Como o GPT‑5.6 Sol ajuda em experimentos de computação quântica

A computação quântica é uma tecnologia emergente que usa as propriedades singulares da mecânica quântica para processar informações. Um dia, ela poderá simular materiais e moléculas complexos com mais precisão. Ao contrário dos processadores convencionais, os processadores quânticos são construídos com bits quânticos, ou qubits. Preparar e executar experimentos com qubits pode levar meses e exigir de centenas a milhares de medições preliminares — um trabalho no qual a IA tem grande potencial para ajudar.

Beatriz Yankelevich, pós-graduanda do Grupo de Sistemas Quânticos de Engenharia do MIT (EQuS), usou o GPT‑5.6 Sol integrado ao Codex para investigar se a IA poderia agilizar seu fluxo de trabalho experimental. O grupo do MIT estuda qubits supercondutores, resfriados a temperaturas próximas do zero absoluto em dispositivos especializados chamados refrigeradores de diluição. Esses qubits executam operações rapidamente, são controlados com precisão por sinais de micro-ondas e podem ser produzidos com técnicas de fabricação conhecidas e organizados em um chip.

Depois que um chip de qubits supercondutores é fabricado, encapsulado e resfriado, os pesquisadores interagem com ele exclusivamente por software, o que torna os experimentos de Yankelevich um ambiente de teste natural para agentes de IA. Conectar o Codex ao software do laboratório que coordena os experimentos permitiu que ele executasse medições, analisasse os resultados e decidisse o que testar em seguida. Yankelevich constatou que o GPT‑5.6 Sol muitas vezes conseguia concluir de forma autônoma fluxos de trabalho de medição rotineiros, poupando-lhe bastante tempo e permitindo que os experimentos fossem executados sem supervisão constante. Assim, ela pôde dedicar mais tempo à análise de resultados, à elaboração de experimentos e ao planejamento das próximas etapas da pesquisa.

Os qubits supercondutores são frequentemente chamados de átomos artificiais porque, assim como os átomos, só podem ocupar níveis específicos de energia. Pulsos de micro-ondas deslocam os qubits entre esses níveis e sondam seu estado quântico. Os pesquisadores projetam e calibram as sequências de pulsos enviadas ao chip e, depois, digitalizam e analisam os sinais de retorno. Essas medições revelam as frequências de ressonância de cada qubit, permitindo controlá-lo com precisão; por quanto tempo ele retém informações quânticas; e as configurações necessárias para realizar cálculos.

A calibração de qubits exige uma série de medições interdependentes, e cada resultado determina o que acontece em seguida. As propriedades dos qubits podem variar ocasionalmente, e comportamentos físicos inesperados podem gerar resultados inconsistentes. Pesquisadores experientes conseguem reconhecer essas mudanças e se adaptar quando elas ocorrem. Essa combinação de controle por software, medições repetidas e tomada de decisões adaptativa também torna a calibração de qubits um caso de uso promissor para agentes de IA.

Yankelevich testou a capacidade do GPT‑5.6 Sol de realizar medições em um chip não calibrado de seis qubits, de um tipo padrão usado regularmente pelo EQuS para avaliar seu processo de fabricação. Ela forneceu ao Codex habilidades específicas para medições, explicando como executar e avaliar cada experimento. Com essas habilidades e as metas de projeto do chip, o GPT‑5.6 Sol escolheu os parâmetros de medição, operou o hardware, analisou os dados resultantes e então refinou a medição ou salvou o resultado para uso na medição seguinte.

Quando os sinais eram claros, o Codex concluía uma sequência padrão de medições com pouca intervenção da pesquisadora. Ele identificou as frequências de transição do qubit, calibrou os pulsos usados para controlá-lo e fazer sua leitura e determinou por quanto tempo o qubit retinha informações quânticas.

O GPT‑5.6 Sol teve mais dificuldade quando os sinais experimentais eram fracos ou ruidosos. Nesses casos, ele demorava mais para encontrar parâmetros de medição adequados e, às vezes, precisava da orientação de um pesquisador experiente. Os resultados sugerem que os agentes atuais conseguem lidar com fluxos de trabalho experimentais claramente definidos, mas interpretar resultados físicos ambíguos continua sendo um desafio.

O EQuS fabrica muitos desses chips padrão, e um pesquisador pode levar vários dias para caracterizar cada um deles. Agora, o grupo usa agentes regularmente para cuidar das medições rotineiras, liberando os pesquisadores para se concentrarem em outras atividades.

"Posso deixar agentes executando medições por muitas horas durante a noite ou enquanto trabalho na sala limpa", disse Yankelevich. "Posso acompanhar pelo celular, ver o que eles fizeram e orientá-los se algo precisar ser corrigido ou se eu quiser explorar outra direção."

A vantagem imediata é que os agentes do Codex podem ajudar os pesquisadores a avançar continuamente na análise e nas medições experimentais sem supervisão constante. Pesquisadores experientes talvez ainda consigam identificar as melhores configurações de calibração mais rápido do que os atuais modelos de IA. Mas, ao poupar o tempo antes dedicado a monitorar cada etapa do processo de calibração, os pesquisadores podem se concentrar em outras atividades.

A caracterização rotineira de chips segue um fluxo de trabalho relativamente bem definido. Em novos experimentos, Yankelevich atribui aos agentes do Codex objetivos experimentais mais específicos e aproveita melhor a capacidade deles de escrever, modificar e testar novos códigos de controle, análise e simulação. Conectar os agentes diretamente ao laboratório permite que o grupo revise o código, teste-o com medições reais e conclua de forma autônoma períodos mais longos de trabalho.

"Criei uma infraestrutura para orientar os agentes em várias partes do meu trabalho — medição, teoria e projeto de chips — e agora ela está realmente começando a dar resultado", disse Yankelevich. "Posso ter vários agentes trabalhando em problemas diferentes ao mesmo tempo e dedicar a maior parte do meu tempo a atividades de nível mais estratégico: interpretar resultados, elaborar experimentos, planejar os próximos passos dos agentes, ler e escrever."