Qiskit Code Assistant: Training LLMs for generating Quantum Computing Code

本文聚焦于训练Code Large Language Models（Code LLMs）以在量子计算领域进行专业化编程，这种模型已经成为一种强大的工具，通过自动化编程过程并减少构建应用程序所需的时间和精力，从而彻底改变了软件开发的格局。我们首先讨论了量子计算编程的独特需求，这与经典编程方法或语言有很大不同。专门用于量子计算的Code LLM需要对量子计算和量子信息理论有基础的理解。然而，可用的量子代码示例的稀缺性以及快速发展的领域，需要不断更新数据集，这带来了重大挑战。此外，我们讨论了我们在使用Qiskit库训练Code LLMs以生成高质量量子代码方面的工作。这项工作包括对用于训练的LLMs的各个方面以及特定的训练条件进行检查，以及我们当前模型的结果。为了评估我们的模型，我们开发了一个类似于HumanEval的自定义基准，其中包括一组专门为使用Qiskit进行量子计算编程设计的测试。我们的研究结果表明，我们的模型在量子计算任务中优于现有的最先进的模型。我们还提供了代码建议的示例，将我们的模型与其他相关的Code LLM进行比较。最后，我们介绍了关于Code LLMs对量子计算计算科学家、研究人员和从业人员的潜在好处的讨论。我们还探讨了在这个背景下可能相关的各种特性和未来工作。

本文旨在解决量子计算编程领域中缺乏可用代码示例的问题，提出基于Qiskit库训练代码大型语言模型（Code LLMs）来生成高质量量子代码。

通过训练Code LLMs来专门针对量子计算进行编程，需要具备量子计算和量子信息理论的基础知识，并且需要不断更新数据集以跟进快速发展的领域。本文使用Qiskit库进行训练，并针对量子计算编程设计了一套基准测试。

本文的实验结果表明，训练出的Code LLMs在量子计算任务中表现优于现有的最先进模型。此外，本文提供了代码示例，并与其他相关Code LLMs进行了比较。值得注意的是，本文使用的基准测试类似于HumanEval，并且还探讨了Code LLMs对量子计算计算科学家、研究人员和从业者的潜在益处。

最近的相关研究包括：1. 'Towards End-to-End Quantum Circuit Learning'；2. 'Quantum Circuit Learning with Classical Tensor Networks'；3. 'Quantum Circuit Design with Deep Reinforcement Learning'。