Background Die klassische Synthese von Quantenprogrammen über Genetische Algorithmen stößt bei komplexen Algorithmen und größerer Anzahl von Qbits an ihre Grenzen, da der Suchraum für diese Programme exponentiell wächst. Der Einsatz von Large Language Models (LLMs) bietet eine neuartige automatisierten
Background
Die klassische Synthese von Quantenprogrammen über Genetische Algorithmen stößt bei komplexen Algorithmen und größerer Anzahl von Qbits an ihre Grenzen, da der Suchraum für diese Programme exponentiell wächst. Der Einsatz von Large Language Models (LLMs) bietet eine neuartige automatisierten Generierungstechnik für Quantenprogramme. LLMs haben aber auch Nachteile wie Halluzinationen und fehlendes explizites Wissen über physikalische Zusammenhänge (ohne auf externes Feedback zurückzugreifen).
Goal
Ziel dieser Arbeit ist die Entwicklung eines Agentic Frameworks. Im Zentrum soll ein ****LLM verschiedene Quantenprogramme generieren. Das Framework soll anhand von Problembeschreibungen in natürlicher Sprache (z.B. “Synthesize a 3-qubit QFT circuit”) syntaktisch korrekte und effiziente Programme generieren, die durch einen Simulator (z.B. IBM Qiskit) verifiziert werden.
Tasks
- Literatureanalyse: Überblick über aktuelle Ansätze für die Generierung von Quantenprogrammen mit Hilfe von LLMs. Was sind die aktuellen Workflows die unterstützt werden? (Quantum Designer, Quantum Verifier, Quantum Repairer, …)
- Dataset-Kuration: Erstellung eines spezialisierten Datensatzes aus validen Quantum Programmen (z.B. IBM Qiskit) und deren natürlichsprachliche Funktionsbeschreibung.
- LLM Fine-Tuning: Anpassung eines Modells (z.B. Llama 3 oder GPT-4) für die Generierung von Quantenprogrammen (LoRA, Prompting).
- Entwicklung des Feedback-Loops: Implementierung eines Reward-Systems, das Metriken wie Gate-Anzahl, syntaktische und semantische Korrektheit nutzt um das LLM iterativ zu verbessern.
- Benchmark-Vergleich: Evaluierung der generierten Quantenprogramme gegen klassische Synthese-Tools hinsichtlich Präzision und Effizienz.
Requirements
- Programmierkenntnisse: Exzellente Kenntnisse in Python
- LLM-Expertise: Erfahrung mit Prompt Engineering (von Vorteil)
Contact
Univ.-Prof. Dr. Manuel Wimmer, Christoph Stein, Dr. Stefan Klikovits