量子科技中心_量科网

量子软件缺陷往往产生静默的错误输出而非显式报错，这使得传统技术难以检测和修复。尽管大语言模型在经典软件工程任务中表现优异，但其调试量子代码的能力仍鲜有探索。为弥补这一空白，该团队提出QBugLM——一个多智能体框架，可自动化量子软件调试流程：从基于分类学的缺陷注入，到基于LLM的检测与修复，最终到基于仿真的验证，适用于框架无关的OpenQASM 3.0程序。该研究进一步利用QBugLM开展了全面案例研究，以Claude 4.6 Sonnet和Qwen3 Coder Next两个大语言模型为基准，对比不同提示策略、缺陷类别及量子程序的表现。结果表明，迭代反馈至关重要：单次重试即可将Pass@1从低于25%提升至高于80%。此外，在固定资源约束下，对于具备推理能力的模型，更简单的结构化提示甚至能超越思维链和ReAct策略。该工作为基准测试大语言模型调试量子程序的能力迈出了初步步伐，并为未来自动化量子软件修复的研究提供了实用见解。