Cómo GPT‑5.6 Sol ayuda a realizar experimentos de computación cuántica

La computación cuántica es una tecnología emergente que utiliza las propiedades únicas de la mecánica cuántica para procesar información. Algún día podría mejorar la simulación de materiales y moléculas complejos. A diferencia de los procesadores convencionales, los procesadores cuánticos se construyen con bits cuánticos o cúbits. Preparar y ejecutar experimentos con cúbits puede tomar meses y requerir de cientos a miles de mediciones preliminares, una tarea en la que la IA está preparada para ayudar.

Beatriz Yankelevich, estudiante de posgrado del Grupo de Sistemas Cuánticos de Ingeniería (EQuS) del MIT, utilizó GPT‑5.6 Sol mediante Codex para explorar si la IA podía agilizar su flujo de trabajo experimental. El grupo del MIT estudia cúbits superconductores, que se enfrían hasta casi el cero absoluto dentro de dispositivos especializados llamados refrigeradores de dilución. Estos cúbits realizan operaciones con rapidez, se controlan con precisión mediante señales de microondas y pueden fabricarse con técnicas conocidas y organizarse en un chip.

Una vez que un chip de cúbits superconductores se fabrica, encapsula y enfría, los investigadores interactúan con él exclusivamente mediante software, por lo que los experimentos de Yankelevich son un entorno de prueba natural para los agentes de IA. Conectar Codex al software de laboratorio que coordina los experimentos le permitió ejecutar mediciones, analizar los resultados y decidir qué probar después. Yankelevich descubrió que GPT‑5.6 Sol a menudo podía completar de forma autónoma los flujos rutinarios de medición, lo que le ahorraba mucho tiempo y permitía realizar experimentos sin supervisión continua. Así pudo dedicar más tiempo a analizar resultados, diseñar experimentos y planificar los siguientes pasos de su investigación.

Los cúbits superconductores suelen llamarse átomos artificiales porque, al igual que los átomos, solo pueden ocupar niveles de energía específicos. Los pulsos de microondas desplazan los cúbits entre estos niveles y sondean su estado cuántico. Los investigadores diseñan y calibran las secuencias de pulsos que se envían al chip y luego digitalizan y analizan las señales de retorno. Estas mediciones revelan las frecuencias de resonancia de cada cúbit, lo que permite controlarlo con precisión; cuánto tiempo conserva la información cuántica; y los parámetros necesarios para realizar cálculos.

Calibrar cúbits requiere una serie de mediciones interdependientes, en la que cada resultado determina lo que sucede después. Las propiedades de los cúbits pueden variar ocasionalmente, y un comportamiento físico inesperado puede producir resultados inconsistentes. Los investigadores con experiencia pueden reconocer estos cambios y adaptarse cuando ocurren. Esta combinación de control mediante software, mediciones repetidas y toma de decisiones adaptativa también hace que la calibración de cúbits sea un caso de uso atractivo para los agentes de IA.

Yankelevich puso a prueba la capacidad de GPT‑5.6 Sol para realizar mediciones en un chip sin calibrar de seis cúbits, de un tipo estándar que EQuS utiliza habitualmente para evaluar su proceso de fabricación. Le proporcionó a Codex habilidades específicas de medición que explicaban cómo ejecutar y evaluar cada experimento. Con estas habilidades y los objetivos de diseño del chip, GPT‑5.6 Sol eligió los parámetros de medición, operó el hardware, analizó los datos obtenidos y luego perfeccionó la medición o guardó el resultado para usarlo en la siguiente.

Cuando las señales eran claras, Codex completaba una secuencia estándar de mediciones con poca intervención de los investigadores. Identificó las frecuencias de transición del cúbit, calibró los pulsos utilizados para controlarlo y leerlo, y determinó cuánto tiempo conservaba la información cuántica.

GPT‑5.6 Sol tuvo más dificultades cuando las señales experimentales eran débiles o tenían ruido. En esos casos, tardó más en encontrar parámetros de medición adecuados y a veces necesitó la orientación de un investigador con experiencia. Los resultados indican que los agentes actuales pueden gestionar flujos de trabajo experimentales claramente definidos, pero interpretar resultados físicos ambiguos sigue siendo un desafío.

EQuS fabrica muchos de estos chips estándar, y caracterizar cada uno puede tomarle varios días a un investigador. El grupo ahora utiliza agentes habitualmente para gestionar las mediciones rutinarias, lo que permite a los investigadores concentrarse en otras tareas.

“Puedo dejar a los agentes ejecutando mediciones durante muchas horas por la noche o mientras trabajo en la sala limpia”, dijo Yankelevich. “Puedo revisarlos desde mi teléfono, ver qué han hecho y orientarlos si hay algo que corregir o si quiero explorar otra dirección”.

La ventaja inmediata es que los agentes de Codex pueden ayudar a los investigadores a avanzar de forma constante en el análisis experimental y las mediciones sin supervisión continua. Es posible que los investigadores con experiencia aún puedan identificar los mejores parámetros de calibración más rápido que los modelos de IA actuales. Sin embargo, al ahorrar el tiempo que antes dedicaban a supervisar cada paso del proceso de calibración, los investigadores pueden concentrarse en otras tareas.

La caracterización rutinaria de chips sigue un flujo de trabajo relativamente bien definido. Para los experimentos novedosos, Yankelevich asigna a los agentes de Codex objetivos experimentales más acotados y aprovecha más su capacidad para escribir, modificar y probar código nuevo de control, análisis y simulación. Conectar los agentes directamente al laboratorio permite al grupo revisar el código, probarlo con mediciones reales y completar de forma autónoma periodos de trabajo más prolongados.

“Creé una infraestructura para guiar a los agentes por varias partes de mi trabajo —medición, teoría y diseño de chips— y ahora realmente está empezando a dar frutos”, dijo Yankelevich. “Puedo tener varios agentes trabajando en distintos problemas al mismo tiempo y dedicar la mayor parte de mi tiempo a tareas de más alto nivel: interpretar resultados, idear experimentos, planificar los siguientes pasos de los agentes, leer y escribir”.