MIT ใช้ GPT-5.6 Sol ปฏิวัติการทดลองควอนตัมคอมพิวติ้ง ช่วยปรับจูน Qubit อัตโนมัติ

การเชื่อมต่อ GPT-5.6 Sol เข้ากับซอฟต์แวร์ห้องปฏิบัติการเพื่อรันและปรับปรุงการวัดผลตามปกติบนชิปควอนตัม ช่วยให้ Beatriz Yankelevich นักวิจัยจาก MIT สามารถมุ่งเน้นไปที่การออกแบบการทดลองและการวิเคราะห์ข้อมูลเชิงลึกได้มากขึ้น

ควอนตัมคอมพิวติ้งเป็นเทคโนโลยีเกิดใหม่ที่ใช้คุณสมบัติเฉพาะของควอนตัมฟิสิกส์ในการประมวลผลข้อมูล ซึ่งในอนาคตอาจช่วยจำลองวัสดุและโมเลกุลที่ซับซ้อนได้อย่างมีประสิทธิภาพ ต่างจากโปรเซสเซอร์ทั่วไป โปรเซสเซอร์ควอนตัมถูกสร้างขึ้นด้วยควอนตัมบิต หรือ qubit การเตรียมและการรันการทดลอง qubit อาจใช้เวลาหลายเดือนและต้องมีการวัดผลเบื้องต้นหลายร้อยถึงหลายพันครั้ง ซึ่งเป็นงานที่ AI พร้อมจะเข้ามาช่วยลดระยะเวลาลงได้

Beatriz Yankelevich นักศึกษาระดับบัณฑิตศึกษาในกลุ่ม Engineering Quantum Systems Group (EQuS) ของ MIT ได้นำ GPT-5.6 Sol มาใช้งานร่วมกับ Codex เพื่อสำรวจศักยภาพของ AI ในการปรับปรุงกระบวนการทำงานในห้องแล็บ โดยกลุ่มวิจัยได้ศึกษาเกี่ยวกับ superconducting qubits ที่ต้องถูกทำให้เย็นลงจนเกือบถึงระดับศูนย์สัมบูรณ์ภายในอุปกรณ์เฉพาะทางที่เรียกว่า dilution refrigerators ซึ่ง qubits เหล่านี้จะถูกควบคุมอย่างแม่นยำผ่านสัญญาณไมโครเวฟบนแผงชิป

เมื่อชิป superconducting qubit ถูกติดตั้งและทำให้เย็นลงแล้ว นักวิจัยจะควบคุมการทำงานทั้งหมดผ่านซอฟต์แวร์ ทำให้การทดลองของ Yankelevich กลายเป็นสนามทดสอบที่เหมาะสมสำหรับ AI agents การเชื่อมต่อ Codex เข้ากับซอฟต์แวร์แล็บช่วยให้ระบบสามารถรันการวัดผล วิเคราะห์ผลลัพธ์ และตัดสินใจขั้นตอนถัดไปได้เอง โดย Yankelevich พบว่า GPT-5.6 Sol สามารถเปลี่ยนกระบวนการวัดผลที่ซ้ำซากให้เป็นระบบอัตโนมัติ ช่วยประหยัดเวลาและทำให้การทดลองดำเนินไปได้โดยไม่ต้องเฝ้าดูตลอดเวลา

ชิป qubit ที่บรรจุหีบห่อแล้ว (ซ้าย) วางอยู่ภายใน dilution refrigerator ที่เปิดอยู่ (ขวา) เครดิต: กลุ่ม EQuS

การประสานงานการวัดผลที่ขึ้นต่อกัน

Superconducting qubits มักถูกเปรียบเป็นอะตอมประดิษฐ์ เนื่องจากมีระดับพลังงานเฉพาะเจาะจง สัญญาณไมโครเวฟจะทำหน้าที่เคลื่อนย้าย qubits ระหว่างระดับพลังงานเหล่านี้เพื่อตรวจสอบสถานะควอนตัม นักวิจัยต้องออกแบบและปรับจูนลำดับสัญญาณที่ส่งไปยังชิป จากนั้นจึงแปลงเป็นข้อมูลดิจิทัลเพื่อวิเคราะห์หาความถี่เรโซแนนซ์ ซึ่งเป็นข้อมูลสำคัญในการควบคุมความแม่นยำและระยะเวลาที่ qubit จะสามารถเก็บรักษาข้อมูลไว้ได้

การปรับจูน (Calibrating) qubits จำเป็นต้องใช้ชุดการวัดผลที่ต่อเนื่องและสัมพันธ์กัน โดยผลลัพธ์ในขั้นแรกจะเป็นตัวกำหนดทิศทางในขั้นต่อไป ทว่าคุณสมบัติของ Qubit อาจเปลี่ยนแปลงได้ตามพฤติกรรมทางกายภาพที่ไม่คาดคิด ซึ่งนักวิจัยที่มีประสบการณ์มักจะสังเกตเห็นและปรับตัวได้ทันที ด้วยเหตุนี้ การผสมผสานระหว่างการควบคุมด้วยซอฟต์แวร์ การวัดซ้ำ และการตัดสินใจแบบปรับตัว จึงทำให้การปรับจูน qubit เป็นโจทย์ที่น่าสนใจมากสำหรับ AI agents

Yankelevich ได้ทดสอบความสามารถของ GPT-5.6 Sol บนชิปแบบหก qubit ที่ยังไม่ได้ปรับจูน โดยเธอได้ป้อนทักษะเฉพาะด้านการวัดผลให้แก่ Codex พร้อมอธิบายวิธีประเมินผลการทดลอง ระบบ AI จึงสามารถเลือกพารามิเตอร์ ควบคุมฮาร์ดแวร์ และวิเคราะห์ข้อมูลเพื่อนำไปใช้ในการวัดผลขั้นถัดไปได้อย่างมีประสิทธิภาพ

ในสภาวะที่สัญญาณมีความชัดเจน Codex สามารถดำเนินลำดับการวัดมาตรฐานได้สำเร็จโดยแทบไม่ต้องพึ่งพามนุษย์ ทั้งการระบุความถี่เปลี่ยนสถานะ การปรับจูนพัลส์ควบคุม และการประเมินระยะเวลาคงสภาพของข้อมูลควอนตัม

ชุดการวัดเพื่อการปรับจูนสำหรับหนึ่ง qubit ที่ทำเสร็จโดยอัตโนมัติโดย GPT‑5.6 Sol เครดิต: กลุ่ม EQuS

ชุดการวัดเพื่อการปรับจูนสำหรับหนึ่ง qubit ที่ทำเสร็จโดยอัตโนมัติโดย GPT‑5.6 Sol เครดิต: กลุ่ม EQuS

ชุดการวัดเพื่อการปรับจูนสำหรับหนึ่ง qubit ที่ทำเสร็จโดยอัตโนมัติโดย GPT‑5.6 Sol เครดิต: กลุ่ม EQuS

อย่างไรก็ตาม GPT-5.6 Sol ยังพบอุปสรรคเมื่อต้องรับมือกับสัญญาณที่อ่อนหรือมีนอยส์รบกวน ซึ่งในกรณีนี้ระบบจะใช้เวลานานขึ้นในการหาพารามิเตอร์ที่เหมาะสม และบางครั้งยังต้องการคำชี้แนะจากผู้เชี่ยวชาญ ผลลัพธ์นี้ชี้ให้เห็นว่าแม้ AI agent จะจัดการงานที่มีขั้นตอนชัดเจนได้ดี แต่การตีความทางกายภาพที่มีความคลุมเครือยังคงเป็นโจทย์ที่ท้าทาย เนื่องจากกลุ่ม EQuS ต้องทดสอบชิปมาตรฐานจำนวนมาก ซึ่งแต่ละชิปอาจต้องใช้เวลานานหลายวัน ปัจจุบันทางกลุ่มจึงเริ่มใช้ AI agents เป็นตัวหลักในการจัดการการวัดผลตามปกติ เพื่อคืนเวลาให้นักวิจัยไปโฟกัสกับงานเชิงสร้างสรรค์อื่นๆ แทน

“ฉันสามารถสั่งให้เอเจนท์รันการวัดผลทิ้งไว้ได้ข้ามคืนหรือในระหว่างที่ฉันทำงานอยู่ในห้องสะอาด (cleanroom)” Yankelevich กล่าว “ฉันสามารถตรวจสอบผ่านโทรศัพท์ ดูสิ่งที่พวกมันทำ และเข้าไปควบคุมได้ทันทีหากมีจุดที่ต้องแก้ไข หรือเมื่อต้องการเปลี่ยนทิศทางการทดลอง”

ตัวอย่างกระบวนการคิด (chain-of-thought) ของ GPT‑5.6 Sol จากการรันการปรับจูน เครดิต: กลุ่ม EQuS

การทำงานร่วมกันระหว่างมนุษย์และ AI

ข้อดีที่ชัดเจนที่สุดคือ Codex ช่วยให้นักวิจัยมีความคืบหน้าในการทดลองได้อย่างต่อเนื่อง แม้ผู้เชี่ยวชาญอาจจะปรับจูนค่าได้เร็วกว่า AI ในบางสถานการณ์ แต่การที่ไม่ต้องเฝ้ากระบวนการทุกขั้นตอนทำให้นักวิจัยสามารถจัดสรรเวลาไปทำงานอื่นที่มีความสำคัญสูงกว่าได้

สำหรับการทดลองรูปแบบใหม่ Yankelevich จะกำหนดขอบเขตเป้าหมายให้แคบลงเพื่อให้เอเจนท์จัดการ ขณะเดียวกันก็ใช้ความสามารถของ AI ในการเขียน แก้ไข และทดสอบโค้ดใหม่สำหรับการควบคุมและจำลองสถานการณ์ การเชื่อมต่อเอเจนท์เข้ากับระบบแล็บโดยตรงช่วยให้ทีมวิจัยสามารถปรับปรุงโค้ดและทดสอบกับข้อมูลจริงได้แบบกึ่งอัตโนมัติ

“ฉันได้วางโครงสร้างพื้นฐานเพื่อนำทางเอเจนท์ผ่านงานส่วนต่างๆ ทั้งการวัดผล ทฤษฎี และการออกแบบชิป ซึ่งตอนนี้เริ่มเห็นผลลัพธ์ที่คุ้มค่ามาก” Yankelevich ทิ้งท้าย “ฉันสามารถให้เอเจนท์หลายตัวแก้ปัญหาที่ต่างกันไปพร้อมๆ กัน ส่วนตัวฉันใช้เวลาไปกับการตีความผลลัพธ์ ออกแบบการทดลองใหม่ๆ และวางแผนงานในระดับมหภาคแทน”