QiboAgent: a practitioner's guideline to open source assistants for Quantum Computing code development
Dit artikel introduceert QiboAgent, een open-source framework dat Retrieval-Augmented Generation en autonome agentische workflows combineert om lichtgewicht Large Language Models in staat te stellen propriëtaire baselines te overtreffen bij het genereren van hoogprecisie Quantum Computing-code, het verminderen van hallucinaties en het automatiseren van complexe software engineering-taken voor de Qibo middleware.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een huis probeert te bouwen, maar de blauwdrukken zijn geschreven in een taal die je nauwelijks begrijpt, en de gereedschappen die je nodig hebt liggen verspreid over een bibliotheek ter grootte van een stad. Dit is de dagelijkse realiteit voor wetenschappers die werken met Quantum Computing. Het is een veld waar de regels van de natuurkunde vreemd worden en de software die nodig is om deze machines aan te sturen ongelooflijk complex is. Om dit werkend te krijgen, vertrouwen wetenschappers op "middleware"—een softwarelaag die fungeert als een vertaler tussen menselijke ideeën en de quantumhardware. Maar naarmate deze softwarebibliotheken groeien, worden ze massief, rommelig en moeilijk te onderhouden. Maak kennis met Artificial Intelligence, specifiek Large Language Models (LLMs). Denk aan deze als superintelligente, veelgelezen robots die code kunnen schrijven en vragen kunnen beantwoorden. Er is echter een addertje onder het gras: als je een algemene robot vraagt om een gespecialiseerd quantumprobleem op te lossen, begint hij vaak dingen te verzinnen (een fenomeen genaamd "hallucinatie"), omdat hij niet beschikt over de specifieke, actuele handleiding voor die specifieke bibliotheek.
Dit artikel introduceert QiboAgent, een nieuwe manier om deze AI-assistenten te bouwen, zodat ze niet zomaar gokken, maar ook echt weten waar ze het over hebben. De onderzoekers testten twee belangrijke trucs. De eerste is Retrieval-Augmented Generation (RAG), wat is also kind als het geven van een bibliotheekpas aan de robot en hem vertellen om de exacte pagina in de handleiding op te zoeken voordat hij antwoord geeft. De tweede is een Agentic Workflow, die de robot verandert van een passieve vraag-en-antwoordgever in een actieve werker die bestanden kan openen, tests kan draaien, fouten kan herstellen en zelfs delen van de codebase zelfstandig kan herschrijven. De grote vraag was: Kunnen we een krachtige, gespecialiseerde programmeerassistent bouwen met open-source tools die klein genoeg zijn om op een gewone computer te draaien, zonder dat we een miljarden kostende supercomputer nodig hebben?
De onderzoekers ontdekten dat het antwoord een volmondig ja is, maar alleen als je de juiste combinatie van tools gebruikt. Ze ontdekten dat door een lichtgewicht, open-source AI-model te koppelen aan een systeem dat constant de officiële documentatie van de code controleert (RAG), ze een nauwkeurigheidspercentage van 90,2% konden bereiken bij het genereren van correcte code. Dit is een enorme verbetering ten opzichte van het alleen gebruiken van de AI of zelfs het gebruiken van een enorm, duur commercieel model zonder het "bibliotheekpas"-systeem. Sterker nog, hun aanpak verminderde het aantal keren dat de AI nep-codefuncties verzon (hallucinaties) aanzienlijk.
Maar de robot stopte niet bij het beantwoorden van vragen. Het team liet zien dat hun Agentic systeem kon fungeren als een junior software engineer. Het loste succesvol echte bugs op die door gebruikers werden gerapporteerd, schreef documentatie voor nieuwe functies en pakte zelfs een enorm project aan: het herschrijven van een kernonderdeel van de software van Python naar Rust (een snellere, modernere programmeertaal). De AI schreef niet alleen de code; hij draaide de tests, zag waar het misging, las de foutmeldingen en corrigeerde zijn eigen fouten totdat de code werkte. Hoewel het eindresultaat niet perfect was (het miste menselijke optimalisaties zoals het cachen van data om het sneller te maken), bewees het dat een kleine, open-source AI complexe, meerstaps engineering-taken kan afhanden die normaal gesproken een team van mensen vereisen.
Het artikel suggereert dat deze "hybride" aanpak—het combineren van een slimme maar kleine AI met een strikt systeem voor het controleren van feiten en het vermogen om actie te ondernemen op de code—de toekomst is van het onderhouden van wetenschappelijke software. Dit betekent dat onderzoekers hun gegevens privé kunnen houden en deze krachtige tools lokaal kunnen draaien, zonder afhankelijk te zijn van gigantische, propriëtaire bedrijven. De auteurs waarschuwen echter dat dit geen toverstaf is die menselijke programmeurs vervangt. De AI is een krachtige assistent die het zware werk en de repetitieve taken kan doen, maar mensen zijn nog steeds nodig om het werk te beoordelen, subtiele inefficiënties te corrigeren en de algemene richting te bepalen. De studie laat zien dat we met de juiste opstelling een "co-piloot" voor quantumsoftware kunnen bouwen die zowel slim als betrouwbaar is.
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.