LLM을 활용한 Qiskit 코드 마이그레이션

양자 개발 키트 (QDKs)의 급격한 진화는 코드 유지보수성을 저해하고 소프트웨어 재사용을 방해하는 특정한 형태의 기술 부채를 초래합니다. 양자 소프트웨어 공학 (QSE)이라는 전문 영역에서는 고품질 학습 데이터의 부족과 신생 프레임워크의 높은 변동성으로 인해 이러한 과제가 심화되며, 이는 종종 범용 대규모 언어 모델 (LLMs)이 신뢰할 수 없거나 환각 (hallucination)된 결과를 생성하는 원인이 됩니다. 본 논문은 Qiskit 코드를 버전 간에 자동으로 마이그레이션하기 위해 LLM을 검색 증강 생성 (RAG)과 통합하는 하이브리드 접근 방식을 제안합니다. 제안된 방법론은 모델을 안내하기 위한 구조화된 버전별 지식 소스로서, 자동으로 생성된 마이그레이션 시나리오 분류 체계 (taxonomy)를 활용함으로써 마이그레이션 제안의 정밀도와 신뢰성을 향상시킵니다. 이 접근 방식은 서로 다른 검색 체계 (제한 없음 및 제한적) 하에서 LLM (Google Gemini Flash-2.5 및 OpenAI Gpt-oss-20b)을 평가하는 자동화되고 확장 가능한 워크플로우를 통해 구현되었습니다. 결과에 따르면, 분류 체계 기반의 RAG 아키텍처는 특히 제한적 (restrictive) 체계 하에서 환각을 크게 줄이고 설명 품질을 향상시켰으며, Google Gemini Flash-2.5는 복잡한 리팩토링 (refactoring) 시나리오를 탐지하는 데 있어 우수한 성능을 보였습니다. 이러한 연구 결과는 기술적 독립성을 촉진하고, API 노후화를 완화하는 강력하고 지능적인 어시스턴트를 제공할 수 있는 데이터 중심 방법론의 잠재력을 확인시켜 줍니다. 이는 빠르게 변화하는 생태계 내에서 양자 알고리즘의 장기적인 가용성을 보장하고 양자 소프트웨어 공학 (QSE) 내의 학습 곡선을 완화합니다.