Agentic MLIR-to-QIR Translation with Dual-Backend Testing: A Hybrid Deterministic and LLM Approach
本文提出了一种混合型 MLIR 到 QIR 的转换框架,该框架结合了针对已知方言的确定性编译器传递与针对未知方言的基于大语言模型(LLM)的智能体路径,并利用双后端测试流水线来确保在多种量子电路中实现高保真输出。
原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明
量子计算的世界目前是一个由许多不同语言构成的景观。正如旅行者在每个国家都说着不同语言的边境线前可能会面临沟通困难一样,科学家和工程师在量子技术领域也面临着类似的障碍。不同的硬件制造商和软件团体都构建了自己独特的描述方式,用于描述量子电路——即告诉量子计算机该做什么的指令。这些描述就像是复杂技术语言中的各种方言。虽然每种方言在其自身的生态系统中都能完美运行,但它们并不自然地互通。这产生了一个显著的问题:为一种类型的量子机器编写的程序,往往无法在另一种机器上运行,除非由人类专家进行手动重写,这是一个缓慢且容易出错的过程,拖慢了整个领域的发展。为了解决这个问题,研究人员需要一个通用翻译器,能够将以一种方言编写的量子程序转换为任何机器都能理解的标准格式,且不丢失原始指令的含义。
橡树岭国家实验室的一个研究小组开发了一种新系统来充当这种翻译器,架起不同竞争性量子语言之间的桥梁。他们的工作重点是将以灵活的多层格式(称为方言)编写的程序,转换为一种通用的中间表示——这是一种作为不同量子后端共同基础的标准代码。挑战在于,虽然其中一些方言是广为人知且遵循严格规则的,但另一些则是全新的、陌生的,这使得传统的计算机程序难以自动进行翻译。为了应对这一挑战,该团队构建了一个混合系统,将传统软件的速度与精度与人工智能的适应性结合在一起。他们创建了一个可以根据任务在三种不同路径之间进行选择的翻译器:一条用于已知语言的快速、基于规则的路径;一条用于新语言的灵活、由人工智能驱动的路径;以及一条如果在第一次尝试失败时进行修复的修复路径。
该系统的运作就像一条拥有内置质量控制机制的高度组织化的工厂流水线。当一个量子程序到达时,系统首先检查它是以哪种方言编写的。如果该方言是系统熟知的,例如由 Catalyst 或 Quake 等主要框架使用的方言,它会采取直接的、确定性的路线。在这种模式下,软件遵循一套预先编写的严格规则来转换代码,这一过程仅需不到一秒钟,对于已知结构而言是完全准确的。然而,如果系统遇到一种新的或不熟悉的方言,它就会切换到智能代理模式。在这里,它利用一种大型语言模型(一种经过训练以理解和生成代码的人工智能)来进行翻译。这个 AI 代理就像一位熟练的语言学家,分析这种新语言,并根据提示词中提供的特定示例和规则来构建翻译。
至关重要的是,研究人员并没有仅仅信任 AI 生成正确输出。他们构建了一个严密的测试流水线,起到双重检查的作用。翻译完成后,系统会在两个独立的、独立的模拟器上分别运行原始量子程序和新翻译的版本。这些模拟器充当虚拟量子计算机,执行指令并产生结果。随后,系统会比较两次运行结果的统计分布。如果结果匹配得足够紧密,则接受该翻译。如果两者不匹配,系统不会放弃;相反,它会进入修复循环。它将错误信息反馈给 AI 代理,解释哪里出了问题,并要求代理重试。这种“翻译、测试、修复”的循环可以重复多次,直到找到一个有效且可工作的翻译。
为了确保即使在 AI 生成不完整或混乱的输出时系统仍能正常工作,研究人员添加了一个名为“护栏组装器”(guardrail assembler)的安全机制。较小的 AI 模型有时会生成正确的量子操作序列,但会忘记包含使代码有效的必要结构细节,如变量声明或格式化。护栏组装器会介入并修复这些结构性问题。它从 AI 的输出中提取核心操作,并使用标准模板将其重新组装成一个完整的、有效的代码文件。这使得系统能够从那些会导致翻译完全失败的错误中恢复,从而使整个过程更加稳健。
研究人员在 41 种不同的量子电路设计上测试了他们的系统,其范围涵盖了从简单的两比特操作到涉及多达 100 个量子比特的复杂算法。他们在三种不同方言上评估了该系统,其中包括两种已知方言和一种专为容错量子计算设计的全新、未见的方言。结果显示,对于已知方言,确定性路径是完美的,在翻译门结构方面实现了无误,并产生了与原始程序相似度超过 95% 的结果。当系统被迫对已知方言使用 AI 代理时,表现依然良好,尽管耗时显著增加,从确定性路径的毫秒级延长到了 35 到 62 秒。
最重大的测试来自于那个未见的方言。由于不存在预先编写的规则,系统必须完全依赖 AI 代理。在这种情况下,测试的六个不同 AI 模型中有四个能够在第一次尝试时就生成有效的翻译。这些模型成功地将逻辑层操作(即用于纠错量子计算机的抽象指令)转换为标准格式。该系统证明了它可以在不需要人类从头编写新翻译器的情况下处理新语言。研究人员指出,虽然 AI 模型可以翻译逻辑操作,但它们不会自动将其扩展为硬件所需的物理细节,这一任务仍然是后端系统的职责。
这项研究还强调了如何向 AI 提供信息的重要性。团队发现,仅仅给 AI 一个查找信息的搜索工具(一种被称为检索增强生成的方法)往往会导致较小模型出现错误。相反,他们发现通过将所有必要的参考资料(如门映射和代码模板)直接注入提示词中,可以取得成功。他们称之为“上下文工程”(context engineering)的方法,确保了 AI 手头拥有所有必需的事实,消除了模型在尝试自行搜索答案时产生的困惑。
最终,这项工作为量子计算中的互操作性问题提供了一个切实可行的解决方案。通过将传统编译器的速度、人工智能的灵活性以及严密的测试循环相结合,研究人员创建了一个能够以高可靠性在不同语言间翻译量子代码的系统。该系统不仅仅是在猜测;它会验证自己的工作,修复错误,并适应新的挑战。虽然确定性路径对于已知语言来说是最快且最可靠的,但智能代理路径为未来提供了一条至关重要的桥梁,使得量子软件生态系统能够不断进化,并纳入新的方言,而不会受到需要手动重写的限制。这种混合方法表明,未来量子程序可以在不同的硬件平台之间自由移动,从而加速整个量子技术的发展。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。