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 simular mejor 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 llevar meses y exigir entre cientos y miles de mediciones preliminares, una tarea en la que la IA puede resultar útil.

Beatriz Yankelevich, estudiante de posgrado del Grupo de Sistemas Cuánticos de Ingeniería (EQuS) del MIT, utilizó GPT‑5.6 Sol integrado con Codex para investigar 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 denominados refrigeradores de dilución. Estos cúbits realizan operaciones con rapidez, se controlan con precisión mediante señales de microondas y pueden fabricarse con técnicas conocidas y disponerse en un chip.

Una vez fabricado, encapsulado y enfriado un chip de cúbits superconductores, los investigadores interactúan con él exclusivamente mediante software, por lo que los experimentos de Yankelevich constituyen un entorno de pruebas idóneo para los agentes de IA. Al conectar Codex al software de laboratorio que coordina los experimentos, pudo ejecutar mediciones, analizar los resultados y decidir qué probar a continuación. Yankelevich comprobó que GPT‑5.6 Sol podía completar a menudo flujos rutinarios de medición de forma autónoma, lo que le ahorraba mucho tiempo y permitía ejecutar 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 denominarse 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, después, 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 ajustes necesarios para efectuar cálculos.

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

Yankelevich probó la capacidad de GPT‑5.6 Sol para ejecutar mediciones en un chip sin calibrar de seis cúbits, de un tipo estándar que EQuS utiliza habitualmente para evaluar su proceso de fabricación. 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, manejó el hardware, analizó los datos obtenidos y, después, perfeccionó la medición o guardó el resultado para utilizarlo en la siguiente.

Cuando las señales eran claras, Codex completaba una secuencia estándar de mediciones con poca intervención de la investigadora. 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 ruidosas. En esos casos, tardaba más en encontrar parámetros de medición adecuados y, en ocasiones, necesitaba la orientación de una investigadora 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 reto.

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

«Puedo dejar a los agentes ejecutando mediciones durante muchas horas por la noche o mientras trabajo en la sala blanca», afirmó Yankelevich. «Puedo consultar desde el móvil lo que han hecho y orientarlos si hay algo que corregir o si quiero explorar una dirección distinta».

La ventaja inmediata es que los agentes de Codex pueden ayudar a los investigadores a avanzar de forma constante en el análisis y las mediciones experimentales sin supervisión continua. Es posible que los investigadores con experiencia aún puedan identificar los mejores ajustes 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, pueden centrarse en otras tareas.

La caracterización rutinaria de chips sigue un flujo de trabajo relativamente bien definido. Para experimentos novedosos, Yankelevich asigna a los agentes de Codex objetivos experimentales más acotados y aprovecha en mayor medida 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 largos.

«He creado una infraestructura para guiar a los agentes por varias áreas de mi trabajo —medición, teoría y diseño de chips— y ahora está empezando a dar sus frutos», afirmó Yankelevich. «Puedo tener varios agentes trabajando a la vez en problemas distintos y dedicar la mayor parte de mi tiempo a tareas de mayor nivel: interpretar resultados, idear experimentos, planificar los próximos pasos de los agentes, leer y escribir».