Quanten-Codegeneration neu gedacht: LLMs und Retrieval-Augmented Generation

In einer wegweisenden Studie wird gezeigt, wie große Sprachmodelle (LLMs) in Kombination mit Retrieval-Augmented Generation (RAG) die Transformation von Modellen in Quanten-Code revolutionieren können. Der Fokus liegt dabei auf Quanten- und Hybridquantensystemen, bei denen modellgetriebene Ansätze die Kosten senken und Risiken durch heterogene Plattformlandschaften sowie fehlende Fachkenntnisse reduzieren.

Die Autoren demonstrieren die Idee anhand der Generierung von Python-Code aus UML-Modellinstanzen. Der Code nutzt die etablierte Qiskit-Bibliothek und kann auf gate‑basierten oder kreislaufbasierten Quantencomputern ausgeführt werden. Das RAG‑Pipeline‑Setup zieht Beispielcode aus öffentlichen GitHub‑Repos, um die LLMs zu ergänzen.

Ergebnisse zeigen, dass sorgfältig gestaltete Prompts die CodeBLEU‑Bewertung um bis zu viermal steigern – ein deutlicher Gewinn an Genauigkeit und Konsistenz im Quanten‑Code. Diese Erkenntnisse legen die Grundlage für weitere Untersuchungen, etwa die Nutzung von Software‑Modellinstanzen als Informationsquelle in RAG‑Pipelines oder die Anwendung von LLMs bei Code‑zu‑Code‑Transformationen, z. B. bei Transpilationsaufgaben.