gebruikt door grote frameworks zoals Catalyst of Quake, neemt het een direct, deterministisch traject. In deze modus volgt de software een strikte set vooraf geschreven regels om de code te converteren, een proces dat slechts een fractie van een seconde duurt en perfect accuraat is voor bekende structuren. Echter, als het systeem een nieuw of onbekend dialect tegenkomt, schakelt het over naar een agentische modus. Hierbij maakt het gebruik van een groot taalmodel, een type kunstmatige intelligentie dat getraind is om code te begrijpen en te genereren, om de vertaling uit te voeren. Deze AI-agent fungeert als een bekwame taalkundige die de nieuwe taal analyseert en de vertaling construeert op basis van patronen die het heeft geleerd, geleid door specifieke voorbeelden en regels die in de prompt worden verstrekt.

Cruciaal is dat de onderzoekers de AI niet simpelweg de juiste output lieten produceren op basis van vertrouwen. Ze bouwden een rigoureuze testpipeline die fungeert als een dubbelcheck. Zodra de vertaling voltooid is, voert het systeem het originele quantumprogramma en de nieuw vertaalde versie uit op twee aparte, onafhankelijke simulators. Deze simulators fungeren als virtuele quantumcomputers die de instructies uitvoeren en resultaten produceren. Het systeem vergelijkt vervolgens de statistische distributies van de uitkomsten van beide runs. Als de resultaten nauw genoeg overeenkomen, wordt de vertaling geaccepteerd. Als ze niet overeenkomen, geeft het systeem niet op; in plaats daarvan gaat het een herstelloop binnen. Het voert de foutinformatie terug naar de AI-agent, legt uit wat er misging, en vraagt de agent om het opnieuw te proberen. Deze cyclus van vertaling, testen en herstellen kan meerdere keren worden herhaald totdat een geldige, werkende vertaling is gevonden.

Om ervoor te zorgen dat het systeem werkt zelfs wanneer de AI een incomplete of slordige output produceert, voegden de onderzoekers een veiligheidsmechanisme toe genaamd de guardrail assembler. Kleinere AI-modellen genereren soms de juiste sequentie van quantumoperaties, maar vergeten de noodzakelijke structurele details toe te voegen, zoals variabele declaraties of formattering, die de code geldig maken. De guardrail assembler grijpt in om deze structurele problemen op te lossen. Het extraheert de kernoperaties uit de output van de AI en assembleert ze opnieuw tot een volledig, geldig codebestand met behulp van standaard templates. Dit stelt het systeem in staat om te herstellen van fouten die anders de vertaling volledig zouden laten falen, waardoor het proces veel robuuster wordt.

De onderzoekers testten hun systeem op een diverse set van eenenveertig verschillende quantumcircuitontwerpen, variërend van eenvoudige twee-qubit operaties tot complexe algoritmen waarbij tot honderd qubits betrokken zijn. Ze evalueerden het systeem over drie verschillende dialecten, inclus inclusief twee bekende en een nieuw, onbekend dialect ontworpen voor fouttolerante quantum computing. De resultaten lieten zien dat voor de bekende dialecten het deterministische pad foutloos was, waarbij een perfecte nauwkeurigheid werd bereikt bij het vertalen van de gate-structuren en waarbij de geproduceerde resultaten de originele programma's volgden met een gelijkenis van meer dan vijfentwintig procent. Wanneer het systeem gedwongen werd de AI-agent te gebruiken voor bekende dialecten, presteerde het nog steeds goed, hoewel het aanzienlijk langer duurde, variërend van vijfendertig tot zesentwintig seconden vergeleken met de milliseconden van het deterministische pad.

De meest significante test kwam met het onbekende dialect. Omdat er geen vooraf geschreven regels bestonden voor deze nieuwe taal, moest het systeem volledig vertrouwen op de AI-agent. In dit scenario waren vier van de zes verschillende geteste AI-modellen in staat om bij de eerste poging geldige vertalingen te produceren. Deze modellen vertaalden succesvol logical-level operaties, wat abstracte instructies zijn voor foutgecorrigeerde quantumcomputers, naar het standaardformaat. Het systeem demonstreerde dat het nieuwe talen kon afhandelen zonder dat een mens een nieuwe vertaler vanaf nul moest schrijven. De onderzoekers merkten op dat hoewel de AI-modellen de logical operaties konden vertalen, ze deze niet automatisch uitbreidden naar de fysieke details die vereist zijn door de hardware, een taak die de verantwoordelijkheid blijft van de backend-systemen.

De studie benadrukte ook het belang van hoe informatie aan de AI wordt verstrekt. Het team kwam tot de conclusie dat het simpelweg geven van een zoekinstrument aan de AI om informatie op te zoeken, een methode bekend als retrieval-augmented generation, vaak tot fouten leidde bij kleinere modellen. In plaats daarvan vonden zij succes door alle noodzakelijke referentiematerialen, zoals gate-mappings en code-templates, direct in de prompt te injecteren. Deze aanpak, die zij context engineering noemen, zorgde ervoor dat de AI alle feiten direct bij de hand had, waardoor de verwarring die ontstond wanneer het model probeerde zelfstandig naar antwoorden te zoeken, werd geëlimineerd.

Uiteindelijk vormt dit werk een praktische oplossing voor het interoperabiliteitsprobleem in quantum computing. Door de snelheid van traditionele compilers te combineren met de flexibiliteit van kunstmatige intelligentie en een rigoureuze testloop, hebben de onderzoekers een systeem gecreëerd dat quantumcode met een hoge betrouwbaarheid tussen verschillende talen kan vertalen. Het systeem gokt niet alleen; het verifieert zijn werk, herstelt zijn fouten en past zich aan nieuwe uitdagingen aan. Hoewel het deterministische pad de snelste en meest betrouwbare methode blijft voor bekende talen, biedt het agentische pad een vitale brug voor de toekomst, waardoor het quantumsoftware-ecosysteem kan evolueren en nieuwe dialecten kan opnemen zonder te worden geremd door de noodzaak van handmatige herschrijving. Deze hybride aanpak suggereert een toekomst waarin quantumprogramma's vrij kunnen bewegen tussen verschillende hardwareplatforms, wat de ontwikkeling van de quantumtechnologie als geheel versnelt.

Verdrinkt u in papers in uw vakgebied?

Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.

Probeer Digest →