Slik hjelper GPT‑5.6 Sol med å gjennomføre kvantedataeksperimenter

Kvantedatabehandling er en teknologi i utvikling som bruker kvantemekanikkens unike egenskaper til å behandle informasjon. En dag kan teknologien kanskje simulere komplekse materialer og molekyler bedre. I motsetning til konvensjonelle prosessorer er kvanteprosessorer bygget med kvantebiter, eller qubiter. Det kan ta måneder å klargjøre og gjennomføre qubit-eksperimenter, og de kan kreve hundrevis eller tusenvis av innledende målinger – arbeid som KI ligger an til å kunne hjelpe med.

Beatriz Yankelevich, masterstudent i MITs gruppe Engineering Quantum Systems (EQuS), brukte GPT‑5.6 Sol via Codex til å undersøke om KI kunne effektivisere den eksperimentelle arbeidsflyten hennes. MIT-gruppen studerer superledende qubiter, som kjøles ned til nær det absolutte nullpunktet i spesialutstyr som kalles fortynningskjøleskap. Disse qubitene utfører operasjoner raskt, kan styres presist med mikrobølgesignaler og kan fremstilles med velkjente produksjonsteknikker og plasseres på en brikke.

Når en superledende qubit-brikke er fremstilt, innkapslet og nedkjølt, samhandler forskerne med den utelukkende gjennom programvare. Dermed er Yankelevichs eksperimenter et naturlig testmiljø for KI-agenter. Ved å koble Codex til laboratorieprogramvaren som koordinerer eksperimentene, kunne systemet utføre målinger, analysere resultatene og avgjøre hva som skulle prøves videre. Yankelevich oppdaget at GPT‑5.6 Sol ofte kunne gjennomføre rutinemessige målingsforløp autonomt. Det sparte henne for mye tid og gjorde at eksperimentene kunne fortsette uten kontinuerlig tilsyn. Dermed fikk hun mer tid til å analysere resultater, utforme eksperimenter og planlegge de neste trinnene i forskningen.

Superledende qubiter kalles ofte kunstige atomer fordi de, i likhet med atomer, bare kan befinne seg på bestemte energinivåer. Mikrobølgepulser flytter qubitene mellom disse nivåene og undersøker kvantetilstanden deres. Forskerne utformer og kalibrerer pulssekvensene som sendes til brikken, og digitaliserer og analyserer deretter retursignalene. Målingene avdekker resonansfrekvensene til hver qubit, slik at forskerne kan styre den nøyaktig, hvor lenge den bevarer kvanteinformasjon, og hvilke innstillinger som trengs for å utføre beregninger.

Kalibrering av qubiter krever en rekke gjensidig avhengige målinger, der hvert resultat påvirker hva som skjer videre. Egenskapene til qubitene kan av og til endre seg over tid, og uventet fysisk atferd kan gi inkonsekvente resultater. Erfarne forskere kan gjenkjenne slike endringer og tilpasse seg når de oppstår. Denne kombinasjonen av programvarestyring, gjentatte målinger og tilpasningsdyktige beslutninger gjør også qubit-kalibrering til et velegnet bruksområde for KI-agenter.

Yankelevich testet evnen GPT‑5.6 Sol hadde til å utføre målinger på en ukalibrert brikke med seks qubiter, en standardtype som EQuS rutinemessig bruker for å evaluere fremstillingsprosessen sin. Hun ga Codex målingsspesifikke ferdigheter som forklarte hvordan hvert eksperiment skulle gjennomføres og evalueres. Ved hjelp av disse ferdighetene og brikkens designmål valgte GPT‑5.6 Sol måleparametere, betjente maskinvaren og analyserte dataene. Deretter forbedret modellen enten målingen eller lagret resultatet for bruk i neste måling.

Når signalene var tydelige, gjennomførte Codex en standard målesekvens med lite innblanding fra forskeren. Systemet identifiserte qubitens overgangsfrekvenser, kalibrerte pulsene som ble brukt til å styre og avlese den, og fastslo hvor lenge qubiten beholdt kvanteinformasjonen.

GPT‑5.6 Sol hadde større problemer når signalene fra eksperimentene var svake eller støyende. I slike tilfeller tok det lengre tid å finne egnede måleparametere, og noen ganger var det nødvendig med veiledning fra en erfaren forsker. Resultatene tyder på at dagens agenter kan håndtere klart definerte eksperimentelle arbeidsflyter, men at det fortsatt er krevende å tolke tvetydige fysiske resultater.

EQuS fremstiller mange slike standardbrikker, og det kan ta en forsker flere dager å karakterisere hver av dem. Gruppen bruker nå jevnlig agenter til rutinemålinger, slik at forskerne kan konsentrere seg om annet arbeid.

«Jeg kan la agenter utføre målinger i mange timer om natten eller mens jeg arbeider i renrommet», sa Yankelevich. «Jeg kan følge med fra telefonen, se hva de har gjort og styre dem hvis noe må rettes, eller hvis jeg vil utforske en annen retning.»

Den umiddelbare fordelen er at Codex-agenter kan hjelpe forskere med å gjøre jevn fremgang i eksperimentelle analyser og målinger uten kontinuerlig tilsyn. Erfarne forskere kan fortsatt være raskere enn dagens KI-modeller til å finne de beste kalibreringsinnstillingene. Men når forskerne slipper å bruke tid på å overvåke hvert trinn i kalibreringen, kan de konsentrere seg om andre oppgaver.

Rutinemessig karakterisering av brikker følger en forholdsvis veldefinert arbeidsflyt. I nye eksperimenter gir Yankelevich Codex-agentene snevrere eksperimentelle mål og utnytter i større grad evnen deres til å skrive, endre og teste ny kode for styring, analyse og simulering. Ved å koble agentene direkte til laboratoriet kan gruppen revidere kode, teste den mot faktiske målinger og gjennomføre lengre arbeidsøkter autonomt.

«Jeg har bygget infrastruktur som veileder agentene gjennom flere deler av arbeidet mitt – målinger, teori og brikkedesign – og nå begynner det virkelig å gi resultater», sa Yankelevich. «Jeg kan ha flere agenter som jobber med ulike problemer samtidig, mens jeg bruker mesteparten av tiden på overordnet arbeid – å tolke resultater, utforme eksperimenter, planlegge agentenes neste trinn samt lese og skrive.»