Comment GPT‑5.6 Sol aide à mener des expériences d’informatique quantique

L’informatique quantique est une technologie émergente qui exploite les propriétés uniques de la mécanique quantique pour traiter l’information. Elle pourrait un jour mieux simuler des matériaux et des molécules complexes. Contrairement aux processeurs classiques, les processeurs quantiques sont constitués de bits quantiques, ou qubits. La préparation et l’exécution d’expériences sur des qubits peuvent prendre des mois et exiger des centaines, voire des milliers, de mesures préliminaires — un travail auquel l’IA est bien placée pour contribuer.

Beatriz Yankelevich, étudiante aux cycles supérieurs du groupe Engineering Quantum Systems (EQuS) du MIT, a utilisé GPT‑5.6 Sol, exploité par l’intermédiaire de Codex, pour déterminer si l’IA pouvait simplifier son processus expérimental. Le groupe du MIT étudie les qubits supraconducteurs, qui sont refroidis à une température proche du zéro absolu dans des appareils spécialisés appelés réfrigérateurs à dilution. Ces qubits exécutent rapidement des opérations, sont contrôlés avec précision au moyen de signaux micro-ondes et peuvent être fabriqués selon des techniques courantes, puis disposés sur une puce.

Une fois qu’une puce à qubits supraconducteurs est fabriquée, encapsulée et refroidie, les chercheurs interagissent avec elle entièrement par logiciel, ce qui fait des expériences de Yankelevich un banc d’essai naturel pour les agents d’IA. La connexion de Codex au logiciel de laboratoire qui coordonne les expériences lui a permis d’effectuer des mesures, d’analyser les résultats et de décider de la prochaine étape. Yankelevich a constaté que GPT‑5.6 Sol pouvait souvent exécuter de façon autonome des processus de mesure courants, lui faisant gagner beaucoup de temps et permettant aux expériences de se dérouler sans supervision constante. Elle a ainsi pu consacrer plus de temps à l’analyse des résultats, à la conception d’expériences et à la planification des prochaines étapes de ses recherches.

Les qubits supraconducteurs sont souvent appelés atomes artificiels parce que, comme les atomes, ils ne peuvent occuper que des niveaux d’énergie précis. Des impulsions micro-ondes font passer les qubits d’un niveau à l’autre et sondent leur état quantique. Les chercheurs conçoivent et étalonnent les séquences d’impulsions envoyées à la puce, puis numérisent et analysent les signaux de retour. Ces mesures révèlent les fréquences de résonance de chaque qubit, ce qui permet aux chercheurs de le contrôler avec précision, la durée pendant laquelle il conserve l’information quantique et les paramètres nécessaires aux calculs.

L’étalonnage des qubits nécessite une série de mesures interdépendantes, chaque résultat déterminant la suite des opérations. Les propriétés des qubits peuvent parfois dériver, et un comportement physique inattendu peut produire des résultats incohérents. Les chercheurs expérimentés peuvent reconnaître ces changements et s’y adapter lorsqu’ils surviennent. Cette combinaison de contrôle logiciel, de mesures répétées et de prise de décision adaptative fait aussi de l’étalonnage des qubits un cas d’utilisation prometteur pour les agents d’IA.

Yankelevich a testé la capacité de GPT‑5.6 Sol à effectuer des mesures sur une puce non étalonnée à six qubits, d’un type standard qu’EQuS utilise couramment pour évaluer son procédé de fabrication. Elle a fourni à Codex des compétences propres aux mesures qui expliquaient comment exécuter et évaluer chaque expérience. À l’aide de ces compétences et des objectifs de conception de la puce, GPT‑5.6 Sol a choisi les paramètres de mesure, commandé le matériel, analysé les données obtenues, puis affiné la mesure ou enregistré le résultat en vue de la mesure suivante.

Lorsque les signaux étaient clairs, Codex exécutait une séquence standard de mesures avec peu d’intervention de la part des chercheurs. Il déterminait les fréquences de transition du qubit, étalonnait les impulsions servant à le contrôler et à le lire, puis mesurait combien de temps le qubit conservait l’information quantique.

GPT‑5.6 Sol éprouvait davantage de difficulté lorsque les signaux expérimentaux étaient faibles ou bruités. Dans ces cas, il lui fallait plus de temps pour trouver des paramètres de mesure appropriés et parfois les conseils d’un chercheur expérimenté. Les résultats indiquent que les agents actuels peuvent prendre en charge des processus expérimentaux clairement définis, mais que l’interprétation de résultats physiques ambigus demeure difficile.

EQuS fabrique un grand nombre de ces puces standard, dont la caractérisation peut demander plusieurs jours à un chercheur. Le groupe utilise maintenant régulièrement des agents pour effectuer les mesures courantes, ce qui permet aux chercheurs de se concentrer sur d’autres tâches.

« Je peux laisser des agents effectuer des mesures pendant de nombreuses heures durant la nuit ou pendant que je travaille en salle blanche », a déclaré Yankelevich. « Je peux vérifier leur travail depuis mon téléphone, voir ce qu’ils ont fait et les guider si quelque chose doit être corrigé ou si je veux explorer une autre piste. »

L’avantage immédiat est que les agents Codex peuvent aider les chercheurs à progresser régulièrement dans l’analyse et les mesures expérimentales sans supervision constante. Les chercheurs expérimentés peuvent toutefois déterminer les meilleurs paramètres d’étalonnage plus rapidement que les modèles d’IA actuels. Mais en économisant le temps auparavant consacré à surveiller chaque étape du processus d’étalonnage, les chercheurs peuvent se concentrer sur d’autres tâches.

La caractérisation courante des puces suit un processus relativement bien défini. Pour les expériences inédites, Yankelevich attribue aux agents Codex des objectifs expérimentaux plus restreints, tout en misant davantage sur leur capacité à écrire, à modifier et à tester du nouveau code de contrôle, d’analyse et de simulation. La connexion directe des agents au laboratoire permet au groupe de réviser le code, de le tester avec des mesures réelles et d’accomplir de façon autonome de plus longues séquences de travail.

« J’ai créé une infrastructure pour guider les agents dans plusieurs volets de mon travail — la mesure, la théorie et la conception de puces — et cela commence vraiment à porter ses fruits », a déclaré Yankelevich. « Je peux faire travailler plusieurs agents simultanément sur différents problèmes et consacrer la majeure partie de mon temps à des tâches de plus haut niveau : interpréter les résultats, concevoir des expériences, planifier les prochaines étapes pour les agents, lire et écrire. »