GPT‑5.6 Sol hỗ trợ vận hành thí nghiệm điện toán lượng tử như thế nào

Điện toán lượng tử là một công nghệ mới nổi, khai thác những đặc tính độc đáo của cơ học lượng tử để xử lý thông tin. Một ngày nào đó, công nghệ này có thể mô phỏng vật liệu và phân tử phức tạp tốt hơn. Khác với bộ xử lý thông thường, bộ xử lý lượng tử được cấu tạo từ các bit lượng tử, hay qubit. Việc chuẩn bị và tiến hành thí nghiệm qubit có thể kéo dài nhiều tháng và đòi hỏi từ hàng trăm đến hàng nghìn phép đo sơ bộ—một khối lượng công việc mà AI có nhiều tiềm năng hỗ trợ.

Beatriz Yankelevich, nghiên cứu sinh thuộc Nhóm Hệ thống Lượng tử Kỹ thuật (EQuS) của MIT, đã dùng GPT‑5.6 Sol thông qua Codex để tìm hiểu liệu AI có thể tinh giản quy trình thực nghiệm của cô hay không. Nhóm tại MIT nghiên cứu các qubit siêu dẫn được làm lạnh xuống gần độ không tuyệt đối trong những thiết bị chuyên dụng gọi là tủ lạnh pha loãng. Các qubit này thực hiện thao tác nhanh, được điều khiển chính xác bằng tín hiệu vi ba, đồng thời có thể được chế tạo bằng những kỹ thuật sản xuất quen thuộc và bố trí trên chip.

Sau khi chip qubit siêu dẫn được chế tạo, đóng gói và làm lạnh, nhà nghiên cứu chỉ tương tác với chip qua phần mềm. Vì vậy, các thí nghiệm của Yankelevich là môi trường thử nghiệm tự nhiên cho tác nhân AI. Việc kết nối Codex với phần mềm phòng thí nghiệm dùng để điều phối thí nghiệm đã cho phép Codex tiến hành đo, phân tích kết quả và quyết định bước thử nghiệm tiếp theo. Yankelevich nhận thấy GPT‑5.6 Sol thường có thể tự động hoàn thành các quy trình đo lường thường lệ, giúp cô tiết kiệm đáng kể thời gian và cho phép thí nghiệm diễn ra mà không cần giám sát liên tục. Nhờ đó, cô có thêm thời gian để phân tích kết quả, thiết kế thí nghiệm và hoạch định các bước nghiên cứu tiếp theo.

Qubit siêu dẫn thường được gọi là nguyên tử nhân tạo vì cũng giống như nguyên tử, chúng chỉ có thể tồn tại ở những mức năng lượng cụ thể. Các xung vi ba chuyển qubit giữa những mức năng lượng này và thăm dò trạng thái lượng tử của chúng. Các nhà nghiên cứu thiết kế và hiệu chuẩn chuỗi xung gửi đến chip, sau đó số hóa và phân tích những tín hiệu phản hồi. Các phép đo này cho biết tần số cộng hưởng của từng qubit, nhờ đó nhà nghiên cứu có thể điều khiển chính xác qubit; xác định qubit lưu giữ thông tin lượng tử được bao lâu; và tìm ra các thông số cần thiết để thực hiện tính toán.

Việc hiệu chuẩn qubit đòi hỏi một chuỗi phép đo phụ thuộc lẫn nhau, trong đó mỗi kết quả đều quyết định bước tiếp theo. Đặc tính của qubit đôi khi có thể thay đổi, còn những hiện tượng vật lý bất ngờ có thể khiến kết quả thiếu nhất quán. Các nhà nghiên cứu giàu kinh nghiệm có thể nhận biết và thích ứng với những thay đổi này khi chúng xảy ra. Sự kết hợp giữa điều khiển bằng phần mềm, đo lường lặp lại và ra quyết định thích ứng cũng khiến việc hiệu chuẩn qubit trở thành một trường hợp ứng dụng đầy tiềm năng cho tác nhân AI.

Yankelevich đã kiểm thử khả năng đo lường của GPT‑5.6 Sol trên một chip sáu qubit chưa hiệu chuẩn, thuộc loại chip tiêu chuẩn mà EQuS thường dùng để đánh giá quy trình chế tạo. Cô trang bị cho Codex các kỹ năng chuyên biệt theo từng phép đo, giải thích cách tiến hành và đánh giá mỗi thí nghiệm. Dựa trên những kỹ năng này và mục tiêu thiết kế của chip, GPT‑5.6 Sol đã chọn thông số đo, vận hành phần cứng, phân tích dữ liệu thu được, rồi tinh chỉnh phép đo hoặc lưu kết quả để dùng cho phép đo tiếp theo.

Khi tín hiệu rõ ràng, Codex hoàn thành một chuỗi phép đo tiêu chuẩn mà hầu như không cần nhà nghiên cứu can thiệp. Codex xác định tần số chuyển tiếp của qubit, hiệu chuẩn các xung dùng để điều khiển và đọc qubit, đồng thời xác định qubit lưu giữ thông tin lượng tử được bao lâu.

GPT‑5.6 Sol gặp nhiều khó khăn hơn khi tín hiệu thực nghiệm yếu hoặc nhiễu. Trong những trường hợp đó, hệ thống mất nhiều thời gian hơn để tìm thông số đo phù hợp và đôi khi cần sự hướng dẫn của một nhà nghiên cứu giàu kinh nghiệm. Kết quả cho thấy các tác nhân hiện nay có thể xử lý những quy trình thực nghiệm được xác định rõ, nhưng việc diễn giải các kết quả vật lý chưa rõ ràng vẫn là một thách thức.

EQuS chế tạo nhiều chip tiêu chuẩn loại này; một nhà nghiên cứu có thể mất vài ngày để xác định đặc tính của mỗi chip. Hiện nhóm thường xuyên dùng các tác nhân để thực hiện những phép đo thường lệ, giúp nhà nghiên cứu tập trung vào công việc khác.

Yankelevich cho biết: “Tôi có thể để các tác nhân tiến hành đo liên tục nhiều giờ qua đêm hoặc trong lúc tôi làm việc tại phòng sạch.” “Tôi có thể kiểm tra bằng điện thoại, xem chúng đã làm những gì và điều chỉnh hướng đi nếu có vấn đề cần khắc phục hoặc nếu tôi muốn khám phá một hướng khác.”

Lợi ích trước mắt là các tác nhân Codex có thể giúp nhà nghiên cứu liên tục tiến triển trong việc phân tích và đo lường thực nghiệm mà không cần giám sát thường xuyên. Các nhà nghiên cứu giàu kinh nghiệm vẫn có thể tìm ra thông số hiệu chuẩn tối ưu nhanh hơn những mô hình AI hiện nay. Tuy nhiên, nhờ không còn phải mất thời gian theo dõi từng bước của quy trình hiệu chuẩn, họ có thể tập trung vào công việc khác.

Quy trình xác định đặc tính chip thường lệ tương đối rõ ràng. Với các thí nghiệm mới, Yankelevich giao cho tác nhân Codex những mục tiêu thực nghiệm hẹp hơn, đồng thời tận dụng nhiều hơn khả năng viết, sửa đổi và kiểm thử mã mới để điều khiển, phân tích và mô phỏng. Việc kết nối trực tiếp các tác nhân với phòng thí nghiệm cho phép nhóm chỉnh sửa mã, kiểm thử mã bằng các phép đo thực tế và tự động hoàn thành những giai đoạn công việc dài hơn.

Yankelevich cho biết: “Tôi đã xây dựng hạ tầng để hướng dẫn các tác nhân thực hiện nhiều phần việc của mình—đo lường, lý thuyết và thiết kế chip—và giờ đây nó thực sự bắt đầu phát huy hiệu quả.” “Tôi có thể cho nhiều tác nhân cùng lúc xử lý các vấn đề khác nhau, còn phần lớn thời gian của tôi dành cho công việc ở cấp độ cao hơn—diễn giải kết quả, xây dựng thí nghiệm, lên kế hoạch cho các bước tiếp theo của tác nhân, đọc và viết.”