Wie GPT‑5.6 Sol Quantencomputerexperimente unterstützt

Quantencomputing ist eine aufkommende Technologie, die sich die besonderen Eigenschaften der Quantenmechanik zunutze macht, um Informationen zu verarbeiten. Damit könnten sich komplexe Materialien und Moleküle eines Tages besser simulieren lassen. Anders als herkömmliche Prozessoren bestehen Quantenprozessoren aus Quantenbits, sogenannten Qubits. Die Vorbereitung und Durchführung von Qubit-Experimenten kann Monate dauern und Hunderte bis Tausende vorbereitender Messungen erfordern. Bei dieser Arbeit kann KI künftig helfen.

Beatriz Yankelevich, Studentin in einem weiterführenden Studiengang bei der Engineering Quantum Systems Group (EQuS) des MIT, setzte GPT‑5.6 Sol über Codex ein, um zu untersuchen, ob KI ihre experimentellen Abläufe effizienter gestalten kann. Die MIT-Gruppe erforscht supraleitende Qubits, die in speziellen Geräten, sogenannten Verdünnungskryostaten, auf nahezu den absoluten Nullpunkt gekühlt werden. Diese Qubits führen Operationen schnell aus, lassen sich mit Mikrowellensignalen präzise steuern und können mit bewährten Fertigungsverfahren hergestellt und auf einem Chip angeordnet werden.

Sobald ein supraleitender Qubit-Chip gefertigt, verpackt und gekühlt ist, interagieren Forschende ausschließlich über Software mit ihm. Damit eignen sich Yankelevichs Experimente besonders gut als Testumgebung für KI-Agenten. Durch die Anbindung von Codex an die Laborsoftware, die die Experimente koordiniert, konnte Codex Messungen durchführen, die Ergebnisse analysieren und entscheiden, was als Nächstes zu versuchen war. Yankelevich stellte fest, dass GPT‑5.6 Sol routinemäßige Messabläufe häufig autonom abschließen konnte. Das sparte ihr viel Zeit und ermöglichte Experimente ohne ständige Aufsicht. So konnte sie mehr Zeit darauf verwenden, Ergebnisse zu analysieren, Experimente zu konzipieren und die nächsten Schritte ihrer Forschung zu planen.

Supraleitende Qubits werden oft als künstliche Atome bezeichnet, da sie wie Atome nur bestimmte Energieniveaus einnehmen können. Mikrowellenpulse versetzen Qubits zwischen diesen Niveaus und erfassen ihren Quantenzustand. Forschende entwickeln und kalibrieren die an den Chip gesendeten Pulssequenzen. Anschließend digitalisieren und analysieren sie die zurückkehrenden Signale. Diese Messungen zeigen die Resonanzfrequenzen der einzelnen Qubits, die eine präzise Steuerung ermöglichen, außerdem die Dauer, über die ein Qubit Quanteninformationen speichert, sowie die für Berechnungen erforderlichen Einstellungen.

Die Kalibrierung von Qubits erfordert eine Reihe voneinander abhängiger Messungen, bei denen jedes Ergebnis den nächsten Schritt beeinflusst. Die Eigenschaften von Qubits können gelegentlich abweichen, und unerwartetes physikalisches Verhalten kann zu uneinheitlichen Ergebnissen führen. Erfahrene Forschende können solche Veränderungen erkennen und sich darauf einstellen. Die Kombination aus Softwaresteuerung, wiederholten Messungen und adaptiven Entscheidungen macht die Qubit-Kalibrierung zugleich zu einem überzeugenden Anwendungsfall für KI-Agenten.

Yankelevich testete, ob GPT‑5.6 Sol Messungen an einem unkalibrierten Chip mit sechs Qubits durchführen konnte. Es handelte sich um einen Standardtyp, den EQuS regelmäßig nutzt, um den eigenen Fertigungsprozess zu bewerten. Sie stellte Codex messungsspezifische Fähigkeiten bereit, die erklärten, wie die einzelnen Experimente durchzuführen und auszuwerten waren. Anhand dieser Fähigkeiten und der Entwurfsvorgaben des Chips wählte GPT‑5.6 Sol Messparameter aus, bediente die Hardware und analysierte die gewonnenen Daten. Anschließend verfeinerte das Modell entweder die Messung oder speicherte das Ergebnis für die nächste Messung.

Bei eindeutigen Signalen absolvierte Codex eine Standardabfolge von Messungen mit nur geringen Eingriffen durch Forschende. Codex ermittelte die Übergangsfrequenzen des Qubits, kalibrierte die Pulse zu dessen Steuerung und Auslesung und bestimmte, wie lange das Qubit Quanteninformationen speicherte.

Bei schwachen oder verrauschten experimentellen Signalen hatte GPT‑5.6 Sol größere Schwierigkeiten. In diesen Fällen dauerte es länger, geeignete Messparameter zu finden, und bisweilen war die Anleitung durch eine erfahrene Forschungsperson erforderlich. Die Ergebnisse deuten darauf hin, dass heutige Agenten klar definierte experimentelle Abläufe bewältigen können. Die Interpretation uneindeutiger physikalischer Ergebnisse bleibt jedoch eine Herausforderung.

EQuS fertigt viele dieser Standardchips. Die Charakterisierung jedes einzelnen Chips kann eine Forschungsperson mehrere Tage beschäftigen. Die Gruppe setzt inzwischen regelmäßig Agenten für Routinemessungen ein, sodass sich die Forschenden auf andere Aufgaben konzentrieren können.

„Ich kann Agenten über Nacht oder während meiner Arbeit im Reinraum viele Stunden lang Messungen durchführen lassen“, sagte Yankelevich. „Ich kann über mein Smartphone nachsehen, was die Agenten erledigt haben, und sie neu ausrichten, wenn etwas korrigiert werden muss oder ich eine andere Richtung verfolgen möchte.“

Der unmittelbare Vorteil besteht darin, dass Codex-Agenten Forschenden helfen können, experimentelle Analysen und Messungen ohne ständige Aufsicht kontinuierlich voranzutreiben. Erfahrene Forschende können die besten Kalibrierungseinstellungen möglicherweise weiterhin schneller ermitteln als heutige KI-Modelle. Da sie nicht mehr jeden Schritt des Kalibrierungsprozesses überwachen müssen, sparen Forschende jedoch Zeit und können sich auf andere Aufgaben konzentrieren.

Die routinemäßige Charakterisierung von Chips folgt einem relativ klar definierten Ablauf. Bei neuartigen Experimenten gibt Yankelevich Codex-Agenten engere experimentelle Ziele vor und nutzt verstärkt ihre Fähigkeit, neuen Code für Steuerung, Analyse und Simulation zu schreiben, anzupassen und zu testen. Durch die direkte Anbindung der Agenten an das Labor kann die Gruppe Code überarbeiten, ihn anhand realer Messungen testen und längere Arbeitsabschnitte autonom abschließen.

„Ich habe eine Infrastruktur aufgebaut, die Agenten durch mehrere Bereiche meiner Arbeit führt, darunter Messungen, Theorie und Chipdesign. Jetzt zahlt sich das wirklich aus“, sagte Yankelevich. „Ich kann mehrere Agenten gleichzeitig an verschiedenen Problemen arbeiten lassen und verbringe den Großteil meiner Zeit mit übergeordneten Aufgaben: Ergebnisse interpretieren, Experimente konzipieren, die nächsten Schritte für die Agenten planen, lesen und schreiben.“