Este artículo propone Agent-Q, un sistema que genera y optimiza automáticamente circuitos cuánticos mediante un modelo de lenguaje a gran escala (LLM). Para abordar el problema de la falta de conocimiento sobre circuitos cuánticos en los LLM preentrenados existentes, proponemos un método para perfeccionar los LLM incorporando conocimientos específicos del dominio de la computación cuántica. Agent-Q construye una secuencia de comandos integral que genera conjuntos de datos de entrenamiento y perfecciona los LLM preentrenados para generar circuitos cuánticos parametrizados para diversos problemas de optimización. Utilizando un conjunto de datos de 14 000 circuitos cuánticos, incluyendo 12 instancias de problemas de optimización y sus correspondientes circuitos QAOA, VQE y VQE adaptativos optimizados, generamos circuitos cuánticos parametrizados sintácticamente precisos mediante OpenQASM 3.0. Los resultados experimentales demuestran que Agent-Q supera a los LLM de última generación existentes y genera parámetros más precisos que los aleatorios. Los circuitos parametrizados generados pueden servir como plantillas para el aprendizaje automático cuántico o como referencias para compiladores y hardware.
