论文技术总结：自动化量子软件与人工智能工程

论文标题：Automated Quantum Software and AI Engineering (自动化量子软件与人工智能工程)
作者：Nazanin Siavash 和 Armin Moin (美国科罗拉多大学科罗拉多斯普林斯分校)
发表日期：2026 年 4 月 21 日 (arXiv 预印本)

---

1. 研究背景与问题 (Problem)

随着量子计算 (QC) 从理论优势向实际应用转变，量子软件工程 (QSE) 和量子人工智能 (QAI) 领域正迅速扩张。然而，该领域面临以下核心挑战：

• 人才短缺：具备量子计算、量子信息科学 (QIS) 和量子工程 (QE) 专业知识的开发者和 AI 专家（如数据科学家）数量极其有限。
• 开发复杂性：量子逻辑非直观，且量子系统（如 NISQ 设备）存在噪声和错误，导致传统软件工程和 AI 开发流程难以直接适用。
• 混合架构决策困难：在混合量子 - 经典应用中，难以自动决定哪些部分应部署在量子硬件上，以及选择何种量子平台或计算模型（如基于门电路 vs. 绝热量子计算）。
• 现有研究的局限性： prior 文献综述通常将 QSE、QAI、自动化 QSE (AQSE) 和自动化 QAI (AQAI) 作为孤立领域进行研究，缺乏一个涵盖所有这些领域及其自动化方法的系统性综述。

核心问题：如何通过（半）自动化方法，提高量子软件工程和量子人工智能的开发效率、质量和可部署性，从而推动更广泛的量子及混合 AI 系统的开发与应用？

2. 研究方法 (Methodology)

本文采用系统文献综述 (Systematic Literature Review, SLR) 方法，旨在全面调查和分类现有的 QAI、QSE、AQSE 和 AQAI 文献。

• 数据来源：Google Scholar, IEEE Xplore, Science Direct, ACM Digital Library, Springer Link 以及 arXiv（用于获取最新预印本）。
• 时间范围：2020 年至 2025 年（涵盖过去 5 年及当前年份）。
• 筛选标准：
  • 关键词：QAI, QSE, QC, AQSE, AQAI, 代码生成，QCNN, QSVM 等。
  • 分类体系：将研究分为四大类：
    1. QSE (Category A)：量子与软件工程交叉，关注基础定义与技术。
    2. QAI (Category B)：量子与人工智能交叉，关注量子算法及其在 AI 子领域的应用。
    3. AQSE (Category C)：针对量子或混合系统的软件开发生命周期 (SDLC) 的自动化技术。
    4. AQAI (Category D)：针对部署在量子或混合系统中的 AI 模型（包括机器学习）的开发、测试、部署和优化的自动化。
  • 排除标准：仅涉及单一领域（仅 QC 或仅 AI）的研究被排除；非同行评审会议/期刊（除 arXiv 外）且 h5-index < 20 的通常被排除，但保留了部分新兴且重要的会议（如 ICSE 的 QSE 研讨会）。
• 补充方法：采用“滚雪球”法 (Backward Snowballing) 追踪参考文献，以发现早期相关研究。

3. 主要贡献与关键发现 (Key Contributions & Results)

本文是首个将 QSE、QAI、AQSE 和 AQAI 整合在一个研究中的系统性综述，共分析了 48 篇直接相关的研究论文。

A. 量子软件工程 (QSE)

• 现状：QSE 正在从经典软件工程原则向适应量子硬件（如量子比特、纠缠、叠加）的方向演进。
• 关键趋势：
  • 形式化方法：尝试使用公理化定义（如 F-QSE）来规范量子软件。
  • 代码重构与测试：出现了针对量子程序的代码重构目录（如 Q#）和基准测试（如 Bugs4Q，包含 36 个 Qiskit 真实错误）。
  • 需求工程：初步探讨了量子软件需求工程 (QSRE) 的特殊性。
• 挑战：缺乏大规模高质量数据集，硬件访问受限，以及混合代码生成的复杂性。

B. 量子人工智能 (QAI)

• 现状：重点在于量子机器学习 (QML)，利用叠加和纠缠加速模式识别和优化。
• 分类：根据数据和算法是经典 (C) 还是量子 (Q)，分为 CC, QC, CQ, QQ 四种场景。
• 主要应用：
  • 监督学习：量子神经网络 (QNN)、混合量子 - 经典卷积神经网络 (HQCNN) 在医疗影像（如 COVID-19、乳腺癌检测）中的应用。
  • 无监督学习：量子辅助聚类分析 (QACA) 和量子迁移学习。
• 挑战：数据吞吐量低（读取输入数据耗时）、量子态波动导致信息丢失、缺乏基准测试框架、以及将量子输出转换为二进制格式的困难。

C. 自动化量子软件工程 (AQSE)

• 定义：将自动化技术应用于量子软件的设计、实现、测试和优化。
• AI 驱动方法：
  • 大语言模型 (LLMs)：用于自动生成量子代码（如 Qiskit, PennyLane 助手）、微服务代码生成及 CI/CD 流程优化。
  • 模型驱动工程 (MDE)：利用模型驱动方法支持从经典 AI 系统向量子/混合系统的过渡。
• 非 AI 驱动方法：
  • 基于形式化建模和 UML 的模型到文本转换（生成 Python/Qiskit 代码）。
  • 针对 NISQ 设备的专用优化器（如针对 VQE 算法的优化）。
• 趋势：LLM 在代码生成中的应用日益显著，MDSE 与 LLM 的结合正在改变开发范式。

D. 自动化量子人工智能 (AQAI)

• 定义：自动化 QML 实践，特别是 AutoML 在量子领域的扩展 (AutoQML)。
• 关键技术：
  • 自动架构搜索：自动设计量子神经网络 (QNN) 的 ansatz（如 AutoAnsatz）。
  • 自动核选择：自动发现适合特定任务的量子核 (Quantum Kernels)。
  • 超参数优化：自动调整量子电路的深度、纠缠层数及超参数。
• 代表性工具：AutoQML, AQMLator, AutoAnsatz。
• 挑战：缺乏同时精通 QC 和自动化 AI 的专家；量子特定的因素（如电路深度、量子比特连接性）使得自动调参比经典 AutoML 更复杂。

4. 研究意义与未来方向 (Significance & Future Directions)

研究意义：

• 填补空白：首次系统性地整合了 QSE 和 QAI 及其自动化子领域，为研究人员提供了清晰的领域地图。
• 指导实践：识别了当前工具链的局限性（如缺乏跨平台代码生成、基准测试不足），为工业界和学术界指明了改进方向。
• 提升效率：强调了自动化在解决量子开发人才短缺和降低开发门槛方面的关键作用，有助于实现生产力的飞跃。

未来研究方向：

1. 跨平台自动化代码生成：开发能够自动将代码转换、优化并部署到不同量子处理器（不同硬件技术、架构和计算模型）上的工具。
2. 混合工作流优化：利用机器学习和模型驱动工程 (MDSE) 自动决定混合量子 - 经典应用的最佳部署策略。
3. 基准与评估：建立更完善的基准测试框架，用于公平比较量子算法与经典算法的性能。
4. 教育与工具链：开发针对量子软件开发生命周期的教育工具和集成工具链，降低学习曲线。
5. 可扩展性与容错：研究如何在噪声环境下（NISQ）以及未来容错量子计算机上扩展自动化方法。

总结

本文通过系统综述指出，虽然量子计算和人工智能的融合潜力巨大，但其发展受限于开发复杂性和人才短缺。自动化（特别是 AI 辅助的自动化） 是解决这些瓶颈的关键。未来的研究应聚焦于构建能够跨越不同量子硬件平台、自动优化混合架构并降低开发门槛的综合工具链，从而推动量子软件从实验室走向大规模工业应用。