Haiqu dévoile AgenticOS pour maintenir la recherche quantique pilotée par l’IA sur la bonne voie

Un calcul scientifique peut s’exécuter parfaitement et répondre tout de même à la mauvaise question. Si un agent IA modifie discrètement la géométrie d’une molécule ou supprime des électrons d’une simulation, un code fonctionnel et un graphe convaincant peuvent masquer une expérience défectueuse.

C’est le problème que Haiqu vise avec son annonce du 7 octobre d’AgenticOS, un système qui coordonne des équipes d’agents IA spécialisés à travers des projets de recherche quantique. La plateforme est conçue pour faire progresser une idée depuis la revue de la littérature, l’analyse mathématique, la conception et l’exécution d’expériences, tout en maintenant les hypothèses scientifiques accessibles aux chercheurs pour les examiner et les approuver.

Disponible dès maintenant pour les équipes R&D d’entreprise sur demande, AgenticOS s’appuie sur la plateforme de Haiqu annoncée en mai. Son principe central est que l’automatisation scientifique utile nécessite un moyen de préserver le sens de l’expérience à chaque étape du travail.

Transformer une question de recherche en un flux de travail révisable

Selon la page produit AgenticOS de Haiqu, les utilisateurs peuvent commencer avec une question, des articles, des données ou une idée existante. Le système aide à définir les objectifs, les contraintes et les critères de succès, puis organise l’enquête sous forme de graphe de recherche. Les nœuds représentent des équipes d’agents scientifiques, avec des dépendances, des décisions et des artefacts de recherche reliant le travail.

Les chercheurs peuvent examiner les résultats, commenter les hypothèses, rediriger un module et approuver les décisions importantes avant que les tâches en aval ne se poursuivent. Le système s’appuie sur une base de connaissances en théorie quantique, algorithmes et applications industrielles, ainsi que sur les décisions et artefacts acceptés du projet.

Cette structure est importante car un projet de recherche peut échouer bien avant son calcul final. Choisir une approximation modifie ce qui est modélisé ; perdre une contrainte antérieure peut rendre les résultats ultérieurs incomparables. Un flux de travail visible offre aux scientifiques des points d’intervention pour détecter ces changements, au lieu d’essayer de les reconstruire à partir d’une réponse finale.

Dans l’annonce, Haiqu indique que les agents gèrent la revue de la littérature, les dérivations de premiers principes, l’analyse de faisabilité quantique et la vérification des résultats. La validation combine des références classiques, des tests, des agents critiques et une revue humaine, avec une vérification formelle. Les scientifiques décident quelles hypothèses sont figées, où le travail autonome est approprié et quelles étapes nécessitent une validation.

Le cofondateur et directeur technique Mykola Maksymenko a déclaré que le système vise à réduire le travail nécessaire pour transformer une idée de recherche prometteuse en une expérience, permettant aux scientifiques de consacrer davantage d’attention à la sélection et à l’exploration des bonnes questions.

Un test chimique révèle la différence entre le code et la science

L’étude de cas en chimie de Haiqu examine le transfert de proton dans le cation Zundel, H₅O₂⁺ : deux molécules d’eau partageant un proton supplémentaire. La tâche consistait à calculer la barrière énergétique lorsque ce proton se déplace entre elles, dans un cadre scientifique fixe.

Dix exécutions autonomes d’IA ont reçu le même cahier des charges. Toutes ont produit du code fonctionnel, mais quatre ont exclu les électrons requis, et d’autres ont modifié la géométrie ou le trajet du proton. AgenticOS a préservé le protocole convenu, incluant les 20 électrons et une séparation oxygène‑oxygène fixe.

Son calcul de diagonalisation quantique basée sur des échantillons simulés, ou SQD, a produit une barrière de 554.8 millélectronvolts, contre une référence d’interaction de configuration complète de 574.3 millélectronvolts — soit une différence d’environ 3.4 %. SQD combine l’échantillonnage des configurations électroniques avec un calcul énergétique classique.

Ces chiffres décrivent un modèle moléculaire sélectionné. La référence est exacte dans les hypothèses computationnelles de ce modèle ; le résultat n’établit pas une précision universelle ni un avantage quantique. La constatation la plus immédiatement pertinente est que la préservation du protocole a rendu le calcul comparable et significatif.

Haiqu indique que le travail a été accepté lors d’un atelier NeurIPS 2026 axé sur l’IA pour la découverte scientifique. Il demeure une démonstration rapportée par l’entreprise, plutôt qu’un large benchmark indépendant de la fiabilité de la recherche.

D’une simulation contrôlée au matériel quantique

L’annonce décrit également une expérience distincte impliquant le modèle de Hubbard, un cadre d’étude des électrons interactifs. Haiqu a étudié une version dopée et frustrée en deux dimensions avec sauts diagonaux, pertinente pour la recherche sur les supraconducteurs à haute température à base de cuivre.

AgenticOS a développé une expérience sur une grille de trois par trois et l’a exécutée sur un ordinateur quantique IBM. La petite grille a permis une comparaison avec une solution classique exacte. Haiqu rapporte une réduction d’environ 75 % de la profondeur du circuit et une calibration proposée qui a aligné la sortie du matériel avec une exécution sans erreur de la même méthode.

La profondeur du circuit mesure le nombre de couches d’opérations nécessaires à l’exécution d’un circuit quantique. La réduire peut aider sur les processeurs bruyants d’aujourd’hui, où les erreurs s’accumulent pendant le calcul. Un accord avec une exécution idéale constitue une preuve utile concernant la méthode et le flux de travail matériel, mais cela ne signifie pas que l’expérience a résolu la supraconductivité ou dépassé le calcul classique à cette échelle.

La pile logicielle derrière les agents

AgenticOS se situe au-dessus de l’infrastructure logicielle quantique de Haiqu. L’annonce décrit le SDK comme offrant le chargement de données, la compression de circuits et l’atténuation des erreurs, tandis que Haiqu Runtime gère l’exécution sur les simulateurs et les processeurs quantiques.

La page de la plateforme académique de Haiqu ajoute des détails pratiques : les chercheurs peuvent intégrer du code Qiskit dans le SDK, suivre les travaux et conserver les backends, les informations de calibration, les germes aléatoires et les paramètres de compilation. Ces enregistrements aident les équipes à reproduire une expérience et à comprendre pourquoi deux exécutions diffèrent.

La plateforme estime également les coûts de traitement quantique avant l’exécution et utilise le regroupement et la mise en cache pour réduire les exécutions inutiles. De telles capacités relient le flux de travail de l’agent aux contraintes opérationnelles d’un budget de recherche réel.

Les équipes d’entreprise peuvent demander l’accès à AgenticOS. Les chercheurs académiques peuvent postuler pour un accès gratuit à la plateforme via le Programme académique de Haiqu et solliciter des crédits AWS pour les charges de travail classiques et quantiques ; l’entreprise précise que les crédits nécessitent une approbation et ne sont pas garantis.

Pour les équipes de recherche, l’aspect prometteur de l’annonce est la continuité entre la question, les hypothèses, le code et les preuves. Des calculs plus rapides ne sont utiles que lorsque les scientifiques peuvent déterminer ce qui a réellement été calculé. AgenticOS fait de cette exigence une composante centrale de son approche de la recherche quantique assistée par IA.