Model-Driven Quantum Code Generation Using Large Language Models and Retrieval-Augmented Generation

论文总结与翻译一、文章主要内容本文聚焦于量子及混合量子-经典软件系统，提出一种利用大型语言模型（LLMs）并结合检索增强生成（RAG）管道的模型到文本/代码转换新研究方向，旨在降低该领域因平台异构性和开发者技能不足带来的成本与风险。1. 研究背景技术现状：模型驱动软件工程（MDSE）在复杂垂直领域已被证实有效，而量子软件工程（QSE）需应对平台异构、开发者缺乏量子相关技术技能（如计算模型、硬件架构、SDK等）的问题。LLMs应用基础：LLMs已在软件工程多方面应用，包括MDSE中的模型管理、代码生成等，但在量子软件开发领域应用较少，且单纯基于提示的LLM生成存在上下文感知有限、易产生“幻觉”的问题。2. 核心研究内容研究问题提出：围绕LLMs与RAG结合的模型驱动量子代码生成，提出6个研究问题（RQ1-RQ6），涵盖UML模型输入生成代码、RAG管道作用、提示工程影响、领域特定建模语言支持、需求文档与模型结合、代码到代码转换等场景。实验设计：以Jiménez-Navajas等人提供的符合特定UML规范的模型实例为实验数据，采用GPT-4o作为LLM，Qiskit库作为量子代码执行工具，设计4种实验设置（通用提示无RAG、通用提示有RAG、特定提示无RAG、特定提示有RAG），通过Precision、Re