Large Language Models for Quantum Code Translation: An Exploratory Study

量子计算有望解决目前传统计算机无法解决的问题，但为这些机器构建软件是一项艰巨的挑战。这种困难不仅在于量子物理学的奇特规则（即粒子可以同时存在于多种状态中），还在于程序员可用的工具呈现出碎片化的局面。目前，不同的团队使用不同的指令集来构建其量子软件，就像不同的国家说着不同的语言一样。为一种系统编写的程序通常无法在另一种系统上运行，这迫使开发者在每次想要更换工具时，都必须从头开始手动重写代码。这一障碍减缓了进展，并使得工程师难以分享他们的工作成果。

九州大学和北航大学的研究人员已开始探索人工智能是否能够弥合这一差距。他们研究了大语言模型——即经过海量文本和代码训练的高级计算机程序——是否能够自动将量子程序从一个系统翻译到另一个系统，同时保持其预期的行为不变。他们的研究重点是将使用流行的 IBM 工具包 Qiskit 编写的代码，转换为另外两个主要系统：PennyLane 和 Q#。目标是观察这些人工智能模型是否能够理解量子力学的复杂逻辑，例如粒子是如何相互关联的，或者测量是如何进行的，并将这种理解应用于正确地重写代码，而无需人工干预。

为了测试这一点，研究团队创建了一个工作流，其中人工智能被赋予一个用原始语言编写的特定量子任务，并被要求生成该任务在新语言中的等效版本。他们不仅仅是让人工智能进行猜测；他们构建了一个严谨检查结果的系统。翻译后的代码会被运行在目标系统的实际软件环境中，以观察其是否能无误执行并产生正确的数学结果。研究人员在 43 个不同的任务（从简单的操作到复杂的序列）上测试了四种不同的 AI 配置。他们比较了两种方法：一种是让 AI 直接进行翻译而不提供任何示例；另一种是在要求它进行翻译之前，先向它展示一个正确的转换示例。

结果令人鼓舞，但也凸显了显著的障碍。当 AI 在没有任何先前示例的情况下被要求进行翻译时，成功率因模型和目标系统的不同而差异很大。表现最好的配置在其中一个目标系统中实现了约 72% 的成功率，在另一个系统中约为 71%。这表明这些模型确实具备理解量子代码结构的能力。然而，研究也发现，AI 频繁失败的原因在于实际操作问题，而非缺乏对物理学的理解。最常见的原因是缺少源文件或翻译后的代码无法编译，这意味着计算机甚至无法启动程序运行。这些错误分别占了失败原因的近 40% 和 35%。

当研究人员在要求 AI 执行任务之前，先向其提供一个正确翻译的示例时，性能有了明显的提升。两种测试模型的成功率都有所上升，这表明向 AI 展示如何处理新系统的特定语法和规则有助于其避免错误。这一发现表明，尽管这项技术尚不完美，但它是一条可行的发展路径。研究结论认为，大语言模型在实现量子软件自动翻译方面具有真正的潜力，这最终可能允许开发者在不同的工具之间自由移动。然而，研究人员指出，在这一方法成为行业标准工具之前，未来的工作必须解决剩余的障碍，例如确保 AI 能够访问所有必要的文件，并能够应对软件更新之间复杂的版本差异。