Haiqu stellt AgenticOS vor, um KI-gesteuerte Quantenforschung auf Kurs zu halten

Eine wissenschaftliche Berechnung kann einwandfrei laufen und dennoch die falsche Frage beantworten. Wenn ein KI‑Agent leise die Geometrie eines Moleküls ändert oder Elektronen aus einer Simulation entfernt, können funktionierender Code und ein überzeugender Graph ein fehlerhaftes Experiment verbergen.

Das ist das Problem, das Haiqu mit seiner Ankündigung von AgenticOS am 7. Oktober angeht, ein System, das Teams spezialisierter KI‑Agenten über Quantenforschungsprojekte hinweg koordiniert. Die Plattform ist darauf ausgelegt, eine Idee durch Literaturrecherche, mathematische Analyse, Versuchsplanung und -durchführung zu führen, während wissenschaftliche Annahmen für Forscher einseh‑ und prüfbar bleiben.

Jetzt auf Anfrage für Unternehmens‑F&D‑Teams verfügbar, baut AgenticOS auf der im Mai angekündigten Plattform von Haiqu auf. Seine zentrale These ist, dass nützliche wissenschaftliche Automatisierung einen Weg benötigt, die Bedeutung des Experiments über jede Phase der Arbeit hinweg zu bewahren.

Eine Forschungsfrage in einen überprüfbaren Arbeitsablauf verwandeln

Laut der AgenticOS-Produktseite von Haiqu können Nutzer mit einer Frage, Fachartikeln, Daten oder einer bestehenden Idee beginnen. Das System hilft, Ziele, Einschränkungen und Erfolgskriterien festzulegen, und organisiert dann die Untersuchung in einem Forschungsgraphen. Knoten stellen Teams wissenschaftlicher Agenten dar, wobei Abhängigkeiten, Entscheidungen und Forschungsartefakte die Arbeit verbinden.

Forscher können Ausgaben prüfen, Annahmen kommentieren, ein Modul umleiten und wichtige Entscheidungen genehmigen, bevor nachgelagerte Aufgaben fortschreiten. Das System greift auf eine Wissensdatenbank zu, die Quanten‑Theorie, Algorithmen und Industrieanwendungen enthält, zusammen mit den im Projekt akzeptierten Entscheidungen und Artefakten.

Diese Struktur ist wichtig, weil ein Forschungsprojekt bereits lange vor der endgültigen Berechnung scheitern kann. Die Wahl einer Approximation verändert, was modelliert wird; das Verlieren einer früheren Einschränkung kann spätere Ergebnisse unvergleichbar machen. Ein sichtbarer Arbeitsablauf bietet Wissenschaftlern Stellen, um diese Änderungen zu erkennen, anstatt zu versuchen, sie aus einer fertigen Antwort zu rekonstruieren.

In der Ankündigung sagt Haiqu, dass die Agenten Literaturrecherche, Ableitungen aus ersten Prinzipien, Analysen zur Quanten‑Machbarkeit und Ergebnisprüfung übernehmen. Die Validierung kombiniert klassische Baselines, Tests, Kritiker‑Agenten und menschliche Überprüfung, ergänzt durch formale Verifikation. Wissenschaftler bestimmen, welche Annahmen festgeschrieben sind, wo autonome Arbeit angemessen ist und welche Schritte einer Freigabe bedürfen.

Mitbegründer und CTO Mykola Maksymenko erklärte, das System sei darauf ausgelegt, den Aufwand zu reduzieren, der nötig ist, um eine vielversprechende Forschungs­idee in ein Experiment zu überführen, sodass Wissenschaftler mehr Aufmerksamkeit darauf verwenden können, die richtigen Fragen auszuwählen und zu untersuchen.

Ein Chemietest deckt den Unterschied zwischen Code und Wissenschaft auf

Die Chemie-Fallstudie von Haiqu untersucht den Protonentransfer im Zundel‑Kation H₅O₂⁺: zwei Wassermoleküle, die ein zusätzliches Proton teilen. Die Aufgabe bestand darin, die Energiebarrikade zu berechnen, während das Proton zwischen ihnen wandert, unter einem festgelegten wissenschaftlichen Setup.

Zehn eigenständige KI‑Durchläufe erhielten dieselbe Vorgabe. Alle erzeugten funktionierenden Code, aber vier schlossen erforderliche Elektronen aus, und andere veränderten die Geometrie oder den Protonenweg. AgenticOS bewahrte das vereinbarte Protokoll, einschließlich aller 20 Elektronen und eines festen Sauerstoff‑Sauerstoff‑Abstands.

Seine simulierte, stichprobenbasierte Quanten‑Diagonalisation (SQD) ergab eine Barriere von 554.8 Millielectronvolt, gegenüber einer Referenz von 574.3 Millielectronvolt bei vollständiger Konfigurationsinteraktion – etwa ein Unterschied von 3.4 %. SQD kombiniert die Stichprobe elektronischer Konfigurationen mit einer klassischen Energieberechnung.

Diese Zahlen beschreiben ein ausgewähltes Molekülmodell. Die Referenz ist exakt innerhalb der rechnerischen Annahmen dieses Modells; das Ergebnis beweist weder universelle Genauigkeit noch einen quantenmechanischen Vorteil. Die unmittelbar relevantere Erkenntnis ist, dass das Bewahren des Protokolls die Berechnung vergleichbar und sinnvoll machte.

Haiqu gibt an, dass die Arbeit auf einem NeurIPS‑2026‑Workshop zum Thema KI für wissenschaftliche Entdeckungen akzeptiert wurde. Es bleibt jedoch eine vom Unternehmen gemeldete Demonstration und kein umfassender unabhängiger Benchmark für die Zuverlässigkeit von Forschung.

Von einer kontrollierten Simulation zur Quantenhardware

Die Ankündigung beschreibt zudem ein separates Experiment mit dem Hubbard‑Modell, einem Rahmenwerk zur Untersuchung wechselwirkender Elektronen. Haiqu untersuchte eine dotierte, frustrierte zweidimensionale Variante mit diagonalem Hopping, die für die Forschung an kupferbasierten Hochtemperatur‑Supraleitern relevant ist.

AgenticOS entwickelte ein Experiment auf einem drei‑mal‑drei‑Gitter und führte es auf einem IBM‑Quantencomputer aus. Das kleine Gitter ermöglichte den Vergleich mit einer exakten klassischen Lösung. Haiqu berichtet von einer etwa 75 %igen Reduktion der Schaltkreistiefe sowie einer vorgeschlagenen Kalibrierung, die die Hardware‑Ausgabe mit einer fehlerfreien Ausführung derselben Methode in Einklang brachte.

Die Schaltkreistiefe misst die Anzahl der Operationsebenen, die zur Ausführung eines Quanten‑Schaltkreises erforderlich sind. Eine Reduktion kann auf heutigen rauschenden Prozessoren helfen, bei denen Fehler während der Berechnung akkumulieren. Die Übereinstimmung mit einer idealen Ausführung liefert nützliche Evidenz über die Methode und den Hardware‑Workflow, bedeutet jedoch nicht, dass das Experiment Supraleitung gelöst oder die klassische Berechnung in diesem Maßstab übertroffen hat.

Der Software‑Stack hinter den Agenten

AgenticOS sitzt über der Quanten‑Software‑Infrastruktur von Haiqu. Die Ankündigung beschreibt das SDK als Bereitstellung von Datenladen, Schaltkreiskompression und Fehlerminderung, während Haiqu Runtime die Ausführung auf Simulatoren und Quantenprozessoren verwaltet.

Haiqu’s Akademische Plattformseite fügt praktische Details hinzu: Forschende können Qiskit‑Code in das SDK einbringen, Aufträge verfolgen und Backends, Kalibrierungsinformationen, Zufalls‑Seeds und Kompilierungseinstellungen speichern. Diese Aufzeichnungen helfen Teams, ein Experiment zu reproduzieren und zu verstehen, warum sich zwei Ausführungen unterscheiden.

Die Plattform schätzt zudem die Kosten der Quantenverarbeitung vor der Ausführung und nutzt Batch‑Verarbeitung sowie Caching, um unnötige Durchläufe zu reduzieren. Solche Fähigkeiten verbinden den Agent‑Workflow mit den betrieblichen Beschränkungen eines realen Forschungsbudgets.

Unternehmens‑Teams können Zugriff auf AgenticOS beantragen. Wissenschaftliche Forschende können über Haiqus Academic Program kostenlosen Plattformzugang beantragen und AWS‑Guthaben für klassische und Quanten‑Workloads anfordern; das Unternehmen weist darauf hin, dass die Guthaben einer Genehmigung bedürfen und nicht garantiert sind.

Für Forschungsteams ist der vielversprechende Aspekt der Ankündigung die Kontinuität zwischen Frage, Annahmen, Code und Evidenz. Schnellere Berechnungen sind nur dann wertvoll, wenn Wissenschaftler bestimmen können, was tatsächlich berechnet wurde. AgenticOS macht diese Anforderung zu einem zentralen Bestandteil seines Ansatzes für KI‑unterstützte Quantenforschung.