LLM-Powered Quantum Code Transpilation

📄 arXiv: 2507.12480v1 📥 PDF

作者: Nazanin Siavash, Armin Moin

分类: cs.SE, cs.AI, cs.ET

发布日期: 2025-07-12

备注: IEEE International Conference on Quantum Computing and Engineering (QCE) 2025 - Extended Abstract

DOI: 10.1109/QCE65121.2025.10370

💡 一句话要点

提出基于LLM的量子代码转译方法，提升跨平台量子软件开发效率。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 量子计算 代码转译 大型语言模型 量子软件开发工具包 跨平台开发

📋 核心要点

  1. 现有量子软件开发工具包多样，导致跨平台开发和互操作性面临挑战。
  2. 利用大型语言模型（LLM）的上下文理解能力，实现量子代码在不同QSDK间的自动转译。
  3. 该方法无需手动定义转换规则，为量子软件的可移植性提供了一种可扩展的解决方案。

📝 摘要（中文）

针对不同量子计算平台存在多种量子软件开发工具包（QSDK）的问题，如Qiskit、Cirq和PennyLane，这给混合量子-经典软件系统的互操作性和跨平台开发带来了挑战。传统基于规则的代码转译器设计和维护耗时，需要深厚的专业知识以及源和目标代码中的严格映射。本研究探索使用大型语言模型（LLM）作为一种灵活且自动化的解决方案。利用LLM的预训练知识和上下文推理能力，将其定位为与编程语言无关的转译器，能够将量子程序从一个QSDK转换为另一个QSDK，同时保持功能等效性。该方法无需手动定义的转换规则，并为量子软件的可移植性提供了一种可扩展的解决方案。这项工作代表了在量子计算生态系统中实现智能、通用转译的一步。

🔬 方法详解

问题定义：论文旨在解决不同量子软件开发工具包（QSDKs）之间的互操作性问题。现有的基于规则的转译器需要手动设计和维护转换规则，耗时且需要领域专家知识，难以适应快速发展的量子计算平台和SDKs。

核心思路：论文的核心思路是利用大型语言模型（LLMs）的强大语言理解和生成能力，将量子代码转译问题视为一种编程语言翻译问题。通过训练或提示LLM，使其能够理解不同QSDKs的语法和语义，并生成等效的量子代码。

技术框架：该方法的核心是使用LLM作为转译器。具体流程可能包括：1）输入源QSDK的量子代码；2）LLM对代码进行理解和分析；3）LLM生成目标QSDK的等效量子代码；4）对生成的代码进行验证和优化（具体验证方法未知）。整体框架依赖于LLM的预训练知识和上下文学习能力。

关键创新：该方法最重要的创新在于利用LLM的通用性，避免了手动设计和维护特定QSDKs之间的转换规则。与传统的基于规则的转译器相比，该方法更加灵活、可扩展，并且能够处理复杂的量子代码结构。

关键设计：论文中关于LLM的具体选择、训练方式（例如，是否进行微调）、提示工程策略、以及验证和优化方法等关键设计细节未知。这些细节将直接影响转译的准确性和效率。

📊 实验亮点

由于论文摘要中没有提供具体的实验结果和性能数据，因此无法总结实验亮点。需要阅读完整论文才能了解LLM在量子代码转译方面的具体性能表现，例如转译的准确率、效率以及与传统方法的对比。

🎯 应用场景

该研究成果可应用于量子计算软件开发领域，实现量子算法在不同量子计算平台上的快速部署和验证。它降低了跨平台开发的门槛，促进了量子计算软件生态系统的发展，并加速了量子计算技术的应用。

📄 摘要（原文）

There exist various Software Development Kits (SDKs) tailored to different quantum computing platforms. These are known as Quantum SDKs (QSDKs). Examples include but are not limited to Qiskit, Cirq, and PennyLane. However, this diversity presents significant challenges for interoperability and cross-platform development of hybrid quantum-classical software systems. Traditional rule-based transpilers for translating code between QSDKs are time-consuming to design and maintain, requiring deep expertise and rigid mappings in the source and destination code. In this study, we explore the use of Large Language Models (LLMs) as a flexible and automated solution. Leveraging their pretrained knowledge and contextual reasoning capabilities, we position LLMs as programming language-agnostic transpilers capable of converting quantum programs from one QSDK to another while preserving functional equivalence. Our approach eliminates the need for manually defined transformation rules and offers a scalable solution to quantum software portability. This work represents a step toward enabling intelligent, general-purpose transpilation in the quantum computing ecosystem.