Cet article propose Agent-Q, un système qui génère et optimise automatiquement des circuits quantiques à l'aide d'un modèle de langage à grande échelle (LLM). Pour remédier au manque de connaissances des LLM pré-entraînés existants en matière de circuits quantiques, nous proposons une méthode d'optimisation fine des LLM en intégrant des connaissances spécifiques au domaine de l'informatique quantique. Agent-Q construit un pipeline de bout en bout qui génère des jeux de données d'apprentissage et ajuste les LLM pré-entraînés afin de générer des circuits quantiques paramétrés pour divers problèmes d'optimisation. À partir d'un jeu de données de 14 000 circuits quantiques, dont 12 instances de problèmes d'optimisation et leurs circuits QAOA, VQE et VQE adaptatifs optimisés correspondants, nous générons des circuits quantiques paramétrés syntaxiquement précis grâce à OpenQASM 3.0. Les résultats expérimentaux démontrent qu'Agent-Q surpasse les LLM de pointe existants et génère de meilleurs paramètres que les paramètres aléatoires. Les circuits paramétrés générés peuvent servir de modèles pour l'apprentissage automatique quantique ou de références pour les compilateurs et le matériel.
