QUASAR：基于工具增强型大语言模型的量子汇编代码生成
人工智能
2025-10-02 v1 量子物理
摘要
设计和优化特定任务的量子电路是充分发挥量子计算优势的关键。最近的大型语言模型（LLM）基于量子电路生成方法日益成为有前景的自动解决方案。然而，仍未解决根本性挑战：（i）参数化量子门需要精确的数值才能实现最佳性能，这些数值还取决于多个因素，包括量子门的数量、其参数以及电路的布局/深度。（ii）LLM常因缺乏量子领域特定知识而生成低质量或不正确的量子电路。我们提出QUASAR，一个基于工具增强型LLM的量子电路生成与优化的智能体强化学习（RL）框架。为将LLM与量子特定知识对齐并提高生成的量子电路质量，QUASAR设计了（i）一种基于外部量子模拟器的量子电路验证方法，（ii）RL训练中的精细分层奖励机制。广泛的评估显示，QUASAR在生成的量子电路的语法和语义性能方面均取得了改进。当增强4B规模的LLM时，QUASAR在Pass@1中实现了99.31%的有效性，在Pass@10中实现了100%的有效性，超过了工业界的GPT-4o、GPT-5和DeepSeek-V3，以及多种仅监督微调（SFT）或仅强化学习（RL）基线。
关键词
引用
@article{arxiv.2510.00967,
title = {QUASAR: Quantum Assembly Code Generation Using Tool-Augmented LLMs via Agentic RL},
author = {Cong Yu and Valter Uotila and Shilong Deng and Qingyuan Wu and Tuo Shi and Songlin Jiang and Lei You and Bo Zhao},
journal= {arXiv preprint arXiv:2510.00967},
year = {2025}
}