GPT‑5.6 Sol ช่วยทำการทดลองคอมพิวเตอร์ควอนตัมอย่างไร

คอมพิวเตอร์ควอนตัมเป็นเทคโนโลยีเกิดใหม่ที่ใช้คุณสมบัติเฉพาะของกลศาสตร์ควอนตัมเพื่อประมวลผลข้อมูล วันหนึ่งเทคโนโลยีนี้อาจจำลองวัสดุและโมเลกุลที่ซับซ้อนได้ดียิ่งขึ้น โปรเซสเซอร์ควอนตัมต่างจากโปรเซสเซอร์ทั่วไปตรงที่สร้างขึ้นจากบิตควอนตัมหรือคิวบิต การเตรียมและดำเนินการทดลองกับคิวบิตอาจใช้เวลาหลายเดือนและต้องวัดข้อมูลเบื้องต้นตั้งแต่หลักร้อยถึงหลักพันครั้ง ซึ่งเป็นงานที่ AI พร้อมเข้ามาช่วย

Beatriz Yankelevich นักศึกษาระดับบัณฑิตศึกษาจากกลุ่ม Engineering Quantum Systems (EQuS) ของ MIT ใช้ GPT‑5.6 Sol ที่ทำงานผ่าน Codex เพื่อสำรวจว่า AI จะช่วยให้กระบวนการทดลองของเธอคล่องตัวขึ้นได้หรือไม่ กลุ่มวิจัยของ MIT ศึกษาคิวบิตตัวนำยิ่งยวด ซึ่งถูกทำให้เย็นจนมีอุณหภูมิใกล้ศูนย์สัมบูรณ์ภายในอุปกรณ์เฉพาะทางที่เรียกว่าตู้เย็นเจือจาง คิวบิตเหล่านี้ทำงานได้รวดเร็ว ควบคุมอย่างแม่นยำด้วยสัญญาณไมโครเวฟ อีกทั้งผลิตด้วยเทคนิคที่ใช้กันแพร่หลายและจัดเรียงบนชิปได้

เมื่อชิปคิวบิตตัวนำยิ่งยวดผ่านการผลิต บรรจุในแพ็กเกจ และทำให้เย็นแล้ว นักวิจัยจะโต้ตอบกับชิปผ่านซอฟต์แวร์เท่านั้น การทดลองของ Yankelevich จึงเป็นสนามทดสอบที่เหมาะกับเอเจนต์ AI โดยธรรมชาติ การเชื่อมต่อ Codex เข้ากับซอฟต์แวร์ห้องปฏิบัติการที่ประสานงานการทดลอง ทำให้ Codex ดำเนินการวัด วิเคราะห์ผล และตัดสินใจได้ว่าควรลองทำสิ่งใดต่อไป Yankelevich พบว่า GPT‑5.6 Sol มักดำเนินขั้นตอนการวัดตามปกติได้จนเสร็จโดยอัตโนมัติ ช่วยประหยัดเวลาให้เธอได้มากและทำให้การทดลองดำเนินต่อไปได้โดยไม่ต้องคอยกำกับตลอดเวลา เธอจึงมีเวลามากขึ้นในการวิเคราะห์ผล ออกแบบการทดลอง และวางแผนขั้นตอนต่อไปของงานวิจัย

คิวบิตตัวนำยิ่งยวดมักถูกเรียกว่าอะตอมประดิษฐ์ เพราะคิวบิตสามารถอยู่ได้เฉพาะในระดับพลังงานที่กำหนด เช่นเดียวกับอะตอม พัลส์ไมโครเวฟใช้ย้ายคิวบิตไปมาระหว่างระดับพลังงานเหล่านี้และตรวจสอบสถานะควอนตัมของคิวบิต นักวิจัยออกแบบและปรับเทียบลำดับพัลส์ที่ส่งไปยังชิป จากนั้นจึงแปลงสัญญาณที่ส่งกลับมาเป็นข้อมูลดิจิทัลและวิเคราะห์ การวัดเหล่านี้เผยให้เห็นความถี่เรโซแนนซ์ของคิวบิตแต่ละตัว ซึ่งช่วยให้นักวิจัยควบคุมคิวบิตได้อย่างแม่นยำ ระยะเวลาที่คิวบิตเก็บรักษาข้อมูลควอนตัมได้ และค่าที่จำเป็นต่อการคำนวณ

การปรับเทียบคิวบิตต้องอาศัยการวัดหลายรายการที่พึ่งพากัน โดยผลลัพธ์แต่ละรายการจะกำหนดสิ่งที่ต้องทำต่อไป บางครั้งคุณสมบัติของคิวบิตอาจค่อย ๆ เปลี่ยนไป และพฤติกรรมทางกายภาพที่ไม่คาดคิดอาจทำให้ผลลัพธ์ไม่สม่ำเสมอ นักวิจัยที่มีประสบการณ์สามารถสังเกตเห็นความเปลี่ยนแปลงเหล่านี้และปรับตัวเมื่อเกิดขึ้นได้ การผสานการควบคุมด้วยซอฟต์แวร์ การวัดซ้ำ และการตัดสินใจที่ปรับเปลี่ยนตามสถานการณ์ ยังทำให้การปรับเทียบคิวบิตเป็นกรณีการใช้งานที่น่าสนใจสำหรับเอเจนต์ AI

Yankelevich ทดสอบความสามารถของ GPT‑5.6 Sol ในการวัดชิปหกคิวบิตที่ยังไม่ได้ปรับเทียบ ซึ่งเป็นชิปมาตรฐานประเภทหนึ่งที่ EQuS ใช้เป็นประจำเพื่อประเมินกระบวนการผลิต เธอมอบทักษะเฉพาะสำหรับการวัดให้ Codex ซึ่งอธิบายวิธีดำเนินการและประเมินการทดลองแต่ละรายการ GPT‑5.6 Sol ใช้ทักษะเหล่านี้ร่วมกับเป้าหมายการออกแบบของชิปเพื่อเลือกพารามิเตอร์การวัด ควบคุมฮาร์ดแวร์ วิเคราะห์ข้อมูลที่ได้ แล้วปรับปรุงการวัดหรือบันทึกผลไว้ใช้ในการวัดครั้งถัดไป

เมื่อสัญญาณชัดเจน Codex สามารถดำเนินลำดับการวัดมาตรฐานจนเสร็จโดยแทบไม่ต้องให้นักวิจัยเข้ามาช่วย Codex ระบุความถี่การเปลี่ยนสถานะของคิวบิต ปรับเทียบพัลส์ที่ใช้ควบคุมและอ่านค่าคิวบิต และประเมินว่าคิวบิตเก็บรักษาข้อมูลควอนตัมได้นานเพียงใด

GPT‑5.6 Sol ทำงานได้ยากขึ้นเมื่อสัญญาณจากการทดลองอ่อนหรือมีสัญญาณรบกวน ในกรณีเหล่านั้น GPT‑5.6 Sol ใช้เวลานานขึ้นในการค้นหาพารามิเตอร์การวัดที่เหมาะสม และบางครั้งต้องอาศัยคำแนะนำจากนักวิจัยที่มีประสบการณ์ ผลลัพธ์ชี้ให้เห็นว่าเอเจนต์ในปัจจุบันสามารถจัดการขั้นตอนการทดลองที่กำหนดไว้อย่างชัดเจนได้ แต่การตีความผลลัพธ์ทางกายภาพที่คลุมเครือยังคงเป็นเรื่องท้าทาย

EQuS ผลิตชิปมาตรฐานประเภทนี้จำนวนมาก ซึ่งแต่ละชิปอาจต้องใช้เวลาหลายวันกว่าที่นักวิจัยจะตรวจสอบคุณลักษณะได้ครบถ้วน ปัจจุบันกลุ่มนี้ใช้เอเจนต์จัดการการวัดตามปกติเป็นประจำ ช่วยให้นักวิจัยมีเวลาไปทุ่มเทกับงานอื่น

“ฉันให้เอเจนต์ทำการวัดต่อเนื่องหลายชั่วโมงในช่วงกลางคืนหรือระหว่างที่ฉันทำงานอยู่ในห้องคลีนรูมได้” Yankelevich กล่าว “ฉันตรวจสอบผ่านโทรศัพท์ได้ว่าเอเจนต์ทำอะไรไปแล้ว และคอยชี้แนะแนวทางหากมีบางอย่างต้องแก้ไขหรือฉันต้องการสำรวจแนวทางอื่น”

ประโยชน์ที่เห็นได้ทันทีคือ เอเจนต์ Codex ช่วยให้นักวิจัยเดินหน้าวิเคราะห์การทดลองและดำเนินการวัดได้อย่างต่อเนื่องโดยไม่ต้องคอยกำกับตลอดเวลา นักวิจัยที่มีประสบการณ์อาจยังค้นหาค่าการปรับเทียบที่เหมาะสมที่สุดได้เร็วกว่าโมเดล AI ในปัจจุบัน แต่เมื่อลดเวลาที่เคยต้องใช้เฝ้าติดตามทุกขั้นตอนของกระบวนการปรับเทียบ นักวิจัยก็หันไปทุ่มเทให้กับงานอื่นได้

การตรวจสอบคุณลักษณะพื้นฐานของชิปเป็นงานประจำที่มีขั้นตอนค่อนข้างชัดเจน สำหรับการทดลองรูปแบบใหม่ Yankelevich จะกำหนดเป้าหมายการทดลองที่เฉพาะเจาะจงยิ่งขึ้นให้เอเจนต์ Codex พร้อมใช้ประโยชน์อย่างเต็มที่จากความสามารถของเอเจนต์ในการเขียน แก้ไข และทดสอบโค้ดใหม่สำหรับการควบคุม การวิเคราะห์ และการจำลอง การเชื่อมต่อเอเจนต์เข้ากับห้องปฏิบัติการโดยตรงช่วยให้กลุ่มแก้ไขโค้ด ทดสอบกับค่าที่วัดได้จริง และดำเนินงานต่อเนื่องเป็นเวลานานได้โดยอัตโนมัติ

“ฉันสร้างโครงสร้างพื้นฐานเพื่อคอยชี้แนะแนวทางให้เอเจนต์ทำงานหลายส่วนของฉัน ทั้งการวัด ทฤษฎี และการออกแบบชิป และตอนนี้มันเริ่มให้ผลลัพธ์ที่คุ้มค่าจริง ๆ” Yankelevich กล่าว “ฉันให้เอเจนต์หลายตัวทำงานกับปัญหาต่าง ๆ พร้อมกันได้ ส่วนเวลาส่วนใหญ่ของฉันก็ใช้ไปกับงานในภาพรวม เช่น ตีความผลลัพธ์ คิดการทดลอง วางแผนขั้นตอนถัดไปให้เอเจนต์ รวมถึงอ่านและเขียนงาน”