💻 computer science

QUAMET: Structural and Semantic Metric Analysis for Quantum Code Smell Detection

Dit artikel introduceert QUAMET, een nieuwe aanpak die structurele en semantische analyse combineert om softwaremetrieken vast te stellen en zes soorten code smells in quantumprogramma's te detecteren, gevalideerd op een verfijnde dataset van 4.102 real-world Qiskit-projecten.

Oorspronkelijke auteurs: Ruchika Malhotra, Bhawna Jain, Marouane Kessentini

Gepubliceerd 2026-07-06

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ruchika Malhotra, Bhawna Jain, Marouane Kessentini

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 bouwt, maar in plaats van hout en bakstenen bouw je met quantum bits (qubits). Dit zijn geen normale bits die simpelweg "aan" of "uit" zijn; ze zijn als tollende munten die zowel kop, munt, als beide tegelijk kunnen zijn. Omdat deze technologie zo nieuw en complex is, hebben de "blauwdrukken" (de code) die mensen schrijven voor deze quantumcomputers vaak verborgen gebreken.

In de softwarewereld noemen we deze verborgen gebreken "code smells" (codegeuren). Denk aan een codegeur als een vieze geur in een keuken. Het betekent niet dat het eten vergiftigd is (het programma kan nog steeds draaien), maar het vertelt je dat er iets mis, slordig of inefficiënt is, wat later tot een ramp kan leiden.

Dit artikel, getiteld QUAMET, is als een nieuwe, hoogtechnologische "smell-o-vision" die specifiek is ontworpen voor quantumcomputer-code. Hier is hoe het werkt, eenvoudig uitgelegd:

1. Het Probleem: Quantumcode is een rommeltje

Net zoals een rommelige kamer het lastig maakt om je sleutels te vinden, maakt rommelige quantumcode het voor een computer moeilijk om zijn werk efficiënt te doen. Omdat quantumprogrammeren zo nieuw is, maken ontwikkelaars fouten die in gewone computers niet voorkomen. De onderzoekers wilden een manier vinden om deze slechte geuren automatisch op te sporen voordat ze grote problemen veroorzaken.

2. De Oplossing: Twee soorten "neuzen"

De onderzoekers hebben een systeem gebouwd genaamd QUAMET dat twee verschillende manieren gebruikt om de code te ruiken:

De Structurele Neus (Kijken naar de Vorm): Deze kijkt naar de fysieke lay-out van de code. Het telt zaken zoals:
- Hoeveel "gates" (logische schakelaars) zijn er?
- Hoe diep is het circuit (hoeveel stappen moet de data afleggen)?
- Hoeveel qubits worden er gebruikt?
- Analogie: Stel je voor dat je naar een huis kijkt en telt hoeveel kamers het heeft, hoe lang de gangen zijn en hoeveel deuren er zijn. Als het huis een doolhof is met 500 deuren, is het waarschijnlijk slecht ontworpen.
De Semantische Neus (Begrijpen van de Betekenis): Deze kijkt naar wat de code eigenlijk probeert te doen. Het analyseert de logica en de flow.
- Analogie: Stel je voor dat je een huis binnenloopt en beseft dat de keuken in de kelder staat, de slaapkamer op het dak, en de voordeur uitkomt in de achtertuin. De structuur ziet er op een blauwdruk misschien goed uit, maar de betekenis van de indeling is kapot.

Het papier beweert dat het gebruik van beide neuzen samen veel beter is dan het gebruik van slechts één neus.

3. De Zes "Slechte Geuren" die ze vonden

De onderzoekers identificeerden zes specifieke soorten "stank" die uniek zijn voor quantumcode. Ze noemden ze op basis van wat ze ruiken:

Lang Circuit (Long Circuit - LC): De code is te lang en kronkelig. Het is als een autovakantie die 160 kilometer duurt om slechts 1,5 kilometer af te leggen. Dit maakt de computer traag en foutgevoelig.
Excessieve Meting (Excessive Measurement - EM): De code controleert de resultaten te vaak. In de quantumfysica zorgt "controleren" (meten) ervoor dat de magische staat van de qubit instort. Te vaak controleren verpest de berekening. Het is alsoal elke 5 seconden te controleren of je taart al klaar is; je laat hem nooit goed bakken.
Niet-verbonden Circuit (Unconnected Circuit - UC): De onderdelen van de code praten niet met elkaar. Quantumcomputers moeten dat hun onderdelen "verstrengeld" (entangled/verbonden) zijn om te werken. Als ze niet verbonden zijn, doet de computer gewoon eenvoudige wiskunde, geen "quantum" wiskunde.
Inconsistente Bits (Inconsistent Bits - IB): Het aantal quantum bits komt niet overeen met het aantal klassieke bits dat nodig is om de resultaten te lezen. Het is alsof je 5 sleutels hebt maar slechts 3 sleutelgaten. Dit zorgt voor verwarring en fouten.
Lage Quantum Volume (Low Quantum Volume - LQV): De code is te zwak of te simpel om complexe taken uit te voeren. Het is alsolijk proberen een supercomputer-game te draaien op een rekenmachine.
Onvoldoende Diepte per Qubit (Insufficient Depth per Qubit - IDQ): De individuele onderdelen van de code worden niet genoeg gebruikt. Het is alsof je een Ferrari-motor hebt, maar slechts met 5 km/u rijdt. Je benut de kracht waarvoor je betaald hebt niet.

4. Het Experiment: Een Detective Trainen

Om hun idee te testen, namen de onderzoekers een enorme berg echte quantumcode (ongeveer 4.100 projecten) en leerden een computer om een detective te zijn.

De Dataset: Ze hebben een enorme collectie codestukjes opgeschoond (zoals het ordenen van een rommelige bibliotheek).
De Training: Ze voedden deze data aan 14 verschillende soorten "detectives" (Machine Learning algoritmen).
Het Resultaat: Ze ontdekten dat één detective, genaamd Random Forest, de beste was in het opsporen van de slechte geuren. Deze was bijna perfect in het identificeren van de problemen.

5. De Belangrijkste Conclusie

De belangrijkste bevinding van het papier is dat je zowel de Structurele als de Semantische neus nodig hebt om het goed te doen.

Als je alleen naar de vorm kijkt (Structuur), mis je de logische fouten.
Als je alleen naar de betekenis kijkt (Semantiek), mis je de fysieke inefficiënties.
Wanneer je ze combineert, stijgt de nauwkeurigheid aanzienlijk. Het is alsof je een detective hebt die zowel de blauwdruk kan zien als de intentie van de eigenaar begrijpt.

Samenvatting

Het papier presenteert een nieuw hulpmiddel (QUAMET) dat ontwikkelaars helpt hun quantumcode op te schonen. Door specifieke structurele en semantische kenmerken te meten, kan het automatisch zes veelvoorkomende soorten slechte code signaleren. De studie bewijst dat het combineren van deze twee soorten analyses de detectie veel nauwkeuriger maakt dan wanneer men slechts één type bekijkt. Dit helpt om ervoor te zorgen dat de quantumcomputers van de toekomst soepel en efficiënt draaien.

Technische Samenvatting: QUAMET – Structurele en Semantische Metrische Analyse voor de Detectie van Quantum Code Smells

Probleemstelling

De snelle vooruitgang in Quantum Computing (QC) heeft geleid tot de proliferatie van quantumprogramma's (QPs) ontwikkeld met frameworks zoals Qiskit, Cirq en Q#. Echter, deze groei heeft significante uitdagingen geïntroduceerd voor het onderhoud van software. Vergelijkbaar met klassieke software zijn quantumprogramma's vatbaar voor "code smells"—suboptimale ontwerppatronen die de onderhoudbaarheid, prestaties en betrouwbaarheid hinderen. Hoewel de detectie van code smells goed gevestigd is in de klassieke software engineering, blijft dit onderbelicht in het quantumdomein. Bestaand onderzoek heeft zich grotendeels gericht op foutdetectie of beperkte metrische analyse, en mist een uitgebreide aanpak die zowel structurele als semantische kenmerken combineert om quantum-specifieke code smells te identificeren. Bovendien is er een schaarste aan grootschalige, gelabelde datasets van real-world quantumprojecten die nodig zijn om robuuste detectiemodellen te trainen.

Methodologie

Het paper stelt QUAMET voor, een nieuw framework ontworpen voor de detectie van quantum code smells via een duale analyse-aanpak: structurele en semantische metrische analyse. De methodologie verloopt via de volgende fasen:

1. Dataset Curatie en Pre-processing

De studie maakte gebruik van de LintQ dataset, een publiek beschikbare repository met ruwe codefragmenten van 7.568 real-world quantumprojecten.

Filtering: De dataset werd verfijnd door alleen Python- en Jupyter-bestanden te selecteren, Jupyter notebooks om te zetten naar Python-scripts, en circuits uit te voeren met de Qiskit-bibliotheek om de validiteit te waarborgen.
Opschoning: Bestanden die geen quantumcircuits bevatten of alleen import-statements bevatten, werden verwijderd. De dataset werd bijgewerkt om aan te sluiten bij de nieuwste bibliotheekversies.
Definitieve Corpus: De pre-processing resulteerde in een verfijnde dataset van 4.102 real-world quantumprojecten.

2. Metrische Extractie

QUAMET extraheert twee categorieën metrieken om de quantumcode te karakteriseren:

Structurele Metrieken (9 metrieken): Deze kwantificeren de fysieke en logische architectuur van de quantumcircuits. Belangrijke metrieken zijn onder meer:
- Depth (Diepte): Maximale padlengte van input naar output.
- Width (Breedte): Totaal aantal qubits en klassieke bits.
- Gate Count (Aantal poorten): Totaal aantal gate-operaties.
- Entangling Gates (Verstrengelende poorten): Aantal poorten dat quantumverstrengeling creëert.
- Average Gate Depth per Qubit (Gemiddelde gate-diepte per qubit): Werkbelastingverdeling over de qubits.
Semantische Metrieken (3 metrieken): Deze analyseren de betekenis en functionele gedrag van de code met behulp van Abstract Syntax Trees (AST) en circuitanalyse:
- Code Comprehension (Codebegrip): De ratio van AST-nodes tot regels code, wat de complexiteit en leesbaarheid aangeeft.
- Circuit Connectivity (Circuit Connectiviteit): Aantal niet-overlappende verbonden componenten.
- Quantum Volume (Quantum Volume): Een prestatie-metriek die qubit-aantal, connectiviteit en foutenmarges combineert ( $2^{\min(\text{gates}, \text{depth})}$ ).

3. Definitie van Quantum Code Smells

Op basis van de metrieken definieert en valideert de studie zes specifieke quantum code smells:

Long Circuit (LC): Circuits met excessieve diepte of breedte relatief aan hun ratio, wat leidt tot hoge foutenmarges en decoherentie.
Excessive Measurement (EM): Imbalans in het gebruik van meetoperaties relatief aan het totaal aantal bits, wat leidt tot inefficiëntie in middelen.
Unconnected Circuit (UC): Circuits met lage connectiviteit en nul verstrengelende poorten, waardoor het vermogen om quantumparallellisme te benutten niet wordt gerealiseerd.
Inconsistent Bits (IB): Een discrepantie waarbij het aantal qubits niet overeenkomt met het aantal klassieke bits, wat het risico op overschrijven van data met zich meebrengt.
Low Quantum Volume (LQV): Circuits met een laag quantum volume en slecht codebegrip, wat duidt op beperkte computationele kracht.
Insufficient Depth per Qubit (IDQ): Circuits waarbij de gemiddelde gate-diepte per qubit onder een drempelwaarde ligt, wat wijst op onderbenutting van quantumcomponenten.

4. Machine Learning Classificatie

De gelabelde dataset (smelly vs. non-smelly voor elke van de zes categorieën) werd gebruikt om 14 Machine Learning classifiers te trainen en te evalueren, waaronder Decision Trees, Random Forest (RF), Support Vector Machines (SVM), Neurale Netwerken (MLP) en Naive Bayes varianten.

Validatie: De modellen werden geëvalueerd op basis van Accuracy, Precision, Recall en F1-score.
Statistische Testen: De Wilcoxon signed-rank test werd toegepast om te bepalen of de prestatieverschillen tussen de classifiers statistisch significant waren, waarbij de Bonferroni-correctie werd toegepast voor meerdere vergelijkingen.

Belangrijkste Bijdragen

Grootschalige Gelabelde Dataset: De creatie van een gecureerde dataset van 4.102 real-world quantumprojecten, gelabeld met zes verschillende typen quantum code smells, wat het tekort aan trainingsdata in dit domein aanpakt.
Hybride Metrische Analyse: Een pioniersaanpak die zowel structurele (circuitarchitectuur) als semantische (codemening/AST) metrieken integreert om code smells te detecteren, waarmee verder wordt gegaan dan traditionele grootte-gebaseerde metrieken.
Definitie van Quantum-specifieke Smells: De identificatie en expert-validatie van zes code smells die uniek zijn voor het quantum-programmeerparadigma, wat een taxonomie biedt voor toekomstig onderzoek.
Empirische Evaluatie: Een uitgebreide benchmark van 14 ML-classifiers, waarbij de meest effectieve modellen voor quantum code smell detectie zijn geïdentificeerd.

Resultaten

Feature Integratie: Experimenten toonden aan dat modellen getraind op zowel structurele als semantische kenmerken significant beter presteerden dan die getraind op slechts één van beide kenmerken. Zo verbeterde de combinatie van kenmerken de F1-score voor de detectie van Long Circuit met ongeveer 26,78% vergeleken met het gebruik van enkel semantische kenmerken.
Classifier Prestaties: De Random Forest (RF) classifier behaalde consistent de beste prestaties over alle zes de quantum code smells, met bijna perfecte scores in accuracy, precision, recall en F1-score. Multilayer Perceptron (MLP) en K-Nearest Neighbor (KNN) vertoonden ook sterke prestaties. Daarentegen presteerden modellen zoals Stochastic Gradient Descent (SGD) en diverse SVM-kernels (Poly, Sigmoid, RBF) slecht, met name in recall.
Statistische Significantie: De Wilcoxon-test bevestigde dat RF en MLP statistisch superieur waren aan de meeste andere classifiers. RF kwam als het meest robuuste model uit met 0 verliezen in paarvergelijkingen, terwijl MLP het hoogste winpercentage (97,44%) behaalde.
Vergelijking met de State-of-the-Art: De voorgestelde methodologie presteerde beter dan bestaande metriek-gebaseerde tools (bijv. QSmell) en recente LLM-gebaseerde benaderingen (bijv. LintQ-LLM) bij het detecteren van specifieke code smells, met nauwkeurigheidsstijgingen tot 15% voor gevalideerde smells.

Betekenis en Claims

Het paper claimt dat het QUAMET-framework een significante vooruitgang vormt in de quantum software engineering door de kloof te overbruggen tussen code smell detectie en quantum-specifieke beperkingen. De primaire betekenis ligt in:

Verbeterde Detectie-nauwkeurigheid: Het aantonen dat een holistisch beeld dat zowel structurele als semantische analyse combineert, essentieel is voor het accuraat identificeren van quantum code smells, iets wat single-dimension benaderingen missen.
Praktisch Nut: Het bieden van een gevalideerde, datagestuurde methodologie die kan worden gebruikt voor het bouwen van geautomatiseerde tools om de onderhoudbaarheid en prestaties van quantumsoftware te verbeteren.
Expert Validatie: De gedefinieerde smells en metrieken zijn rigoureus beoordeeld door experts uit de industrie en academische onderzoekers, wat hun relevantie voor real-world uitdagingen in de quantumontwikkeling waarborgt.

De auteurs concluderen dat hoewel er uitdagingen blijven bestaan met betrekking met de evoluerende aard van quantumbibliotheken en de generaliseerbaarheid van de modellen, de voorgestelde structurele en semantische analyse een schaalbare en effectieve basis biedt voor toekomstige kwaliteitsborgingstools voor quantumcode.