增强基于大语言模型的量子代码生成与多智能体优化和量子纠错-计算机科学-量子计算-多智能体-大语言模型.pdfVIP

增强基于大语言模型的量子代码生成与多智能体优化

和量子纠错

CharlieCampbellHao(Mark)ChenWayneLuk

DepartmentofComputingDepartmentofComputingDepartmentofComputing

ImperialCollegeLondonImperialCollegeLondonImperialCollegeLondon

London,UKLondon,UKLondon,UK

charlie.campbell22@imperial.ac.ukhao.chen20@imperial.ac.ukw.luk@imperial.ac.uk

HongxiangFan

DepartmentofComputing

本ImperialCollegeLondon

London,UK

译hongxiang.fan@imperial.ac.uk

中

2

v

7摘要—多智能体框架与大型语言模型（LLMs）已成为使用I.介绍

5测试驱动开发生成通用编程语言的有前景工具，允许开发者创建

5更准确和健壮的代码。然而，它们在特定领域编程语言中的潜力大型语言模型（LLMs）在自然语言理解、机器翻

4尚未完全释放，在这些特定领域中存在独特的优化机会以实现定译和自动化内容生成等广泛的人工智能应用领域取得

1

4.制化改进。了革命性的进展～[1]。基于LLMs卓越的自然语言处

0理能力，最近的研究扩展到了多代理框架的探索，每个

5本文，我们迈出了探索多智能体代码生成用于量子程序的第

2一步。通过识别诸如量子纠错等量子设计的独特优化点，我们引代理都由一个LLM驱动，以促进复杂环境中的复杂交

:

v入了一个专为生成准确且容错的量子代码而量身定做的新型多互。这些多代理框架构成了具身AI系统的基石～[2]，

i

x智能体框架。该框架中的每个代理都专注于不同的优化，使用语为未来人工智能在协助和支持日常人类活动方面发挥

r

a义分析器和多轮推理迭代地完善代码，同时结合错误纠正码解码关键作用铺平了道路。

器。我们还探讨了推理时技术（如链式思考（CoT）和检索增强大型语言模型的关键应用之一是自动软件开发，

生成（RAG））在量子编程上下文中的有效性，发现了与通用代

其中人工智能可以协助开发者生成越来越高质量的代

码生成不同的观察结果。

码[3]。各种专门用于代码生成的大型语言模型，如

为了评估我们的方法，我们开发了一个测试套件来衡量每种StarCoder[4]或CodeLlama[5]，已被引入以产生高质

优化对生成代码准确性的具体影响。我们的研究发现表明，诸如量的代码和测试套件。此外，最近的研究探索了多代

结构化链式思考等技术显著提高了量子算法的生成效率，最高可

理框架，例如AgentCoder[6]，以增强协作代码生成。

达50%。相比之下，我们也发现某些技术如RAG仅显示出有

然而，这些努力大多集中在通用编程语言如C++和

限的改进，只带来了4%的准确性提升。

Python上，对特定领域编程语言的关注相对较少。

此外，我们展示了人工智能辅助量子错误预测和纠正的例