Så hjälper GPT‑5.6 Sol till med kvantdatorsexperiment

Kvantdatorer är en framväxande teknik som använder kvantmekanikens unika egenskaper för att bearbeta information. I framtiden kan de kanske simulera komplexa material och molekyler bättre. Till skillnad från konventionella processorer är kvantprocessorer uppbyggda av kvantbitar, så kallade qubitar. Att förbereda och genomföra qubitexperiment kan ta månader och kräva hundratals eller tusentals förberedande mätningar – ett arbete som AI har goda förutsättningar att hjälpa till med.

Beatriz Yankelevich, doktorand i MIT:s forskargrupp Engineering Quantum Systems (EQuS), använde GPT‑5.6 Sol via Codex för att undersöka om AI kunde effektivisera hennes experimentella arbetsflöde. MIT-gruppen studerar supraledande qubitar som kyls till nära den absoluta nollpunkten i specialiserade enheter som kallas utspädningskylskåp. Dessa qubitar utför operationer snabbt, kan styras exakt med mikrovågssignaler och tillverkas med välkända metoder för att sedan placeras på ett chip.

När ett supraledande qubitchip har tillverkats, kapslats och kylts interagerar forskarna med det helt via programvara, vilket gör Yankelevichs experiment till en naturlig testmiljö för AI-agenter. Genom att ansluta Codex till laboratorieprogramvaran som samordnar experimenten kunde systemet utföra mätningar, analysera resultaten och avgöra vad som skulle provas härnäst. Yankelevich upptäckte att GPT‑5.6 Sol ofta kunde genomföra rutinmässiga mätflöden självständigt. Det sparade mycket tid och gjorde att experimenten kunde fortgå utan ständig tillsyn. Därmed kunde hon lägga mer tid på att analysera resultat, utforma experiment och planera forskningens nästa steg.

Supraledande qubitar kallas ofta konstgjorda atomer eftersom de, precis som atomer, bara kan befinna sig på vissa energinivåer. Mikrovågspulser flyttar qubitar mellan dessa nivåer och sonderar deras kvanttillstånd. Forskarna utformar och kalibrerar pulssekvenserna som skickas till chipet och digitaliserar och analyserar sedan de återkommande signalerna. Mätningarna visar varje qubits resonansfrekvenser, så att forskarna kan styra den exakt, hur länge den behåller kvantinformation och vilka inställningar som krävs för beräkningar.

Kalibrering av qubitar kräver en serie ömsesidigt beroende mätningar där varje resultat påverkar nästa steg. Qubitarnas egenskaper kan ibland förändras, och oväntade fysikaliska beteenden kan ge inkonsekventa resultat. Erfarna forskare kan upptäcka sådana förändringar och anpassa sig när de inträffar. Kombinationen av programvarustyrning, upprepade mätningar och adaptivt beslutsfattande gör också qubitkalibrering till ett intressant användningsområde för AI-agenter.

Yankelevich testade GPT‑5.6 Sols förmåga att utföra mätningar på ett okalibrerat chip med sex qubitar, av en standardtyp som EQuS rutinmässigt använder för att utvärdera sin tillverkningsprocess. Hon försåg Codex med mätspecifika färdigheter som förklarade hur varje experiment skulle genomföras och utvärderas. Med hjälp av dessa färdigheter och chipets konstruktionsmål valde GPT‑5.6 Sol mätparametrar, styrde maskinvaran, analyserade data och antingen finjusterade mätningen eller sparade resultatet till nästa mätning.

När signalerna var tydliga genomförde Codex en standardsekvens av mätningar med få ingripanden från forskaren. Systemet identifierade qubitens övergångsfrekvenser, kalibrerade pulserna som användes för att styra och läsa av den samt fastställde hur länge qubiten behöll kvantinformation.

GPT‑5.6 Sol hade större svårigheter när experimentsignalerna var svaga eller brusiga. I dessa fall tog det längre tid att hitta lämpliga mätparametrar, och ibland behövdes vägledning från en erfaren forskare. Resultaten tyder på att dagens agenter kan hantera tydligt definierade experimentella arbetsflöden, men att det fortfarande är svårt att tolka tvetydiga fysikaliska resultat.

EQuS tillverkar många sådana standardchip, och vart och ett kan ta flera dagar för en forskare att karakterisera. Gruppen använder nu regelbundet agenter för rutinmätningar, så att forskarna kan fokusera på annat arbete.

”Jag kan låta agenter utföra mätningar i många timmar under natten eller medan jag arbetar i renrummet”, säger Yankelevich. ”Jag kan kontrollera dem från mobilen, se vad de har gjort och styra dem om något behöver åtgärdas eller om jag vill utforska en annan inriktning.”

Den omedelbara fördelen är att Codex-agenter kan hjälpa forskare att göra stadiga framsteg med experimentell analys och mätningar utan ständig tillsyn. Erfarna forskare kan fortfarande hitta de bästa kalibreringsinställningarna snabbare än dagens AI-modeller. Men när forskarna slipper lägga tid på att övervaka varje steg i kalibreringen kan de fokusera på annat arbete.

Rutinmässig karakterisering av chip följer ett relativt väldefinierat arbetsflöde. För nya experiment ger Yankelevich Codex-agenterna snävare experimentella mål och utnyttjar i högre grad deras förmåga att skriva, ändra och testa ny kod för styrning, analys och simulering. Genom att ansluta agenterna direkt till laboratoriet kan gruppen ändra kod, testa den mot verkliga mätningar och självständigt genomföra längre arbetsmoment.

”Jag har byggt infrastruktur som vägleder agenter genom flera delar av mitt arbete – mätningar, teori och chipdesign – och nu börjar det verkligen ge resultat”, säger Yankelevich. ”Jag kan låta flera agenter arbeta med olika problem samtidigt och ägnar större delen av min tid åt arbete på en högre nivå – att tolka resultat, utforma experiment, planera agenternas nästa steg samt läsa och skriva.”