SQD-Agent: framework agentico basato su LLM per i workflow di chimica quantistica

Abstract degli autori

Gli algoritmi quantistici e l’hardware quantistico avanzano verso un paradigma promettente per le applicazioni scientifiche. Tuttavia, tradurre problemi specifici di un dominio in workflow ibridi quantistico-classici eseguibili resta un ostacolo significativo per i ricercatori che lavorano sulle applicazioni, a causa delle competenze richieste in materia di algoritmi quantistici, delle specificità della programmazione quantistica e della necessità di integrare i sistemi tenendo conto dell’hardware. Al tempo stesso, l’IA e, in particolare, gli agenti basati principalmente su LLM sono sempre più capaci di interpretare le intenzioni espresse in linguaggio naturale, ragionare su workflow complessi, tradurre obiettivi di alto livello in codice eseguibile e costruire pipeline computazionali. In questo lavoro presentiamo SQD Agent, un framework agentico basato su LLM che traduce le intenzioni degli utenti espresse in linguaggio naturale in workflow eseguibili per applicazioni di chimica quantistica che impiegano algoritmi della famiglia Sample-Based Quantum Diagonalization (SQD). Automatizzando questa traduzione, SQD Agent riduce il livello di competenze specialistiche richiesto e l’onere della configurazione, semplificando così la sperimentazione in contesti ibridi quantistico-classici per i ricercatori applicativi senza esperienza nel campo quantistico. SQD Agent adotta un’architettura modulare ed estensibile che supporta la perfetta integrazione di backend quantistici eterogenei, risolutori classici e componenti dei workflow, garantendo l’adattabilità a ecosistemi quantistici in rapida evoluzione. Il framework offre inoltre funzionalità interattive per il profiling su richiesta, l’analisi dei colli di bottiglia, l’ottimizzazione delle risorse, il caching intelligente dei risultati e la visualizzazione della convergenza. Tra le funzionalità principali figurano gli esperimenti di chimica quantistica, la mitigazione degli errori su hardware quantistico reale e l’analisi di schemi di mitigazione candidati in termini del loro potenziale comportamento nel recupero degli errori e del budget computazionale, così da aiutare gli utenti a comprenderne i compromessi pratici e a decidere quali strategie esplorare negli esperimenti successivi.