Haiqu lança AgenticOS para manter a pesquisa quântica impulsionada por IA no caminho certo

Um cálculo científico pode ser executado perfeitamente e ainda assim responder à pergunta errada. Se um agente de IA altera silenciosamente a geometria de uma molécula ou remove elétrons de uma simulação, código funcional e um gráfico convincente podem ocultar um experimento falho.

Esse é o problema que Haiqu está abordando com seu anúncio de 7 de outubro do AgenticOS, um sistema que coordena equipes de agentes de IA especializados em projetos de pesquisa quântica. A plataforma foi projetada para conduzir uma ideia através da revisão de literatura, análise matemática, design e execução de experimentos, mantendo as suposições científicas disponíveis para que os pesquisadores as inspecionem e aprovem.

Disponível agora para equipes corporativas de P&D mediante solicitação, o AgenticOS baseia‑se na plataforma da Haiqu anunciada em maio. Sua proposição central é que a automação científica útil precisa de um meio para preservar o significado do experimento em todas as etapas do trabalho.

Transformando uma pergunta de pesquisa em um fluxo de trabalho revisável

De acordo com a AgenticOS página do produto da Haiqu, os usuários podem começar com uma pergunta, artigos, dados ou uma ideia existente. O sistema ajuda a estabelecer objetivos, restrições e critérios de sucesso, e então organiza a investigação em um grafo de pesquisa. Os nós representam equipes de agentes científicos, com dependências, decisões e artefatos de pesquisa conectando o trabalho.

Os pesquisadores podem examinar os resultados, comentar as suposições, redirecionar um módulo e aprovar decisões importantes antes que as tarefas subsequentes prossigam. O sistema utiliza uma base de conhecimento de teoria quântica, algoritmos e aplicações industriais, juntamente com as decisões e artefatos aceitos do projeto.

Essa estrutura é importante porque um projeto de pesquisa pode falhar muito antes de seu cálculo final. Escolher uma aproximação altera o que está sendo modelado; perder uma restrição anterior pode tornar os resultados posteriores incomparáveis. Um fluxo de trabalho visível oferece aos cientistas pontos para detectar essas mudanças, em vez de tentar reconstruí‑las a partir de uma resposta concluída.

No anúncio, a Haiqu afirma que os agentes realizam revisão de literatura, derivações de primeiros princípios, análise de viabilidade quântica e verificação de resultados. A validação combina linhas de base clássicas, testes, agentes críticos e revisão humana, com verificação formal. Os cientistas determinam quais suposições estão fixas, onde o trabalho autônomo é adequado e quais etapas exigem aprovação.

O cofundador e CTO Mykola Maksymenko disse que o sistema tem o objetivo de reduzir o esforço necessário para transformar uma ideia de pesquisa promissora em um experimento, permitindo que os cientistas dediquem mais atenção à seleção e investigação das questões corretas.

Um teste de química expõe a diferença entre código e ciência

O estudo de caso de química da Haiqu examina a transferência de prótons no cátion Zundel, H₅O₂⁺: duas moléculas de água compartilhando um próton extra. A tarefa era calcular a barreira de energia enquanto esse próton se move entre elas, sob uma configuração científica fixa.

Dez execuções autônomas de IA receberam o mesmo briefing. Todas geraram código funcional, mas quatro excluíram elétrons necessários, e outras alteraram a geometria ou o trajeto do próton. O AgenticOS preservou o protocolo acordado, incluindo todos os 20 elétrons e uma separação fixa oxigênio‑oxigênio.

Seu cálculo de diagonalização quântica baseada em amostras simuladas, ou SQD, produziu uma barreira de 554,8 milieletrôn‑volts, versus uma referência de interação de configuração completa de 574,3 milieletrôn‑volts — cerca de 3,4 % de diferença. O SQD combina amostragem de configurações eletrônicas com um cálculo de energia clássico.

Esses números descrevem um modelo molecular selecionado. A referência é exata dentro das suposições computacionais desse modelo; o resultado não estabelece precisão universal ou vantagem quântica. A constatação mais imediatamente relevante é que preservar o protocolo tornou o cálculo significativo para comparação.

A Haiqu afirma que o trabalho foi aceito em um workshop da NeurIPS 2026 focado em IA para descoberta científica. Ele continua sendo uma demonstração relatada pela empresa, e não um amplo benchmark independente de confiabilidade da pesquisa.

De uma simulação controlada ao hardware quântico

O anúncio também descreve um experimento separado envolvendo o modelo Hubbard, uma estrutura para estudar elétrons interagentes. A Haiqu investigou uma versão dopada e frustrada bidimensional com salto diagonal, relevante para pesquisas sobre supercondutores de alta temperatura à base de cobre.

O AgenticOS desenvolveu um experimento em uma grade de três por três e o executou em um computador quântico da IBM. A grade pequena permitiu a comparação com uma solução clássica exata. A Haiqu relata uma redução de aproximadamente 75 % na profundidade do circuito e uma calibração proposta que alinhou a saída do hardware com uma execução livre de erros do mesmo método.

A profundidade do circuito mede as camadas de operações necessárias para executar um circuito quântico. Reduzi‑la pode ajudar nos processadores ruidosos de hoje, onde os erros se acumulam durante o cálculo. A concordância com uma execução ideal é uma evidência útil sobre o método e o fluxo de trabalho do hardware, mas não significa que o experimento tenha resolvido a supercondutividade ou superado a computação clássica nessa escala.

A pilha de software por trás dos agentes

AgenticOS está acima da infraestrutura de software quântico da Haiqu. O anúncio descreve o SDK como fornecendo carregamento de dados, compressão de circuitos e mitigação de erros, enquanto o Haiqu Runtime gerencia a execução em simuladores e processadores quânticos.

A página da plataforma acadêmica da Haiqu adiciona detalhes práticos: os pesquisadores podem trazer código Qiskit para o SDK, acompanhar trabalhos e preservar backends, informações de calibração, sementes aleatórias e configurações de compilação. Esses registros ajudam as equipes a reproduzir um experimento e a entender por que duas execuções diferem.

A plataforma também estima os custos de processamento quântico antes da execução e usa agrupamento e cache para reduzir execuções desnecessárias. Essas capacidades conectam o fluxo de trabalho do agente às restrições operacionais de um orçamento de pesquisa real.

Equipes empresariais podem solicitar acesso ao AgenticOS. Pesquisadores acadêmicos podem solicitar acesso gratuito à plataforma por meio do Programa Acadêmico da Haiqu e buscar créditos da AWS para cargas de trabalho clássicas e quânticas; a empresa observa que os créditos requerem aprovação e não são garantidos.

Para equipes de pesquisa, a parte promissora do anúncio é a continuidade entre a questão, as suposições, o código e as evidências. Cálculos mais rápidos são valiosos apenas quando os cientistas podem determinar o que foi realmente calculado. O AgenticOS torna essa exigência uma parte central de sua abordagem à pesquisa quântica assistida por IA.