Abstimmung von Quantenoperatoren mit großen Sprachmodellen

Zusammenfassung

Können Große Sprachmodelle (Large Language Models, LLMs) Quantenoperatoren verstehen und darüber nachdenken? Trotz ihrer bemerkenswerten Fähigkeiten in Mathematik und symbolischem Denken bleiben LLMs von Natur aus blind für Quantendarstellungen wie unitäre Matrizen. In dieser Arbeit unternehmen wir einen Schritt zur Überbrückung dieser Lücke, indem wir einen Ansatz vorstellen, der unitäre Operatoren in den latenten Raum eines LLM abbildet und so eine einheitliche Modellierung über Quanten- und Spracheingaben hinweg ermöglicht. Wir setzen diese Idee für die Clifford+T-Schaltkreissynthese über einen Pauli-Rotationsgattersatz um, wobei unser Modell Ergebnisse erzielt, die mit den neuesten Methoden konkurrieren können, und sich konsistent mit den Trainingsdaten skaliert, ohne Anzeichen von Sättigung. Unser Ansatz ermöglicht zudem eine sprachkonditionierte Synthese, bei der während des Trainings nicht gesehene Gattereinschränkungen direkt in natürlicher Sprache spezifiziert werden können. Diese Arbeit deutet einen Weg hin zu quantenbewussten Grundlagenmodellen an, die Quantenoperationen nativ interpretieren und darüber nachdenken können – mit möglicherweise breiteren Auswirkungen, die sich über die Quantenkompilierung und die Algorithmenentdeckung erstrecken.

English

Can Large Language Models (LLMs) understand and reason about quantum operators? Despite their remarkable capabilities in mathematics and symbolic reasoning, LLMs remain inherently blind to quantum representations such as unitary matrices. In this work, we take a step toward bridging this gap by introducing an approach that maps unitary operators into the latent space of an LLM, enabling unified modeling over quantum and linguistic inputs. We instantiate this idea on Clifford+T circuit synthesis over a Pauli rotation gate set, where our model achieves results competitive with state-of-the-art methods and scales consistently with training data, with no signs of saturation. Our approach further enables language-conditioned synthesis, allowing gate constraints unseen during training to be specified directly in natural language. This work suggests a path toward quantum--aware foundation models that can natively interpret and reason about quantum operations, which could have broader implications reaching across quantum compilation and algorithm discovery.