Alignement des opérateurs quantiques avec les grands modèles de langage

Résumé

Les grands modèles de langage (LLM) peuvent-ils comprendre et raisonner sur les opérateurs quantiques ? Malgré leurs capacités remarquables en mathématiques et en raisonnement symbolique, les LLM restent intrinsèquement aveugles aux représentations quantiques telles que les matrices unitaires. Dans ce travail, nous faisons un pas vers la réduction de cet écart en introduisant une approche qui projette les opérateurs unitaires dans l'espace latent d'un LLM, permettant une modélisation unifiée des entrées quantiques et linguistiques. Nous instancions cette idée sur la synthèse de circuits Clifford+T avec un ensemble de portes de rotation de Pauli, où notre modèle obtient des résultats compétitifs avec les méthodes de pointe et évolue de manière cohérente avec les données d'entraînement, sans signe de saturation. Notre approche permet en outre une synthèse conditionnée par le langage, permettant de spécifier en langage naturel des contraintes de portes non rencontrées lors de l'entraînement. Ce travail suggère une voie vers des modèles fondamentaux conscients du quantique, capables d'interpréter et de raisonner de manière native sur les opérations quantiques, ce qui pourrait avoir des implications plus larges dans les domaines de la compilation quantique et de la découverte d'algorithmes.

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.