Naukowcy opracowali QASM-Eval - dataset do trenowania dużych modeli językowych na OpenQASM-3, zaawansowanym języku dla komputerów kwantowych. Dotychczasowe podejścia skupiały się głównie na prostych obwodach kwantowych, ale nowy dataset znacznie rozszerza zakres wiedzy, którą mogą przyswajać modele AI. To oznacza, że LLM-y będą mogły lepiej radzić sobie z całym spektrum kwantowego programowania, nie tylko z fragmentami kodu związanymi z czystymi operacjami kwantowymi. Dataset pozwala modelom zrozumieć kontekst, logikę i strukturę bardziej złożonych programów kwantowych, co zmienia perspektywę na automatyzację tego obszaru.
Praktyczne konsekwencje mogą być istotne dla całego ekosystemu kwantowego. Jeśli LLM-y nauczą się lepiej kodować na OpenQASM-3, program do tworzenia aplikacji kwantowych stanie się bardziej przystępny dla zespołów deweloperów. Zamiast manualnego pisania skomplikowanego kodu kwantowego, inżynierowie mogą korzystać ze wspomagania AI, podobnie jak robią to dzisiaj z Githubem Copilot w klasycznym programowaniu. To może znacząco przyspieszać prototypowanie i testowanie nowych algorytmów kwantowych, a pośrednio przyczyniać się do realizacji praktycznych zastosowań komputerów kwantowych w biznesie i nauce.
QASM-Eval stanowi część szerszej tendencji do łączenia AI z technologiami kwantowymi. Rozwój takich datasetów pokazuje, że pracownicy naukowo-badawczy dostrzegają potencjał LLM-ów jako narzędzi nie tylko do kodowania, ale też do wspierania skomplikowanych procesów inżynieryjnych w obszarach takich jak kwantowe inżynierie oprogramowania.