Une équipe du MIT utilise GPT-5.6 Sol, relié à Codex, pour automatiser une partie des mesures nécessaires à la caractérisation de qubits supraconducteurs. L’agent peut choisir des paramètres, piloter le logiciel du laboratoire, analyser les résultats et décider de la mesure suivante.
L’expérience a été menée par Beatriz Yankelevich au sein du groupe Engineering Quantum Systems du MIT. Elle porte sur une puce standard de six qubits, refroidie près du zéro absolu dans un réfrigérateur à dilution. Une fois la puce fabriquée et installée, les chercheurs la contrôlent entièrement par logiciel à l’aide de signaux micro-ondes.
Une chaîne de mesures interdépendantes
Caractériser un qubit impose d’enchaîner plusieurs expériences dont chaque résultat conditionne la suite. Il faut identifier ses fréquences de transition, régler les impulsions utilisées pour le contrôler et le lire, puis mesurer combien de temps il conserve l’information quantique. Ces propriétés peuvent dériver et les signaux ne sont pas toujours nets.
La chercheuse a fourni à Codex des compétences décrivant la manière d’exécuter et d’évaluer chaque mesure. À partir de ces consignes et des objectifs de conception de la puce, GPT-5.6 Sol a sélectionné les paramètres, lancé les expériences, analysé les données, puis affiné la mesure ou enregistré le résultat pour l’étape suivante.
Quand les signaux étaient clairs, l’agent a terminé une séquence standard avec peu d’intervention humaine. Il a retrouvé les fréquences du qubit, calibré les impulsions de contrôle et de lecture, et estimé sa durée de conservation de l’information. Le laboratoire utilise désormais régulièrement des agents pour ces mesures routinières, qui peuvent se poursuivre pendant plusieurs heures ou la nuit.
Les signaux ambigus restent difficiles
Le test montre aussi une limite nette. Lorsque le signal était faible ou bruité, l’agent mettait davantage de temps à trouver des paramètres adaptés et avait parfois besoin des indications d’un chercheur expérimenté. Il ne remplace donc pas l’interprétation scientifique, surtout lorsqu’un comportement physique sort des cas prévus.
Le gain recherché est avant tout opérationnel. La caractérisation d’une puce de ce type peut occuper plusieurs jours. En confiant les séquences répétitives à des agents, les chercheurs peuvent consacrer davantage de temps à l’analyse, à la conception de nouvelles expériences et à la résolution des anomalies.
Cette expérimentation va plus loin qu’un assistant qui rédige du code. Le modèle agit dans une boucle reliée à un équipement physique, mais dans un cadre défini par des compétences, un logiciel de contrôle et une supervision humaine. Le laboratoire conserve ainsi la décision sur les objectifs et l’interprétation des résultats.
Notre analyse
Le cas du MIT illustre un usage crédible des agents scientifiques : automatiser une procédure bien délimitée dont les étapes sont mesurables. Sa portée reste néanmoins limitée à une équipe, une infrastructure et un type de puce. Il faudra des évaluations indépendantes pour mesurer le taux d’erreur, le temps réellement économisé et la capacité à détecter des résultats physiquement incohérents.
Source : présentation publiée par OpenAI.
