Les travaux ont été menés par Beatriz Yankelevich, doctorante au sein du groupe Engineering Quantum Systems, ou EQuS. Son équipe étudie des qubits supraconducteurs, des composants refroidis à des températures proches du zéro absolu dans des réfrigérateurs à dilution. Une fois la puce fabriquée, conditionnée et refroidie, une grande partie des interactions avec le dispositif passe par des logiciels.

Un agent connecté aux logiciels du laboratoire

Cette organisation fait des expériences quantiques un terrain adapté à l’utilisation d’agents d’intelligence artificielle. Codex a été connecté aux logiciels qui coordonnent les expériences. GPT-5.6 Sol pouvait alors choisir certains paramètres, lancer des mesures, analyser les résultats et déterminer quelle étape devait suivre.

Pour encadrer le système, la chercheuse lui a fourni des compétences spécifiques décrivant la manière d’exécuter et d’évaluer chaque expérience. L’agent s’appuyait également sur les objectifs de conception de la puce. Il pouvait affiner une mesure lorsque le résultat n’était pas exploitable, ou conserver les données afin de les utiliser lors de l’étape suivante.

Le groupe a testé cette approche sur une puce non calibrée comprenant six qubits. Ces composants sont contrôlés par des impulsions micro-ondes et peuvent occuper certains niveaux d’énergie, à la manière d’atomes artificiels. Les mesures servent notamment à repérer leurs fréquences de transition, à calibrer les impulsions de contrôle et de lecture, ainsi qu’à déterminer la durée pendant laquelle ils conservent leur information quantique.

Des mesures interdépendantes

La calibration d’un qubit ne consiste pas en une simple séquence fixe. Chaque résultat peut modifier le choix des paramètres pour la mesure suivante. Les propriétés des qubits peuvent aussi évoluer, tandis que des comportements physiques inattendus peuvent produire des données irrégulières.

Lorsque les signaux étaient suffisamment clairs, Codex pouvait mener une séquence standard avec peu d’intervention humaine. GPT-5.6 Sol identifiait les fréquences de transition, ajustait les impulsions nécessaires et évaluait la durée de conservation de l’information. Cette autonomie permettait de poursuivre les mesures pendant plusieurs heures, notamment en dehors des périodes où un chercheur se trouve devant l’instrument.

La méthode présente toutefois des limites. Face à des signaux faibles ou bruités, l’agent mettait davantage de temps à trouver des paramètres adaptés. Il devait parfois être guidé par un chercheur expérimenté. Selon les résultats rapportés, les agents actuels sont donc plus à l’aise avec des procédures clairement définies qu’avec l’interprétation de résultats physiques ambigus.

Un gain de temps pour les chercheurs

La caractérisation d’une puce standard peut demander plusieurs jours de travail. L’équipe EQuS utilise désormais régulièrement des agents pour prendre en charge certaines mesures routinières. Les chercheurs peuvent ainsi consacrer davantage de temps à l’analyse des résultats, à la conception d’expériences et à la préparation des étapes suivantes.

L’intérêt principal ne réside pas uniquement dans la vitesse d’exécution. Un agent peut surveiller une expérience pendant que les chercheurs travaillent en salle blanche ou se concentrent sur d’autres tâches. Ils peuvent ensuite consulter l’avancement à distance et intervenir si une correction ou une nouvelle orientation est nécessaire.

Pour les expériences inédites, l’approche est plus ciblée. Yankelevich assigne aux agents des objectifs expérimentaux plus limités et exploite leur capacité à écrire, modifier et tester du code consacré au contrôle, à l’analyse ou à la simulation. La connexion directe au laboratoire permet de confronter rapidement ces modifications à des mesures réelles.

Une collaboration plutôt qu’une automatisation totale

Cette expérimentation illustre un usage de l’IA différent de la simple génération de texte ou de code. Le modèle intervient dans une boucle comprenant un instrument physique, des données expérimentales et des décisions successives. Cette boucle exige néanmoins une supervision humaine lorsque les observations sortent du cadre prévu.

Dans ce contexte, GPT-5.6 Sol sert surtout à absorber une partie du travail opérationnel. Les chercheurs restent responsables de l’interprétation, du choix des objectifs et de la conception des expériences. L’automatisation progresse donc sur les tâches répétitives, sans éliminer le besoin d’expertise pour comprendre les résultats incertains.

The post GPT-5.6 Sol automatise des expériences de calcul quantique appeared first on NextOfGen.