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于大模型的 AI Agent，成功地讓真人實驗人員告別了繁瑣重復的實驗工作。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、執行和數據分析。

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，成功實現了單比特和兩比特量子門的自動校準。而且，Agent 可以根據科研需要在量子計算機上生成量子態并進行分析。在這個案例展示之中，最復雜的部分是兩比特門的自動校準。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，并成功找到多組可以實現兩比特門的參數組合。

（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，并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么。在這種情況下，Agent 自動規劃的工作流程更加可靠，要么能夠工作到實驗成功完成，要么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 能夠動態分析并理解已經存在的操作儀設備的代碼庫，將每一步實驗通過這些代碼庫實現出來。實驗人員可以隨時向代碼庫中修改或添加新的儀器操作接口增強 Agent 的實驗能力。

第三，在每一個實驗完成之后，Agent 能夠自行分析實驗數據，借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參數；如果需要，它將自行調整參數。與此同時，在這一步的結果會返回給“狀態機”并驅動“狀態機”的運行。

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”，并讓大模型來決定狀態的更新和跳轉。曹舒翔表示通過本次研究，他們證明使用“狀態機”可以成功穩定的實現復雜實驗流程的自動化。

其次，Agent 能將知識同時從代碼和文檔里提取出來，并能進行結構化的整理和存儲。在進行實驗設計或代碼生成時，Agent 可以進行高效快速的查詢，并能翻譯成實驗腳本代碼。相比直接生成大段的代碼，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數據，他們還通過引入小樣本學習，并使用多模態大模型針對實驗數據進行解讀。借此發現，很多實驗很難僅僅通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，再把采集到的數據轉化為圖片并讓模型進行分析，借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，并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范圍非常廣泛，不僅能用于量子計算，也能用于其他類型的科學研究，甚至能用于工業和服務業的復雜自動化場景中。

（來源：arXiv）

據了解，曹舒翔本科畢業于浙江大學竺可楨學院，并在畢業后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能公司 Rahko 于 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后研究，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，他的研究專注于 AI Agent 的知識表示和人機交互。

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后，一步一步地實現目標，并能使用搜索引擎和文件創建等簡單的工具。

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 直接控制量子計算設備。但是，實驗效果卻是差強人意，主要是因為模型無法了解他們的實驗要求，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”。

后來，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，借此來增強模型的能力。

后來，曹舒翔等人調研了很多其他 Agent 的實現方法，借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存儲的方案，即通過撰寫結構化文檔的方式，不僅能讓大模型進行快速索引并查找到相關內容，還能為人類進行分析和閱讀。

通過以上方案，讓模型擁有了使用量子實驗設備的能力。在接下來的研究中 Agent 首先在模擬構建的量子計算設備測試環境中進行了進行交互，驗證了準確性后在真實量子計算設備上進行了驗證。

期間，該團隊測試了很多方案。例如，在最早的方案之中他們并沒有引入“狀態機”，而是讓模型直接生成長腳本并完成實驗，但是他們發現，目前的模型還不足以直接完成這類復雜任務。

于是，他們通過引入更多的 Agent 并把任務加以細分，借此找到了每個功能的最佳實現方法，并將它們進行整合，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數據。由于這些數據是模型完全沒有見過的，因此通過語言描述很難進行準確區分。

為此，他們嘗試了很多方法，包括直接分析文字數據、讓模型自己寫代碼進行數據分析并解讀分析結果等。最后，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，來教會模型卻解讀數據。

完成以上步驟之后，他們使用大模型針對量子計算機進行自動校準的復雜實驗，成功校準了單比特門和兩比特門，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《應用于量子計算的自動化實驗室智能體》（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《利用基于知識的 AI 智能體實現實驗自動化：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）對相關工作進行了匯報 [2]。

圖 | 相關論文（來源：arXiv）

未來，曹舒翔等人將研究如何讓參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，未來他們將通過微調方式或蒸餾方式來使用參數更小的模型，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于科學數據的理解。目前，該團隊將掃描到的結果生成為一張帶有坐標系的二維圖片，盡管模型可以識別出圖片中科研人員感興趣，并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參數范圍。因此，他們將進一步研究能夠處理科學任務的多模態模型。

最后，他們將通過尋找合適的優化方法，來讓模型更高效地部署到邊緣計算設備上，從而讓本次案能夠適用于更多應用場景。

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