Haiqu lanserer AgenticOS for å holde AI-drevet kvanteforskning på sporet

En vitenskapelig beregning kan kjøre perfekt og likevel besvare feil spørsmål. Hvis en AI‑agent stille endrer et molekyls geometri eller fjerner elektroner fra en simulering, kan fungerende kode og en overbevisende graf skjule et ødelagt eksperiment.

Det er problemet Haiqu retter seg mot med sin kunngjøring av AgenticOS 7. oktober, et system som koordinerer team av spesialiserte AI‑agenter på tvers av kvanteforskningsprosjekter. Plattformen er designet for å føre en idé gjennom litteraturgjennomgang, matematisk analyse, eksperimentdesign og utførelse, samtidig som vitenskapelige antakelser holdes tilgjengelige for forskere å inspisere og godkjenne.

Tilgjengelig nå for bedrifts‑FoU‑team på forespørsel, bygger AgenticOS på Haiqu sin plattform kunngjort i mai. Hovedpåstanden er at nyttig vitenskapelig automatisering trenger en måte å bevare eksperimentets mening gjennom alle stadier av arbeidet.

Omforme et forskningsspørsmål til en gjennomgåelig arbeidsflyt

Ifølge Haiqu sin AgenticOS produktside kan brukere begynne med et spørsmål, artikler, data eller en eksisterende idé. Systemet hjelper med å etablere mål, begrensninger og suksesskriterier, og organiserer deretter undersøkelsen i en forskningsgraf. Noder representerer team av vitenskapelige agenter, med avhengigheter, beslutninger og forskningsartefakter som knytter arbeidet sammen.

Forskere kan undersøke resultater, kommentere antakelser, omdirigere en modul og godkjenne viktige beslutninger før påfølgende oppgaver fortsetter. Systemet trekker på en kunnskapsbase om kvanteteori, algoritmer og bransjeapplikasjoner, sammen med prosjektets aksepterte beslutninger og artefakter.

Den strukturen er viktig fordi et forskningsprosjekt kan mislykkes lenge før den endelige beregningen. Valg av en tilnærming endrer hva som modelleres; tap av en tidligere begrensning kan gjøre senere resultater uforenlige. En synlig arbeidsflyt gir forskere steder å oppdage disse endringene, i stedet for å prøve å rekonstruere dem fra et ferdig svar.

I kunngjøringen sier Haiqu at agentene håndterer litteraturgjennomgang, førsteprinsipps‑avledninger, kvante‑gjennomførbarhetsanalyse og resultatkontroll. Validering kombinerer klassiske referanser, tester, kritikk‑agenter og menneskelig gjennomgang, med formell verifisering. Forskere bestemmer hvilke antakelser som er låst, hvor autonomt arbeid er hensiktsmessig og hvilke trinn som krever godkjenning.

Medgründer og CTO Mykola Maksymenko sa at systemet er ment å redusere arbeidsmengden som kreves for å omforme en lovende forskningsidé til et eksperiment, slik at forskere kan bruke mer oppmerksomhet på å velge og undersøke de riktige spørsmålene.

En kjemitest avslører forskjellen mellom kode og vitenskap

Haiqu sin kjemi case study undersøker protonoverføring i Zundel‑kationen, H₅O₂⁺: to vannmolekyler som deler et ekstra proton. Oppgaven var å beregne energibarrieren når det protonet beveger seg mellom dem, under et fast vitenskapelig oppsett.

Ti frittstående AI‑kjøringer fikk samme oppgave. Alle produserte fungerende kode, men fire utelot nødvendige elektroner, og andre endret geometri eller protonens bane. AgenticOS bevarte den avtalte protokollen, inkludert alle 20 elektroner og en fast oksygen‑oksygen‑avstand.

Den simulerte prøvebaserte kvante‑diagonaliserings‑ (SQD) beregningen ga en barriere på 554,8 millielektronvolt, versus en full konfigurasjonsinteraksjonsreferanse på 574,3 millielektronvolt – omtrent 3,4 % forskjell. SQD kombinerer prøvetaking av elektroniske konfigurasjoner med en klassisk energiberegning.

Disse tallene beskriver én valgt molekylmodell. Referansen er eksakt innenfor modellens beregningsantakelser; resultatet fastslår ikke universell nøyaktighet eller kvantefordel. Den mer umiddelbart relevante funnet er at bevaring av protokollen gjorde beregningen meningsfull for sammenligning.

Haiqu sier at arbeidet ble akseptert på en NeurIPS‑2026‑workshop med fokus på AI for vitenskapelig oppdagelse. Det forblir en bedriftsrapportert demonstrasjon, snarere enn en bred uavhengig benchmark av forskningspålitelighet.

Fra en kontrollert simulering til kvante‑maskinvare

Kunngjøringen beskriver også et eget eksperiment som involverer Hubbard‑modellen, et rammeverk for å studere interagerende elektroner. Haiqu undersøkte en dopet, frustrert todimensjonal versjon med diagonal hopping, relevant for forskning på kobberbaserte høytemperatur‑superledere.

AgenticOS utviklet et eksperiment på et tre‑på‑tre‑rutenett og kjørte det på en IBM‑kvantedatamaskin. Det lille rutenettet tillot sammenligning med en eksakt klassisk løsning. Haiqu rapporterer en om lag 75 % reduksjon i kretsdybde og en foreslått kalibrering som justerte maskinvareutdataene med en feilfri kjøring av samme metode.

Kretsdybde måler antall lag med operasjoner som trengs for å utføre en kvantekrets. Å redusere den kan hjelpe på dagens støyende prosessorer, hvor feil akkumuleres under beregning. Enighet med en ideell utførelse er nyttig bevis på metoden og maskinvare‑arbeidsflyten, men det betyr ikke at eksperimentet har løst superledning eller overgått klassisk databehandling i den skalaen.

Programvare‑stakken bak agentene

AgenticOS ligger over Haiqu sin kvanteprogramvareinfrastruktur. Kunngjøringen beskriver SDK-en som gir datainlasting, kretskomprimering og feilreduksjon, mens Haiqu Runtime håndterer utførelse på simulatorer og kvanteprosessorer.

Haiqu sin akademisk plattformside legger til praktisk informasjon: forskere kan bringe Qiskit‑kode inn i SDK-en, spore jobber og bevare backends, kalibreringsinformasjon, tilfeldige frø og kompilasjonsinnstillinger. Disse registreringene hjelper team med å gjenskape et eksperiment og forstå hvorfor to kjøringer avviker.

Plattformen estimerer også kvantebehandlingskostnader før utførelse og bruker batch‑ og cache‑mekanismer for å redusere unødvendige kjøringer. Slike funksjoner knytter agentarbeidsflyten til de operative begrensningene i et reelt forskningsbudsjett.

Bedriftsteam kan be om tilgang til AgenticOS. Akademiske forskere kan søke om gratis plattformtilgang gjennom Haiqu sitt Academic Program og be om AWS‑kreditter for klassiske og kvantearbeidsbelastninger; selskapet bemerker at kreditter krever godkjenning og ikke er garantert.

For forskningsteam er den lovende delen av kunngjøringen kontinuiteten mellom spørsmål, antakelser, kode og bevis. Raskere beregninger er kun verdifulle når forskere kan fastslå hva som faktisk ble beregnet. AgenticOS gjør dette kravet til en sentral del av sin tilnærming til AI‑assistert kvanteforskning.