Haiqu onthult AgenticOS om AI-gedreven kwantumonderzoek op koers te houden

Een wetenschappelijke berekening kan perfect verlopen en toch de verkeerde vraag beantwoorden. Als een AI‑agent stilletjes de geometrie van een molecuul wijzigt of elektronen uit een simulatie verwijdert, kunnen werkende code en een overtuigende grafiek een defect experiment verbergen.

Dat is het probleem dat Haiqu aanpakt met haar aankondiging van AgenticOS op 7 oktober, een systeem dat teams van gespecialiseerde AI‑agents coördineert over kwantumonderzoeksprojecten. Het platform is ontworpen om een idee te begeleiden van literatuuronderzoek, wiskundige analyse, experimenteel ontwerp en uitvoering, terwijl wetenschappelijke aannames beschikbaar blijven voor onderzoekers om te inspecteren en goed te keuren.

Nu beschikbaar voor enterprise‑R&D‑teams op aanvraag, bouwt AgenticOS voort op het platform van Haiqu dat in mei werd aangekondigd. De kernstelling is dat bruikbare wetenschappelijke automatisering een manier nodig heeft om de betekenis van het experiment gedurende elke fase van het werk te behouden.

Een onderzoeksvraag omzetten in een controleerbare workflow

Volgens de AgenticOS‑productpagina van Haiqu kunnen gebruikers beginnen met een vraag, papers, data of een bestaand idee. Het systeem helpt doelstellingen, beperkingen en succescriteria vast te stellen, en organiseert vervolgens het onderzoek in een onderzoeks‑grafiek. Knopen vertegenwoordigen teams van wetenschappelijke agents, met afhankelijkheden, beslissingen en onderzoeksartefacten die het werk verbinden.

Onderzoekers kunnen de uitkomsten bekijken, commentaar geven op aannames, een module omleiden en belangrijke beslissingen goedkeuren voordat vervolg‑taken worden uitgevoerd. Het systeem maakt gebruik van een kennisbank van kwantumtheorie, algoritmen en industriële toepassingen, samen met de geaccepteerde beslissingen en artefacten van het project.

Die structuur is belangrijk omdat een onderzoeksproject al lang vóór de uiteindelijke berekening kan falen. Het kiezen van een benadering verandert wat er gemodelleerd wordt; het verliezen van een eerdere beperking kan latere resultaten ontovergelijken maken. Een zichtbare workflow biedt wetenschappers punten om die wijzigingen op te vangen, in plaats van ze te proberen reconstrueren uit een afgerond antwoord.

In de aankondiging zegt Haiqu dat de agents literatuuronderzoek, eerste‑principes‑afleidingen, kwantum‑haalbaarheidsanalyse en resultaatcontrole uitvoeren. Validatie combineert klassieke baselines, tests, critic‑agents en menselijke beoordeling, met formele verificatie. Wetenschappers bepalen welke aannames vastgezet zijn, waar autonoom werk passend is en welke stappen ondertekening vereisen.

Medeoprichter en CTO Mykola Maksymenko zei dat het systeem bedoeld is om de arbeidsintensiteit te verminderen die nodig is om een veelbelovend onderzoeks­idee om te zetten in een experiment, zodat wetenschappers meer aandacht kunnen besteden aan het selecteren en onderzoeken van de juiste vragen.

Een chemische test onthult het verschil tussen code en wetenschap

De chemische case study van Haiqu onderzoekt protonoverdracht in het Zundel‑kation, H₅O₂⁺: twee watermoleculen die een extra proton delen. De taak was om de energiedrempel te berekenen terwijl dat proton tussen hen beweegt, onder een vaste wetenschappelijke opstelling.

Tien afzonderlijke AI‑runs kregen dezelfde opdracht. Allemaal leverden werkende code op, maar vier sloten vereiste elektronen uit, en anderen wijzigden de geometrie of het pad van het proton. AgenticOS behield het overeengekomen protocol, inclusief alle 20 elektronen en een vaste zuurstof‑zuurstofafstand.

De gesimuleerde, op monsters gebaseerde kwantum‑diagonaliserings‑ (SQD‑) berekening leverde een drempel van 554,8 millielectronvolt op, tegenover een referentie van 574,3 millielectronvolt volledige configuratie‑interactie — ongeveer een verschil van 3,4 %. SQD combineert het bemonsteren van elektronische configuraties met een klassieke energieberekening.

Die cijfers beschrijven één geselecteerd moleculair model. De referentie is exact binnen de computationele aannames van dat model; het resultaat bewijst geen universele nauwkeurigheid of kwantumvoordeel. De directer relevante bevinding is dat het behouden van het protocol de berekening betekenisvol maakte om te vergelijken.

Haiqu meldt dat het werk werd geaccepteerd op een NeurIPS‑2026‑workshop gericht op AI voor wetenschappelijke ontdekking. Het blijft een door het bedrijf gerapporteerde demonstratie, in plaats van een brede onafhankelijke benchmark van onderzoeksbetrouwbaarheid.

Van een gecontroleerde simulatie naar kwantumhardware

De aankondiging beschrijft ook een apart experiment met het Hubbard‑model, een raamwerk voor het bestuderen van interacterende elektronen. Haiqu onderzocht een gedoopte, gefrustreerde tweedimensionale versie met diagonale hopping, relevant voor onderzoek naar koper‑gebaseerde hogetemperatuursupergeleiders.

AgenticOS ontwikkelde een experiment op een drie‑bij‑drie‑rooster en voerde het uit op een IBM‑kwantumcomputer. Het kleine rooster maakte vergelijking met een exacte klassieke oplossing mogelijk. Haiqu meldt een reductie van ongeveer 75 % in circuitdiepte en een voorgestelde kalibratie die de hardware‑output afstemde op een fout‑vrije uitvoering van dezelfde methode.

Circuitdiepte meet het aantal lagen van operaties dat nodig is om een kwantumcircuit uit te voeren. Het verminderen ervan kan helpen op de huidige ruis‑gevoelige processors, waar fouten zich tijdens de berekening ophopen. Overeenstemming met een ideale uitvoering is nuttig bewijs over de methode en de hardware‑workflow, maar het betekent niet dat het experiment supergeleiding heeft opgelost of dat het klassieke computing op die schaal heeft overtroffen.

De software‑stack achter de agents

AgenticOS bevindt zich boven de quantum‑software‑infrastructuur van Haiqu. In de aankondiging wordt beschreven dat de SDK data‑laden, circuitcompressie en foutmitigatie biedt, terwijl Haiqu Runtime de uitvoering op simulators en quantum‑processors beheert.

Haiqu’s academische platformpagina voegt praktische details toe: onderzoekers kunnen Qiskit‑code in de SDK brengen, taken volgen en back‑ends, kalibratie‑informatie, willekeurige zaden en compilatie‑instellingen bewaren. Die gegevens helpen teams een experiment te reproduceren en te begrijpen waarom twee uitvoeringen verschillen.

Het platform schat ook de kosten van quantumverwerking voorafgaand aan de uitvoering en maakt gebruik van batchverwerking en caching om onnodige runs te verminderen. Dergelijke mogelijkheden verbinden de agent‑workflow met de operationele beperkingen van een echt onderzoeksbudget.

Enterprise‑teams kunnen toegang tot AgenticOS aanvragen. Academische onderzoekers kunnen gratis platformtoegang aanvragen via Haiqu’s Academic Program en AWS‑credits zoeken voor klassieke en quantum‑workloads; het bedrijf merkt op dat credits goedkeuring vereisen en niet gegarandeerd zijn.

Voor onderzoeksteams is het veelbelovende deel van de aankondiging de continuïteit tussen vraag, aannames, code en bewijs. Snellere berekeningen zijn alleen waardevol wanneer wetenschappers kunnen bepalen wat er daadwerkelijk is berekend. AgenticOS maakt die eis tot een centraal onderdeel van zijn benadering van AI‑ondersteund kwantumonderzoek.