Large Language Models for Quantum Code Translation: An Exploratory Study

A computação quântica promete resolver problemas que são atualmente impossíveis para os computadores tradicionais, mas construir o software para operar essas máquinas é um desafio formidável. A dificuldade reside não apenas nas regras estranhas da física quântica, que permitem que partículas existam em múltiplos estados ao mesmo tempo, mas na paisagem fragmentada de ferramentas disponíveis para os programadores. Atualmente, diferentes equipes constroem seu software quântico usando conjuntos diferentes de instruções, de forma muito semelhante a como diferentes países falam línguas diferentes. Um programa escrito para um sistema muitas vezes não pode ser executado em outro, forçando os desenvolvedores a reescreverem manualmente seu código do zero toda vez que desejam trocar de ferramentas. Essa barreira retarda o progresso e torna difícil para os engenheiros compartilharem seu trabalho.

Pesquisadores da Universidade de Kyushu e da Universidade Beihang começaram a explorar se a inteligência artificial pode preencher essa lacuna. Eles investigaram se modelos de linguagem de grande escala — programas de computador avançados treinados em vastas quantidades de texto e código — poderiam traduzir automaticamente programas quânticos de um sistema para outro, mantendo seu comportamento pretendido intacto. Seu estudo focou em converter código escrito para o Qiskit, um kit de ferramentas popular da IBM, para outros dois sistemas principais: PennyLane e Q#. O objetivo era ver se esses modelos de IA poderiam compreender a lógica complexa da mecânica quântica, como a forma como as partículas estão ligadas entre si ou como as medições são feitas, e aplicar esse entendimento para reescrever o código corretamente sem intervenção humana.

Para testar isso, a equipe criou um fluxo de trabalho onde a IA recebia uma tarefa quântica específica escrita na linguagem original e era solicitada a produzir uma versão equivalente na nova linguagem. Eles não apenas pediram para a IA adivinhar; eles construíram um sistema que verificava os resultados rigorosamente. O código traduzido foi executado através dos ambientes de software reais dos sistemas de destino para ver se ele era executado sem erros e produzia os resultados matemáticos corretos. Os pesquisadores testaram quatro configurações diferentes de IA em quarenta e três tarefas distintas, variando de operações simples a sequências mais complexas. Eles compararam dois métodos: pedir à IA para traduzir o código imediatamente sem quaisquer exemplos, e pedir que ela traduzisse após mostrar-lhe um exemplo correto de como a conversão deveria ser feita.

Os resultados foram encorajadores, mas destacaram obstáculos significativos. Quando a IA foi solicitada a traduzir sem exemplos prévios, a taxa de sucesso variou amplamente dependendo do modelo e do sistema de destino. A configuração de melhor desempenho conseguiu produzir uma tradução funcional em aproximadamente setenta e dois por cento dos casos para um sistema de destino e cerca de setenta e um por cento para o outro. Isso sugere que esses modelos possuem uma capacidade genuína de compreender a estrutura do código quântico. No entanto, o estudo também revelou que a IA falhava frequentemente devido a questões práticas, em vez de uma falta de compreensão da física. Os motivos mais comuns para a falha foram a ausência de arquivos de origem ou o fato de o código traduzido não conseguir compilar, o que significa que o computador sequer conseguia iniciar a execução do programa. Esses erros representaram quase quarenta por cento e trinta e cinco por cento das falhas, respectivamente.

Quando os pesquisadores forneceram à IA um único exemplo de uma tradução correta antes de solicitar a tarefa, o desempenho melhorou visivelmente. A taxa de sucesso subiu para ambos os modelos testados, indicando que mostrar à IA como lidar com a sintaxe e as regras específicas do novo sistema ajuda a evitar erros. Essa descoberta sugere que, embora a tecnologia ainda não seja perfeita, ela é um caminho viável. O estudo conclui que os modelos de linguagem de grande escala possuem real potencial para automatizar a tradução de software quântico, o que poderia eventualmente permitir que os desenvolvedores transitem livremente entre diferentes ferramentas. No entanto, os pesquisadores observam que o trabalho futuro deve abordar as barreiras restantes, como garantir que a IA tenha acesso a todos os arquivos necessários e consiga navegar pelas complexas diferenças de versão entre atualizações de software, antes que essa abordagem possa se tornar uma ferramenta padrão para a indústria.