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 permettre de mieux simuler des matériaux et molécules complexes. Contrairement aux processeurs conventionnels, les processeurs quantiques reposent sur des bits quantiques, ou qubits. La préparation et l’exécution d’expériences sur des qubits peuvent prendre des mois et nécessiter des centaines, voire des milliers de mesures préliminaires, un travail auquel l’IA est bien placée pour contribuer.

Beatriz Yankelevich, doctorante au sein du groupe Engineering Quantum Systems (EQuS) du MIT, a utilisé GPT‑5.6 Sol via Codex pour déterminer si l’IA pouvait rationaliser 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 effectuent rapidement des opérations, sont contrôlés avec précision par des signaux micro-ondes et peuvent être fabriqués à l’aide de techniques courantes, puis agencés sur une puce.

Une fois une puce à qubits supraconducteurs 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 l’étape suivante. Yankelevich a constaté que GPT‑5.6 Sol pouvait souvent exécuter de manière autonome des processus de mesure courants, lui faisant gagner beaucoup de temps et permettant aux expériences de se poursuivre sans supervision constante. Elle a ainsi pu consacrer davantage de temps à l’analyse des résultats, à la conception des expériences et à la planification des prochaines étapes de ses recherches.

Les qubits supraconducteurs sont souvent appelés atomes artificiels car, 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 renvoyés. Ces mesures révèlent les fréquences de résonance de chaque qubit, ce qui permet 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 savent 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 également de l’étalonnage des qubits un cas d’usage convaincant 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 régulièrement pour évaluer son processus de fabrication. Elle a fourni à Codex des compétences propres aux mesures, expliquant comment réaliser et évaluer chaque expérience. À partir de ces compétences et des objectifs de conception de la puce, GPT‑5.6 Sol a choisi les paramètres de mesure, piloté le matériel, analysé les données obtenues, puis affiné la mesure ou enregistré le résultat pour 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 a déterminé les fréquences de transition du qubit, étalonné les impulsions servant à le contrôler et à le lire, puis mesuré combien de temps il conservait l’information quantique.

GPT‑5.6 Sol rencontrait davantage de difficultés lorsque les signaux expérimentaux étaient faibles ou bruités. Dans ces cas, il lui fallait plus de temps pour trouver des paramètres de mesure adaptés et parfois l’aide d’un chercheur expérimenté. Les résultats suggèrent que les agents actuels peuvent gérer des processus expérimentaux clairement définis, mais que l’interprétation de résultats physiques ambigus reste difficile.

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

« Je peux laisser des agents effectuer des mesures pendant de nombreuses heures la nuit ou lorsque je travaille en salle blanche », explique Yankelevich. « Je peux vérifier depuis mon téléphone ce qu’ils ont fait et les réorienter si quelque chose doit être corrigé ou si je souhaite explorer une autre piste. »

L’avantage immédiat est que les agents Codex peuvent aider les chercheurs à progresser régulièrement dans l’analyse expérimentale et les mesures sans supervision constante. Les chercheurs expérimentés peuvent encore 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, ils peuvent se concentrer sur d’autres tâches.

La caractérisation courante des puces suit un processus relativement bien défini. Pour les expériences inédites, Yankelevich confie aux agents Codex des objectifs expérimentaux plus restreints, tout en s’appuyant davantage sur leur capacité à écrire, modifier et 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 sur des mesures réelles et d’effectuer de manière autonome de plus longues séquences de travail.

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