تصور کنید یک فیزیکدان کوانتوم به‌جای ساعت‌ها خیره شدن به نمایشگرهای کالیبراسیون، نتایج آزمایش‌های شبانه‌روزی را صبح هنگام نوشیدن قهوه روی گوشی خود بررسی کند. این رویای اتوماسیون اکنون با استقرار GPT-5.6 Sol در آزمایشگاه‌های MIT به واقعیت تبدیل شده است.
بئاتریس یانکلویچ، دانشجوی تحصیلات تکمیلی MIT، موفق شد فرآیند طاقت‌فرسای کالیبراسیون کیوبیت‌ها را خودکار کند. طبق اعلام OpenAI در ۹ سپتامبر ۲۰۲۶، این مدل با اتصال به Codex می‌تواند اندازه‌گیری‌ها را اجرا کرده و نتایج را بدون نظارت مستقیم انسان تحلیل کند.
رایانش کوانتومی بر پایه کیوبیت‌ها (Qubits) استوار است؛ واحدهایی که بسیار ناپایدارتر از پردازنده‌های معمولی هستند. این فناوری نوظهور از ویژگی‌های منحصربه‌فرد مکانیک کوانتومی برای پردازش اطلاعات استفاده می‌کند. این قابلیت می‌تواند روزی به دانشمندان اجازه دهد تا مواد و مولکول‌های پیچیده را با دقت بسیار بیشتری شبیه‌سازی کنند. این تلاش‌ها در راستای تبدیل مفاهیم تئوریک به کاربردهای عملی است، مشابه آنچه در رویکرد مهندسی اوراکل برای تبدیل ادعاهای کوانتومی به مدارات واقعی مشاهده می‌کنیم.
محیط کوانتومی
برای عملکرد درست، کیوبیت‌های ابررسانا باید در دستگاه‌های ویژه‌ای به نام یخچال‌های رقیق‌کننده (Dilution Refrigerators) تا دمای نزدیک به صفر مطلق خنک شوند. این کیوبیت‌ها به دلیل اینکه تنها می‌توانند سطوح انرژی خاصی را اشغال کنند، اغلب «اتم‌های مصنوعی» نامیده می‌شوند. کنترل آن‌ها با دقت بسیار بالا از طریق سیگنال‌های مایکروویو صورت می‌گیرد. این قطعات را می‌توان با استفاده از تکنیک‌های ساخت آشنا تولید کرد و روی یک تراشه آرایش داد.
این محیط باعث ایجاد یک گلوگاه داده‌ای عظیم می‌شود. آماده‌سازی و اجرای آزمایش‌های کیوبیت ممکن است ماه‌ها زمان ببرد و به صدها یا حتی هزاران اندازه‌گیری اولیه نیاز داشته باشد. از آن‌جا که پژوهشگران پس از ساخت، بسته‌بندی و خنک‌سازی تراشه، تنها از طریق نرم‌افزار با آن تعامل دارند، این محیط به یک میدان آزمونی طبیعی و ایده‌آل برای عامل‌های هوش مصنوعی (AI Agents) — شبیه به دستیاران دیجیتالی که می‌توانند به‌جای ما ابزارها را مدیریت کنند — تبدیل شده است.
همان‌طور که در تحلیل قبلی ما درباره‌ی قابلیت‌های استدلالی پیشرفته در مدل‌هایی مانند GPT-6 Astra اشاره کردیم، این کاربرد، هوش مصنوعی را از یک رابط چت ساده به یک حلقه کنترل سخت‌افزاری مستقیم منتقل می‌کند. با اتصال Codex به نرم‌افزارهای آزمایشگاهی، عامل AI می‌تواند سخت‌افزار را مدیریت کند، داده‌های حاصل را ارزیابی نماید و به‌طور خودکار درباره گام بعدی آزمایش تصمیم بگیرد. این پیشرفت در اتوماسیون طراحی، یادآور موفقیت‌های اخیر مدل‌های زبانی در حوزه‌های مهندسی است، مانند زمانی که Claude Opus 5 در طراحی مدارات الکترونیکی پیشتاز شد.
گردش‌کار کالیبراسیون
کالیبراسیون یک کیوبیت فرآیندی خطی نیست؛ بلکه مجموعه‌ای از اندازه‌گیری‌های وابسته به هم است که در آن هر نتیجه، پارامتر بعدی را تعیین می‌کند. ویژگی‌های کیوبیت ممکن است گهگاه دچار رانش (Drift) شوند و رفتارهای فیزیکی غیرمنتظره می‌توانند باعث ایجاد نتایج متناقض و ناسازگار گردند.
عامل GPT-5.6 Sol مأموریت داشت یک تراشه ۶ کیوبیت کالیبره‌نشده را شناسایی و مشخصه کند. این نوع تراشه‌ها استانداردی هستند که توسط گروه سیستم‌های کوانتومی مهندسی (EQuS) برای بنچ‌مارک کردن فرآیندهای ساخت استفاده می‌شوند. یانکلویچ مهارت‌های خاص اندازه‌گیری را به Codex آموزش داد و به او توضیح داد که چگونه هر آزمایش را اجرا و ارزیابی کند. سپس عامل این چرخه را دنبال کرد:
- انتخاب پارامتر: عامل بر اساس اهداف طراحی، تنظیمات پالس مایکروویو را انتخاب می‌کند.
- عملیات سخت‌افزاری: Codex نرم‌افزار آزمایشگاه را برای اجرای اندازه‌گیری فعال می‌کند.
- تحلیل داده‌ها: مدل سیگنال‌های بازگشتی را برای شناسایی فرکانس‌های رزونانس تحلیل می‌کند.
- بهینه‌سازی: عامل یا نتیجه را ذخیره می‌کند و یا برای حذف نویز و شفاف کردن داده‌ها، پارامترها را تغییر می‌دهد.
در شرایطی که سیگنال‌ها واضح بودند، عامل با کمترین دخالت انسانی توالی‌های استاندارد را تکمیل کرد. این سیستم با موفقیت توانست فرکانس‌های گذار را شناسایی کند، پالس‌های مورد نیاز برای کنترل و خواندن کیوبیت را کالیبره نماید و تعیین کند که کیوبیت‌ها تا چه مدت اطلاعات کوانتومی را در خود حفظ می‌کنند.
با این حال، سیستم در مواجهه با سیگنال‌های ضعیف یا نویزی به بن‌بست رسید. در این موارد، یافتن پارامترهای مناسب زمان‌بر شد و نیاز به دخالت یک پژوهشگر خبره بود تا راهنمایی‌های لازم را ارائه دهد. این موضوع نشان می‌دهد که اگرچه عامل‌ها در گردش‌کارهای تعریف‌شده و مشخص موفق‌اند، اما تفسیر نتایج فیزیکی مبهم همچنان یک چالش جدی است.
برای گروه سیستم‌های کوانتومی مهندسی (EQuS) در MIT، این تغییر کاملاً کاربردی است. شناسایی یک تراشه استاندارد معمولاً چندین روز کار دستی یک پژوهشگر را می‌طلبد. اما اکنون یانکلویچ می‌تواند عامل‌ها را در طول شب یا زمانی که خودش در اتاق تمیز (Cleanroom) مشغول به کار است، اجرا کند و پیشرفت را از طریق گوشی خود نظارت نماید. او اشاره کرد: «می‌توانم از طریق گوشی بررسی کنم چه کارهایی انجام شده و اگر چیزی نیاز به اصلاح داشت، آن‌ها را هدایت کنم.»
این تحول، نقش بنیادین فیزیکدان کوانتوم را تغییر می‌دهد. پژوهشگران به‌جای گذراندن ساعت‌ها وقت برای نظارت بر صفحه کالیبراسیون، اکنون به معماران سطح بالا تبدیل شده‌اند. یانکلویچ برای آزمایش‌های نوآورانه، اهداف محدودتری را به عامل‌های Codex می‌سپارد و از توانایی آن‌ها در نوشتن، اصلاح و تست کدهای جدید برای کنترل، تحلیل و شبیه‌سازی استفاده می‌کند.
اگرچه انسان‌های خبره هنوز می‌توانند تنظیمات بهینه را سریع‌تر از مدل‌های فعلی بیابند، اما اثر ثانویه این فناوری، افزایش شدید توان عملیاتی (Throughput) آزمایش‌ها است. یانکلویچ زیرساختی ساخته تا عامل‌ها را در مسیر اندازه‌گیری، تئوری و طراحی تراشه هدایت کند. توانایی اجرای هم‌زمان چندین عامل روی مسائل مختلف، به آزمایشگاه اجازه می‌دهد تا فرآیند شناسایی و مشخصه کردن تراشه‌ها را بدون نیاز به افزایش تعداد کارکنان، مقیاس‌پذیر کند.
در آینده منتظر تکامل بعدی در این حوزه باشید: ادغام عامل‌های هوش مصنوعی در خودِ فرآیند ساخت فیزیکی تراشه‌ها، که می‌تواند حلقه بین طراحی، تولید و کالیبراسیون را به‌طور کامل ببندد.
گام بعدی شما
- بررسی نحوه اتصال مدل‌های زبانی به APIهای سخت‌افزاری برای اتوماسیون کارهای تکراری.
- مطالعه محدودیت‌های مدل‌های استدلالی در تفسیر داده‌های نویزی (Noisy Data).
- دنبال کردن ادغام عامل‌های AI در فرآیند ساخت فیزیکی تراشه‌ها.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو