Haiqu presenta AgenticOS per mantenere la ricerca quantistica guidata dall’IA sulla buona strada

Un calcolo scientifico può funzionare perfettamente e rispondere comunque alla domanda sbagliata. Se un agente IA modifica silenziosamente la geometria di una molecola o elimina elettroni da una simulazione, il codice funzionante e un grafico convincente possono nascondere un esperimento difettoso.

Questo è il problema che Haiqu sta affrontando con il suo annuncio del 7 ottobre di AgenticOS, un sistema che coordina team di agenti IA specializzati nei progetti di ricerca quantistica. La piattaforma è progettata per portare un’idea attraverso la revisione della letteratura, l’analisi matematica, la progettazione e l’esecuzione dell’esperimento, mantenendo le ipotesi scientifiche disponibili affinché i ricercatori le esaminino e le approvino.

Disponibile ora per i team di R&D aziendali su richiesta, AgenticOS si basa sulla piattaforma di Haiqu annunciata a maggio. La sua proposta centrale è che un’automazione scientifica utile richieda un modo per preservare il significato dell’esperimento in ogni fase del lavoro.

Trasformare una domanda di ricerca in un flusso di lavoro revisionabile

Secondo la pagina del prodotto AgenticOS di Haiqu, gli utenti possono iniziare con una domanda, articoli, dati o un’idea esistente. Il sistema aiuta a definire obiettivi, vincoli e criteri di successo, quindi organizza l’indagine in un grafo di ricerca. I nodi rappresentano team di agenti scientifici, con dipendenze, decisioni e artefatti di ricerca che collegano il lavoro.

I ricercatori possono esaminare i risultati, commentare le ipotesi, reindirizzare un modulo e approvare decisioni importanti prima che le attività successive proseguano. Il sistema si basa su una base di conoscenza di teoria quantistica, algoritmi e applicazioni industriali, insieme alle decisioni e agli artefatti accettati del progetto.

Questa struttura è importante perché un progetto di ricerca può fallire molto prima del calcolo finale. Scegliere un’approssimazione cambia ciò che viene modellato; perdere un vincolo precedente può rendere i risultati successivi incomparabili. Un flusso di lavoro visibile offre agli scienziati punti in cui intercettare tali modifiche, invece di cercare di ricostruirle da una risposta conclusa.

Nell’annuncio, Haiqu afferma che gli agenti gestiscono la revisione della letteratura, le derivazioni da primi principi, l’analisi di fattibilità quantistica e il controllo dei risultati. La validazione combina baseline classiche, test, agenti critici e revisione umana, con verifica formale. Gli scienziati determinano quali ipotesi sono fissate, dove è appropriato il lavoro autonomo e quali passaggi richiedono l’approvazione.

Il cofondatore e CTO Mykola Maksymenko ha dichiarato che il sistema è destinato a ridurre il lavoro necessario per trasformare un’idea di ricerca promettente in un esperimento, consentendo agli scienziati di dedicare più attenzione alla selezione e all’indagine delle domande giuste.

Un test di chimica evidenzia la differenza tra codice e scienza

Lo studio di caso di chimica di Haiqu esamina il trasferimento di protone nello ione Zundel, H₅O₂⁺: due molecole d’acqua che condividono un protone extra. L’obiettivo era calcolare la barriera energetica mentre quel protone si sposta tra di esse, in un contesto scientifico fisso.

Dieci esecuzioni autonome di IA hanno ricevuto lo stesso compito. Tutte hanno prodotto codice funzionante, ma quattro hanno escluso gli elettroni richiesti, e altre hanno modificato la geometria o il percorso del protone. AgenticOS ha preservato il protocollo concordato, includendo tutti i 20 elettroni e una separazione ossigeno‑ossigeno fissa.

Il suo calcolo di diagonalizzazione quantistica basata su campioni simulati, o SQD, ha prodotto una barriera di 554,8 millielettronvolt, rispetto a un riferimento di interazione a configurazione completa di 574,3 millielettronvolt—circa una differenza del 3,4 %. SQD combina il campionamento delle configurazioni elettroniche con un calcolo energetico classico.

Questi numeri descrivono un modello molecolare selezionato. Il riferimento è esatto entro le ipotesi computazionali di quel modello; il risultato non stabilisce un’accuratezza universale né un vantaggio quantistico. La scoperta più immediatamente rilevante è che preservare il protocollo ha reso il calcolo significativo per il confronto.

Haiqu afferma che il lavoro è stato accettato a un workshop NeurIPS 2026 incentrato sull’IA per la scoperta scientifica. Rimane una dimostrazione segnalata dall’azienda, piuttosto che un ampio benchmark indipendente sull’affidabilità della ricerca.

Da una simulazione controllata all’hardware quantistico

L’annuncio descrive anche un esperimento separato che coinvolge il modello di Hubbard, un quadro per studiare gli elettroni interagenti. Haiqu ha investigato una versione dopata e frustrata bidimensionale con salto diagonale, rilevante per la ricerca sui superconduttori ad alta temperatura a base di rame.

AgenticOS ha sviluppato un esperimento su una griglia di tre per tre e lo ha eseguito su un computer quantistico IBM. La piccola griglia ha consentito il confronto con una soluzione classica esatta. Haiqu riferisce una riduzione di circa il 75 % della profondità del circuito e una calibrazione proposta che ha allineato l’output hardware con un’esecuzione priva di errori dello stesso metodo.

La profondità del circuito misura i livelli di operazioni necessari per eseguire un circuito quantistico. Ridurla può aiutare sui processori rumorosi di oggi, dove gli errori si accumulano durante il calcolo. L’accordo con un’esecuzione ideale è una prova utile sul metodo e sul flusso di lavoro hardware, ma non significa che l’esperimento abbia risolto la superconduttività o superato il calcolo classico a quella scala.

Lo stack software dietro gli agenti

AgenticOS si colloca sopra l’infrastruttura software quantistica di Haiqu. L’annuncio descrive l’SDK come fornitore di caricamento dati, compressione di circuiti e mitigazione degli errori, mentre Haiqu Runtime gestisce l’esecuzione su simulatori e processori quantistici.

La pagina della piattaforma accademica di Haiqu aggiunge dettagli pratici: i ricercatori possono importare codice Qiskit nell’SDK, tracciare i job e conservare backend, informazioni di calibrazione, semi casuali e impostazioni di compilazione. Questi record aiutano i team a riprodurre un esperimento e a capire perché due esecuzioni differiscono.

La piattaforma stima inoltre i costi di elaborazione quantistica prima dell’esecuzione e utilizza il batching e il caching per ridurre esecuzioni non necessarie. Tali capacità collegano il flusso di lavoro dell’agente ai vincoli operativi di un vero budget di ricerca.

I team aziendali possono richiedere l’accesso a AgenticOS. I ricercatori accademici possono richiedere l’accesso gratuito alla piattaforma tramite il Programma Accademico di Haiqu e richiedere crediti AWS per carichi di lavoro classici e quantistici; l’azienda osserva che i crediti richiedono approvazione e non sono garantiti.

Per i team di ricerca, la parte più promettente dell’annuncio è la continuità tra domanda, ipotesi, codice e evidenza. Calcoli più rapidi sono utili solo quando gli scienziati possono determinare cosa è stato effettivamente calcolato. AgenticOS rende tale requisito una parte centrale del suo approccio alla ricerca quantistica assistita dall’IA.