AI Agent 也能做量子物理實驗了！
近日，英國牛津大學曹舒翔博士使用基於大模型的 AI Agent，成功地讓真人實驗人員告別了繁瑣重複的實驗工作。具體來說，曹舒翔博士和合作者所搭建的 Agent 能夠理解科研人員使用自然語言所描述的實驗過程和實驗目標，結合它自帶的知識庫，自行完成量子物理實驗的設計、執行和資料分析。
圖 | 曹舒翔（來源：曹舒翔）
他們把這套系統部署在了自己的超導量子計算實驗平臺上，成功實現了單位元和兩位元量子門的自動校準。而且，Agent 可以根據科研需要在量子計算機上生成量子態並進行分析。在這個案例展示之中，最複雜的部分是兩位元門的自動校準。而本次設計的 Agent 在沒有人為干預的情況下，進行了大約 3 個小時的自動實驗，併成功找到多組可以實現兩位元門的引數組合。
（來源：arXiv）
相比其他的工作，曹舒翔博士和合作者所搭建的 Agent 針對實驗物理學研究場景實現了三個功能：
第一，Agent 能夠根據科研人員提出的實驗描述和實驗目標，設計出全部的實驗步驟，並把實驗步驟轉換為一個“狀態機”，即無論是實驗成功還是實驗失敗，Agent 都能知道下一步該做什麼。在這種情況下，Agent 自動規劃的工作流程更加可靠，要麼能夠工作到實驗成功完成，要麼會在進入無法恢復的不得已狀態下向科研人員求助。
第二，Agent 能夠動態分析並理解已經存在的操作儀裝置的程式碼庫，將每一步實驗透過這些程式碼庫實現出來。實驗人員可以隨時向程式碼庫中修改或新增新的儀器操作介面增強 Agent 的實驗能力。
第三，在每一個實驗完成之後，Agent 能夠自行分析實驗資料，藉此判斷這次實驗是否成功達到預期目的。如果不成功，它會先判斷是否需要重新調整引數；如果需要，它將自行調整引數。與此同時，在這一步的結果會返回給“狀態機”並驅動“狀態機”的執行。
要實現以上的功能，需要讓大模型掌握整個實驗所需的知識。曹舒翔和所在團隊設計的 Agent，相比此前已有系統有著三個重要改進。
首先，Agent 能夠根據知識把實驗步驟轉化為“狀態機”，並讓大模型來決定狀態的更新和跳轉。曹舒翔表示透過本次研究，他們證明使用“狀態機”可以成功穩定的實現複雜實驗流程的自動化。
其次，Agent 能將知識同時從程式碼和文件裡提取出來，並能進行結構化的整理和儲存。在進行實驗設計或程式碼生成時，Agent 可以進行高效快速的查詢，並能翻譯成實驗指令碼程式碼。相比直接生成大段的程式碼，這一方案更加符合自動化實驗的場景，且具有較好的穩定性。
再次，在曹舒翔等人所打造的知識庫之中，包含了圖片的多模態資料，他們還透過引入小樣本學習，並使用多模態大模型針對實驗資料進行解讀。藉此發現，很多實驗很難僅僅透過自然語言來對實驗成功與否進行精確描述。而該團隊先給模型展示一些成功和失敗的案例圖片，再把採集到的資料轉化為圖片並讓模型進行分析，藉此極大提升了模型準確率。
總的來說，Agent 可以極大降低超導量子計算平臺的實驗成本，並能把科研人員從技術細節和工程細節中解放出來。同時，曹舒翔認為本次解決方案的適用範圍非常廣泛，不僅能用於量子計算，也能用於其他型別的科學研究，甚至能用於工業和服務業的複雜自動化場景中。
（來源：arXiv）
據瞭解，曹舒翔本科畢業於浙江大學竺可楨學院，並在畢業後到牛津大學攻讀博士。在此期間，由他聯合創立的量子人工智慧公司 Rahko 於 2022 年被美國生物技術公司 Odyssey Therapeutics 收購。曹舒翔目前在牛津大學從事博士後研究，主要研究 AI 在科研領域可能的運用場景。該研究的共同一作張子健來自加拿大多倫多大學的 Alan Aspuru-Guzik 課題組，他的研究專注於 AI Agent 的知識表示和人機互動。
曹舒翔表示，本次研究受到了早期 GPT Agent 工作 AutoGPT 的啟發。最早的 AutoGPT 能在給定一個任務目標之後，一步一步地實現目標，並能使用搜索引擎和檔案建立等簡單的工具。
在本次研究之中，曹舒翔等人先是開展了一些預實驗，比如讓一些早期 Agent 直接控制量子計算裝置。但是，實驗效果卻是差強人意，主要是因為模型無法瞭解他們的實驗要求，只能照貓畫虎地進行“看似有用實則無用”的操作。在曹舒翔等人看來，這其實就是模型在沒有知識儲備的情況下進行的“敷衍”。
後來，領域內的其他團隊開始使用更復雜的檢索增強生成（RAG，Retrieval-Augmented Generation）方法，來將具體場景的知識提供給模型，藉此來增強模型的能力。
後來，曹舒翔等人調研了很多其他 Agent 的實現方法，藉此提出一種適合該團隊研究場景的解決方案。與此同時，他們提出一個針對實驗知識進行整理和儲存的方案，即透過撰寫結構化文件的方式，不僅能讓大模型進行快速索引並查詢到相關內容，還能為人類進行分析和閱讀。
透過以上方案，讓模型擁有了使用量子實驗裝置的能力。在接下來的研究中 Agent 首先在模擬構建的量子計算裝置測試環境中進行了進行互動，驗證了準確性後在真實量子計算裝置上進行了驗證。
期間，該團隊測試了很多方案。例如，在最早的方案之中他們並沒有引入“狀態機”，而是讓模型直接生成長指令碼並完成實驗，但是他們發現，目前的模型還不足以直接完成這類複雜任務。
於是，他們透過引入更多的 Agent 並把任務加以細分，藉此找到了每個功能的最佳實現方法，並將它們進行整合，進而在真實量子計算機上成功完成測試。
但是，測試中他們發現此前構建的系統穩定性欠佳，原因是大模型很難去解讀實驗資料。由於這些資料是模型完全沒有見過的，因此透過語言描述很難進行準確區分。
為此，他們嘗試了很多方法，包括直接分析文字資料、讓模型自己寫程式碼進行資料分析並解讀分析結果等。最後，他們發現最穩定和最實用的方案是：使用小樣本學習配合多模態的方式，來教會模型卻解讀資料。
完成以上步驟之後，他們使用大模型針對量子計算機進行自動校準的複雜實驗，成功校準了單位元門和兩位元門，同時展示了模型根據真人科研人員指令快速構建新實驗的能力。
（來源：arXiv）
日前，相關論文以《應用於量子計算的自動化實驗室智慧體》（Agents for self-driving laboratories applied to quantum computing）為題發表在預印本網站 arXiv 上 [1]。同時，曹舒翔博士在 2025 年美國物理學會全球峰會上（APS Global Summit 2025）以《利用基於知識的 AI 智慧體實現實驗自動化：超導量子處理器案例研究》（Automating Experiments with Knowledge-Based AI Agents: A Case Study in Superconducting Quantum Processors）對相關工作進行了彙報 [2]。
圖 | 相關論文（來源：arXiv）
未來，曹舒翔等人將研究如何讓引數更小的模型來驅動他們所搭建的Agent。該團隊目前的 Agent 框架尚未涉及到針對模型的微調，這就要求驅動這個框架的模型的本身能力必須足夠好。比如，目前得使用 GPT-4、Claude-3-Opus 等模型才能產生比較穩定的效果。所以，未來他們將透過微調方式或蒸餾方式來使用引數更小的模型，以及降低框架所需要的推理開銷。
圖 | 美國物理學會全球峰會（來源：曹舒翔）
同時，他們還將增強模型對於科學資料的理解。目前，該團隊將掃描到的結果生成為一張帶有座標系的二維圖片，儘管模型可以識別出圖片中科研人員感興趣，並希望更進一步進行精細掃描研究的部分，但卻不能準確指出具體的引數範圍。因此，他們將進一步研究能夠處理科學任務的多模態模型。
最後，他們將透過尋找合適的最佳化方法，來讓模型更高效地部署到邊緣計算裝置上，從而讓本次案能夠適用於更多應用場景。
參考資料：
1.https://arxiv.org/pdf/2412.07978
2.https://summit.aps.org/events/MAR-G18/4
運營/排版：何晨龍