Sådan hjælper GPT‑5.6 Sol med at udføre kvantecomputereksperimenter

Kvantecomputing er en ny teknologi, der anvender kvantemekanikkens unikke egenskaber til at behandle information. En dag kan teknologien muligvis simulere komplekse materialer og molekyler bedre. I modsætning til konventionelle processorer er kvanteprocessorer bygget med kvantebits, også kaldet qubits. Det kan tage måneder at forberede og udføre qubit-eksperimenter, og de kan kræve fra flere hundrede til flere tusinde indledende målinger – en opgave, som AI kan hjælpe med.

Beatriz Yankelevich, ph.d.-studerende i MIT's Engineering Quantum Systems Group (EQuS), brugte GPT‑5.6 Sol via Codex til at undersøge, om AI kunne effektivisere hendes eksperimentelle arbejdsgang. MIT-gruppen forsker i superledende qubits, som nedkøles til nær det absolutte nulpunkt i specialiserede enheder kaldet fortyndingskøleskabe. Disse qubits udfører operationer hurtigt, styres præcist med mikrobølgesignaler og kan fremstilles med velkendte produktionsteknikker og placeres på en chip.

Når en superledende qubit-chip er fremstillet, indkapslet og nedkølet, interagerer forskerne udelukkende med den via software. Det gør Yankelevichs eksperimenter til et oplagt testmiljø for AI-agenter. Da Codex blev forbundet med laboratoriesoftwaren, som koordinerer eksperimenterne, kunne systemet udføre målinger, analysere resultaterne og beslutte, hvad der skulle afprøves som det næste. Yankelevich konstaterede, at GPT‑5.6 Sol ofte kunne gennemføre rutinemæssige måleforløb autonomt. Det sparede hende meget tid og gjorde det muligt at køre eksperimenter uden konstant opsyn. Dermed fik hun mere tid til at analysere resultater, designe eksperimenter og planlægge de næste trin i sin forskning.

Superledende qubits kaldes ofte kunstige atomer, fordi de ligesom atomer kun kan befinde sig på bestemte energiniveauer. Mikrobølgeimpulser flytter qubits mellem disse niveauer og undersøger deres kvantetilstand. Forskerne designer og kalibrerer de impulssekvenser, der sendes til chippen, og digitaliserer og analyserer derefter de signaler, der vender tilbage. Målingerne afslører den enkelte qubits resonansfrekvenser, så forskerne kan styre den præcist, hvor længe den bevarer kvanteinformation, og hvilke indstillinger der kræves for at udføre beregninger.

Kalibrering af qubits kræver en række indbyrdes afhængige målinger, hvor hvert resultat afgør, hvad der skal ske som det næste. Qubittens egenskaber kan indimellem ændre sig, og uventet fysisk adfærd kan give uensartede resultater. Erfarne forskere kan genkende disse ændringer og tilpasse sig, når de opstår. Kombinationen af softwarestyring, gentagne målinger og adaptiv beslutningstagning gør også kalibrering af qubits til et oplagt anvendelsesområde for AI-agenter.

Yankelevich afprøvede GPT‑5.6 Sols evne til at udføre målinger på en ukalibreret chip med seks qubits. Chippen var af en standardtype, som EQuS rutinemæssigt bruger til at evaluere sin fremstillingsproces. Hun forsynede Codex med målespecifikke færdigheder, der forklarede, hvordan hvert eksperiment skulle udføres og evalueres. Ved hjælp af disse færdigheder og chippens designmål valgte GPT‑5.6 Sol måleparametre, betjente hardwaren og analyserede de resulterende data. Derefter forbedrede systemet enten målingen eller gemte resultatet til den næste måling.

Når signalerne var tydelige, gennemførte Codex en standardsekvens af målinger med minimal indgriben fra forskeren. Systemet identificerede qubittens overgangsfrekvenser, kalibrerede de impulser, der blev brugt til at styre og aflæse den, og fastslog, hvor længe qubitten bevarede kvanteinformation.

GPT‑5.6 Sol havde større problemer, når de eksperimentelle signaler var svage eller støjfyldte. I disse tilfælde tog det længere tid at finde egnede måleparametre, og systemet havde undertiden brug for vejledning fra en erfaren forsker. Resultaterne tyder på, at nutidens agenter kan håndtere klart definerede eksperimentelle arbejdsgange, men at fortolkningen af tvetydige fysiske resultater fortsat er en udfordring.

EQuS fremstiller mange af disse standardchips, og det kan tage en forsker flere dage at karakterisere hver enkelt. Gruppen bruger nu regelmæssigt agenter til at håndtere rutinemålinger, så forskerne kan fokusere på andre opgaver.

»Jeg kan lade agenter udføre målinger i mange timer natten over, eller mens jeg arbejder i renrummet,« sagde Yankelevich. »Jeg kan følge med fra min telefon, se, hvad de har lavet, og styre dem, hvis noget skal rettes, eller hvis jeg vil udforske en anden retning.«

Den umiddelbare fordel er, at Codex-agenter kan hjælpe forskere med at gøre løbende fremskridt med eksperimentelle analyser og målinger uden konstant opsyn. Erfarne forskere kan muligvis stadig finde de bedste kalibreringsindstillinger hurtigere end de nuværende AI-modeller. Men når forskerne sparer den tid, de tidligere brugte på at overvåge hvert trin i kalibreringsprocessen, kan de fokusere på andre opgaver.

Rutinemæssig karakterisering af chips følger en forholdsvis veldefineret arbejdsgang. Ved nye eksperimenter giver Yankelevich Codex-agenterne mere afgrænsede eksperimentelle mål og udnytter i højere grad deres evne til at skrive, ændre og teste ny kode til styring, analyse og simulering. Ved at forbinde agenterne direkte med laboratoriet kan gruppen revidere kode, teste den med virkelige målinger og autonomt gennemføre længere arbejdsforløb.

»Jeg har opbygget en infrastruktur, der kan lede agenter gennem flere dele af mit arbejde – målinger, teori og chipdesign – og nu begynder det virkelig at give resultater,« sagde Yankelevich. »Jeg kan have flere agenter til at arbejde på forskellige problemer samtidig, og jeg bruger det meste af min tid på arbejde på et højere niveau – at fortolke resultater, udtænke eksperimenter, planlægge agenternes næste skridt samt læse og skrive.«