GPT-5.6 Sol驱动量子芯片例行测量

GPT‑5.6 Sol 如何帮助运行量子计算实验

把 GPT‑5.6 Sol 接入实验室软件，让它自主运行并优化量子芯片上的常规测量，Beatriz Yankelevich 这下就能腾出手来，专心做实验设计和数据分析。

阅读技术案例研究（在新窗口中打开） 加载中……

量子计算是门新兴技术，靠的是量子力学那套独特的性质来处理信息。哪天成熟了，说不定能更好地模拟复杂的材料和分子。它和常规处理器不一样，核心单元叫量子比特（qubit）。准备并跑一次量子比特实验，动辄要花上几个月，还得做几百到上千次前置测量。这活儿，正好是 AI 能派上用场的地方。

Beatriz Yankelevich 是 MIT 工程量子系统组（Engineering Quantum Systems Group，简称 EQuS）的研究生。她试了试把 Codex 接上 GPT‑5.6 Sol，想看看 AI 能不能让她的实验流程跑得更顺。EQuS 组研究的超导量子比特（superconducting qubit）会被冷却到接近绝对零度，搁在一种叫稀释制冷机（dilution refrigerator）的专用设备里。这类量子比特运算速度很快，能用微波信号精确控制，制造工艺也很成熟，可以排布在同一块芯片上。

超导量子比特芯片一旦完成制备、封装和冷却，研究者就完全只能通过软件跟它打交道。这天然适合拿 AI 智能体（agent）来试水。把 Codex 接上协调实验的实验室软件，它就能自己跑测量、分析结果，再决定下一步该怎么走。Yankelevich 发现，GPT‑5.6 Sol 通常能自主跑完一整套常规测量流程，替她省下不少时间，实验也不用一直守着。她于是能把更多精力放在分析结果、设计实验，以及规划下一步研究上。

左边是一块封装好的量子比特芯片，右边是一台打开的稀释制冷机。图源 EQuS 组

协调相互依赖的测量

超导量子比特常被叫作人工原子（artificial atom），原因跟真实原子一样，它们也只能待在自己固定的能级上。微波脉冲能让量子比特在这些能级之间跳来跳去，顺便探测它的量子态。研究者设计并校准好发给芯片的脉冲序列，再把返回的信号数字化、做分析。这些测量能告诉你每个量子比特的谐振频率（resonance frequency）是多少，有了它就能精确控制量子比特。也能告诉你量子比特能保留量子信息多久，以及执行计算需要哪些参数。

校准量子比特要做一连串相互依赖的测量，前一步的结果会影响下一步该怎么调。量子比特的特性偶尔会漂移，物理行为出乎意料也会让结果前后对不上。经验老到的人能察觉到这些变化，并及时应对。把软件控制、重复测量、适应性决策这三件事凑在一起看，量子比特校准就成了 AI 智能体特别合适的练手场景。

Yankelevich 拿了一块还没校准的六量子比特芯片来测 GPT‑5.6 Sol 的能力。这种芯片是 EQuS 用来给制备工艺定基准的标准型号之一。她给 Codex 准备了一组针对不同测量的专门技能，把怎么跑、怎么评估每种实验都讲清楚。拿到这些技能和芯片的设计目标之后，GPT‑5.6 Sol 就自己挑测量参数、操作硬件、分析数据，再决定是优化当前测量，还是先把结果存下来给下一步用。

信号清晰的时候，Codex 几乎不用研究者插手，就能跑完一整套标准测量。它能找出量子比特的跃迁频率，校准用来控制和读取量子比特的脉冲，顺便测出量子比特能保留量子信息多久。

由 GPT‑5.6 Sol 自主完成的一组单量子比特校准测量。图源 EQuS 组

由 GPT‑5.6 Sol 自主完成的一组单量子比特校准测量。图源 EQuS 组

由 GPT‑5.6 Sol 自主完成的一组单量子比特校准测量。图源 EQuS 组信号弱或者噪声大的时候，GPT‑5.6 Sol 就没那么利索了。这种情况下它得花更长时间才能挑出合适的测量参数，有时候还得靠经验老道的研究者来指点。结果就是，眼下的智能体能搞定定义清晰的实验流程，但要解读模棱两可的物理结果，依然是个难题。

EQuS 制备了不少这类标准芯片，每块的表征工作都得花上研究者好几天。现在这个组已经习惯性地用智能体来跑常规测量，让研究者腾出手来干别的。

「我可以让智能体通宵跑测量，或者趁我在洁净室（译注：cleanroom，指用于芯片制备的高洁净度无尘工作室）的时候让它们持续跑上好几个小时，」Yankelevich 说，「拿手机我就能看它们的进展，需要修一下或者想换个方向试试，我都可以及时把它们拽回来。」

一段摘自 GPT‑5.6 Sol 校准运行的思维链。图源 EQuS 组

与研究者协同工作

眼下最直接的好处是，Codex 智能体能让研究者在实验分析和测量上稳步推进，不用一直守在旁边。在挑出最佳校准参数这件事上，经验丰富的研究者多半还是比现在的 AI 模型更快。但省下了原本逐个盯防校准流程的时间，研究者就能腾出手来干别的。

常规芯片表征遵循的工作流相对固定。遇到新颖的实验，Yankelevich 会给 Codex 智能体定下更聚焦的实验目标，同时更倚重它们写、改、测新代码的能力，这些代码用在了控制、分析和仿真上。把智能体直接接入实验室以后，这个组就能改代码、用真实测量去测，再让智能体自主跑上一长段时间。

「我已经搭好了一套基础设施，能引导智能体跑通我工作中的好几个环节，包括测量、理论分析和芯片设计，现在终于开始见效了，」Yankelevich 说，「我可以同时让好几个智能体去啃不同的问题，我大部分时间都花在更高层的工作上，像解读结果、设计实验、给它们规划下一步，还有阅读和写作。」