[论文解读] Automated Quantum Software Engineering: why? what? how?

Aritra Sarkar|arXiv (Cornell University)|Dec 1, 2022

Cloud Computing and Resource Management被引用 5

一句话总结

本文倡导自动化量子软件工程（AQSE），以克服量子算法的反直觉特性，并降低量子软件开发的高门槛。该文提出一个集成框架，结合形式化方法、符号推理与机器学习技术（如神经符号系统、自动定理证明和强化学习），实现系统化、可验证且可扩展的量子算法发现，同时将形式化验证内置于流水线中，以确保正确性与可解释性。

ABSTRACT

This article provides a personal perspective on research in Automated Quantum Software Engineering (AQSE). It elucidates the motivation to research AQSE (why?), a precise description of such a framework (what?), and reflections on components that are required for implementing it (how?).

研究动机与目标

• 解决量子硬件进展与量子软件开发可扩展性有限之间的日益扩大的差距，原因在于量子力学的反直觉特性。
• 降低量子算法开发的入门门槛，目前该领域需要超越经典软件工程的专门训练。
• 通过自动化实现系统化、可验证且可扩展的量子算法发现，摆脱依赖研究人员的临时性方法。
• 将形式化验证与可解释性整合到量子软件开发流水线中，以确保正确性与可信度。
• 通过自动化合成与优化，弥合理论量子算法设计与近期量子设备实际部署之间的脱节。

提出的方法

• 利用神经符号人工智能，结合符号推理与神经网络效率，实现量子程序合成。
• 采用自动化定理证明（ATP）技术，借助QWIRE、SQIR和CoqQ等量子专用形式化体系，通过Curry-Howard同构关系验证正确性。
• 利用范畴量子力学工具（如ZX演算、DisCoCirc、Catlab.jl）进行图示化推理与抽象量子程序的精炼。
• 整合概率逻辑与不确定性感知合成（如马尔可夫逻辑网络、概率逻辑编程），以处理不完整或噪声的规格说明。
• 采用强化学习与编程示例范式，从输入-输出对中学习量子线路，或通过与量子模拟器/环境的交互学习。
• 嵌入形式化验证与自然语言解释工具（如Coqatoo），以确保合成的量子程序具有可解释性，并增强用户信任。

实验结果

研究问题

• RQ1 如何通过自动化系统系统性地发现利用量子干涉与纠缠的量子算法，而非依赖偶然的直觉洞察？
• RQ2 何种形式化与计算框架可确保自动化量子软件合成中的正确性、可扩展性与可解释性？
• RQ3 神经符号系统与强化学习等机器学习技术如何适配量子程序生成的独特约束？
• RQ4 范畴理论与图示化推理在实现模块化、可组合且可验证的量子软件工程中扮演何种角色？
• RQ5 在自动化量子算法合成过程中，用户规格中的不确定性应如何被形式化传播与管理？

主要发现

• AQSE对于实现量子软件开发的民主化至关重要，可减少对专家直觉的依赖，并实现可扩展的自动化量子算法发现。
• 形式化方法如QWIRE、SQIR与CoqQ为可验证的量子程序合成提供了基础，其正确性证明既可机器检查，又具可解释性。
• 神经符号与强化学习方法在自动化合成量子线路方面展现出前景，尤其适用于混合量子-经典工作负载。
• 范畴量子力学工具如ZX演算与DisCoCirc支持高水平、组合式的量子线路推理，促进模块化设计与优化。
• 概率逻辑与不确定性感知合成可处理不完整或噪声的规格说明，使AQSE在真实应用场景中更具鲁棒性。
• 结合自然语言解释的形式化验证（如通过Coqatoo）可增强自动化量子软件的透明度与可信度，解决可解释性问题。