چگونه GPT‑5.6 Sol به اجرای آزمایش‌های رایانش کوانتومی کمک می‌کند

رایانش کوانتومی فناوری نوظهوری است که برای پردازش اطلاعات از ویژگی‌های منحصربه‌فرد مکانیک کوانتومی استفاده می‌کند. این فناوری ممکن است روزی بتواند مواد و مولکول‌های پیچیده را بهتر شبیه‌سازی کند. برخلاف پردازنده‌های متداول، پردازنده‌های کوانتومی با بیت‌های کوانتومی یا کیوبیت‌ها ساخته می‌شوند. آماده‌سازی و اجرای آزمایش‌های کیوبیتی ممکن است ماه‌ها طول بکشد و به صدها تا هزاران اندازه‌گیری مقدماتی نیاز داشته باشد؛ کاری که هوش مصنوعی آماده است در انجام آن کمک کند.

بئاتریز یانکلویچ، دانشجوی تحصیلات تکمیلی گروه سامانه‌های کوانتومی مهندسی MIT ‏(EQuS)، از GPT‑5.6 Sol متصل به Codex استفاده کرد تا ببیند آیا هوش مصنوعی می‌تواند روند کار آزمایشی او را ساده‌تر کند. این گروه در MIT کیوبیت‌های ابررسانا را بررسی می‌کند که درون دستگاه‌های ویژه‌ای به نام یخچال رقیق‌سازی تا نزدیکی صفر مطلق سرد می‌شوند. این کیوبیت‌ها عملیات را سریع انجام می‌دهند، با سیگنال‌های ریزموج به‌دقت کنترل می‌شوند و می‌توان آن‌ها را با روش‌های رایج ساخت، تولید و روی یک تراشه چیدمان کرد.

پس از ساخت، بسته‌بندی و سرد کردن تراشه کیوبیت ابررسانا، پژوهشگران کاملاً از طریق نرم‌افزار با آن کار می‌کنند؛ ازاین‌رو آزمایش‌های یانکلویچ بستر آزمایشی مناسبی برای عامل‌های هوش مصنوعی است. اتصال Codex به نرم‌افزار آزمایشگاه که آزمایش‌ها را هماهنگ می‌کند، به آن امکان داد اندازه‌گیری‌ها را اجرا و نتایج را تحلیل کند و درباره گام بعدی تصمیم بگیرد. یانکلویچ دریافت که GPT‑5.6 Sol اغلب می‌تواند روندهای معمول اندازه‌گیری را به‌طور خودکار تکمیل کند؛ درنتیجه زمان زیادی برای او ذخیره می‌شود و آزمایش‌ها بدون نظارت مداوم ادامه می‌یابند. به‌این‌ترتیب، او زمان بیشتری برای تحلیل نتایج، طراحی آزمایش‌ها و برنامه‌ریزی گام‌های بعدی پژوهش خود پیدا کرد.

کیوبیت‌های ابررسانا را اغلب اتم‌های مصنوعی می‌نامند، زیرا مانند اتم‌ها فقط می‌توانند در ترازهای انرژی مشخصی قرار بگیرند. پالس‌های ریزموج، کیوبیت‌ها را میان این ترازها جابه‌جا و حالت کوانتومی آن‌ها را بررسی می‌کنند. پژوهشگران توالی پالس‌های ارسالی به تراشه را طراحی و کالیبره می‌کنند و سپس سیگنال‌های بازگشتی را به داده دیجیتال تبدیل و تحلیل می‌کنند. این اندازه‌گیری‌ها فرکانس‌های تشدید هر کیوبیت، مدت حفظ اطلاعات کوانتومی در آن و تنظیمات لازم برای انجام محاسبات را مشخص می‌کنند؛ فرکانس‌های تشدید نیز امکان کنترل دقیق کیوبیت را به پژوهشگران می‌دهند.

کالیبراسیون کیوبیت‌ها به مجموعه‌ای از اندازه‌گیری‌های وابسته به یکدیگر نیاز دارد که نتیجه هرکدام، گام بعدی را تعیین می‌کند. ویژگی‌های کیوبیت ممکن است گاهی تغییر تدریجی کنند و رفتار فیزیکی پیش‌بینی‌نشده می‌تواند به نتایج ناسازگار بینجامد. پژوهشگران باتجربه می‌توانند این تغییرات را تشخیص دهند و خود را با آن‌ها سازگار کنند. ترکیب کنترل نرم‌افزاری، اندازه‌گیری‌های تکراری و تصمیم‌گیری تطبیقی، کالیبراسیون کیوبیت را به کاربردی جذاب برای عامل‌های هوش مصنوعی تبدیل می‌کند.

یانکلویچ توانایی GPT‑5.6 Sol را برای اجرای اندازه‌گیری‌ها روی تراشه‌ای کالیبره‌نشده با شش کیوبیت آزمود؛ تراشه‌ای از نوع استاندارد که EQuS مرتباً برای ارزیابی فرایند ساخت خود از آن استفاده می‌کند. او قابلیت‌های ویژه هر اندازه‌گیری را در اختیار Codex گذاشت که نحوه اجرا و ارزیابی هر آزمایش را توضیح می‌دادند. GPT‑5.6 Sol با استفاده از این قابلیت‌ها و اهداف طراحی تراشه، پارامترهای اندازه‌گیری را انتخاب کرد، سخت‌افزار را به کار انداخت، داده‌های حاصل را تحلیل کرد و سپس اندازه‌گیری را بهبود داد یا نتیجه را برای استفاده در اندازه‌گیری بعدی ذخیره کرد.

وقتی سیگنال‌ها واضح بودند، Codex یک توالی استاندارد از اندازه‌گیری‌ها را با دخالت اندک پژوهشگر تکمیل کرد. این سامانه فرکانس‌های گذار کیوبیت را شناسایی کرد، پالس‌های کنترل و بازخوانی آن را کالیبره کرد و مدت حفظ اطلاعات کوانتومی در کیوبیت را تعیین کرد.

GPT‑5.6 Sol در مواردی که سیگنال‌های آزمایشی ضعیف یا نویزی بودند، با دشواری بیشتری روبه‌رو شد. در این موارد، یافتن پارامترهای مناسب اندازه‌گیری بیشتر طول می‌کشید و گاهی به راهنمایی یک پژوهشگر باتجربه نیاز داشت. نتایج نشان می‌دهند عامل‌های کنونی از عهده روندهای آزمایشی با تعریف روشن برمی‌آیند، اما تفسیر نتایج فیزیکی مبهم همچنان دشوار است.

EQuS تعداد زیادی از این تراشه‌های استاندارد را می‌سازد و مشخصه‌یابی هرکدام ممکن است چند روز از وقت یک پژوهشگر را بگیرد. این گروه اکنون مرتباً انجام اندازه‌گیری‌های معمول را به عامل‌ها می‌سپارد تا پژوهشگران بتوانند بر کارهای دیگر تمرکز کنند.

یانکلویچ گفت: «می‌توانم عامل‌ها را وادارم شب تا صبح یا زمانی که در اتاق تمیز کار می‌کنم، ساعت‌ها اندازه‌گیری انجام دهند.» «می‌توانم با تلفنم وضعیت را بررسی کنم، ببینم چه کرده‌اند و اگر چیزی نیاز به اصلاح داشت یا می‌خواستم مسیر دیگری را بررسی کنم، آن‌ها را هدایت کنم.»

مزیت فوری این است که عامل‌های Codex می‌توانند بدون نظارت مداوم، به پژوهشگران کمک کنند تا تحلیل‌ها و اندازه‌گیری‌های آزمایشی را پیوسته پیش ببرند. پژوهشگران باتجربه شاید همچنان بتوانند بهترین تنظیمات کالیبراسیون را سریع‌تر از مدل‌های هوش مصنوعی کنونی پیدا کنند. اما با حذف زمانی که پیش‌تر صرف نظارت بر تک‌تک مراحل کالیبراسیون می‌شد، پژوهشگران می‌توانند بر کارهای دیگر تمرکز کنند.

مشخصه‌یابی معمول تراشه از روند کاری نسبتاً مشخصی پیروی می‌کند. یانکلویچ برای آزمایش‌های جدید، اهداف آزمایشی محدودتری به عامل‌های Codex می‌دهد و بیشتر از توانایی آن‌ها در نوشتن، اصلاح و آزمایش کدهای تازه برای کنترل، تحلیل و شبیه‌سازی بهره می‌گیرد. اتصال مستقیم عامل‌ها به آزمایشگاه به گروه امکان می‌دهد کد را اصلاح کند، آن را با اندازه‌گیری‌های واقعی بیازماید و بخش‌های طولانی‌تری از کار را به‌طور خودکار به پایان برساند.

یانکلویچ گفت: «زیرساختی ساخته‌ام که عامل‌ها را در چند بخش از کارم—اندازه‌گیری، نظریه و طراحی تراشه—راهنمایی می‌کند و حالا واقعاً دارد نتیجه می‌دهد.» «می‌توانم چند عامل را هم‌زمان روی مسائل مختلف به کار بگیرم و بیشتر وقتم را صرف کارهای سطح بالاتر کنم—تفسیر نتایج، طراحی آزمایش‌ها، برنامه‌ریزی گام‌های بعدی عامل‌ها، مطالعه و نوشتن.»