AI-सहाय्यित लेझर नियंत्रणावरील 27 ऑगस्टच्या QuEra च्या पायलट-वर्णनात समर्पित चाचणी-बेडवरील दोन वेगळे परिणाम दिले आहेत. AI एजंटने रीलॉकिंग कंट्रोलर विकसित आणि तपासण्यात मदत केली; त्यातून तयार झालेली स्वतंत्र स्क्रिप्ट मॉडेलशिवाय चालते. लेझरच्या फीडबॅक सेटिंग्ज ट्यून करण्यासाठी स्वतंत्र कार्यप्रवाह अजूनही एजंट वापरतो. मथळ्यातील पुनर्प्राप्ती दरापेक्षा हा फरक अधिक महत्त्वाचा आहे: नियंत्रण-तर्क विकसित करताना मॉडेल कुठे उपयोगी पडले आणि नियमित अंमलबजावणीतून QuEra ने ते कुठे काढले हे यातून दिसते.

QuEra तटस्थ-अणू क्वांटम संगणक बनवते; अणूंवर नियंत्रण ठेवण्यासाठी त्यांचे लेझर अचूक वारंवारता टिकवून ठेवतात. लेझरची वारंवारता-लॉक सुटल्यास जलद फीडबॅक लूप त्याला पुन्हा स्थिर करू शकत नाहीत. मोड हॉप हा विशेषतः अवघड दोष आहे: लेझर स्थिर दिसत असला तरी त्याची तरंगलांबी चुकीची असू शकते. यश घोषित करण्यापूर्वी पुनर्प्राप्ती प्रक्रियेत स्थूल नियंत्रणे अपेक्षित मोड परत मिळेल इतकी हलवणे, सूक्ष्म नियंत्रण पुन्हा मिळवणे आणि निरपेक्ष तरंगलांबी संदर्भ तपासणे आवश्यक असते.

मोठा बदल

त्यांच्या 27 ऑगस्टच्या अभियांत्रिकी अहवालातClaude ने Anthropic च्या Model Hardware Standard (MHS) द्वारे समर्पित लेझर चाचणी-बेडवर प्रयोग केले आणि विशिष्ट दोषांसाठी रीलॉकिंग स्क्रिप्ट विकसित केली, असे QuEra सांगते. स्क्रिप्ट उपकरणांची स्थिती वाचते, पुनर्प्राप्तीचा मार्ग निवडते आणि कॅव्हिटी लॉक सिग्नल तसेच लक्ष्य तरंगलांबी तपासते. सात प्रकारच्या कृत्रिमरीत्या निर्माण केलेल्या व्यत्ययांवरील 700 वेळबद्ध चाचण्यांपैकी 695 मध्ये पूर्ण स्क्रिप्टने योग्य लॉक परत मिळवले, असे QuEra सांगते. कंपनी तिला स्वतंत्र उत्पादन स्क्रिप्ट म्हणते; तिच्या रनटाइम लूपमध्ये AI नाही. वेगळा ट्यूनिंग कार्यप्रवाह फीडबॅक सेटिंग्ज शोधताना AI वापरत राहतो. हे चाचणी-बेडवरील निकाल आहेत; प्रत्यक्ष क्वांटम प्रोसेसरवर तैनाती हा पुढचा टप्पा असल्याचे QuEra सांगते.

नियंत्रण मार्ग कसा काम करतो

लेझर स्थिर ठेवण्याची जबाबदारी नेहमीची जलद सर्वो लूपच सांभाळते. QuEra नियंत्रणांची एक साखळी सांगते: मोठ्या श्रेणीचा बायरिफ्रिंजंट फिल्टर, अधिक सूक्ष्म एटॅलॉन आणि जलद पिझो समायोजन. व्यत्ययानंतर रीलॉकिंग कार्यक्रम त्या जलद लूपच्या वर काम करतो. दोषाचे कारण सांगणारे लेबल त्याला मिळत नाही; तो उपकरणे वाचतो, स्थितीचे वर्गीकरण करतो आणि पुनर्प्राप्ती मार्ग लागू करतो. कॅव्हिटी सिग्नल लॉक दर्शवतो आणि निरपेक्ष तरंगलांबी तपासणी लेझर लक्ष्यावर असल्याचे दाखवते, तेव्हाच तो यश नोंदवतो. दुसरी तपासणी महत्त्वाची आहे, कारण चुकीच्या मोडवर स्थिर लॉक होणे ही खोटी पुनर्प्राप्ती ठरेल.

MHS द्वारे चाचणी-बेडचा वापर करून कार्यक्रम विकसित करणे ही Claude ची भूमिका होती. Anthropic च्या 27 ऑगस्टच्या MHS संशोधन-पूर्वावलोकन अहवालात एजंटच्या स्वतंत्र प्रक्रियांमध्ये बदल सुचवणे, कोड लिहिणे, लेझरवर तो चालवणे आणि नोंदी तपासणे असा पुनरावृत्तीचा विकासक्रम वर्णन केला आहे. माणसांनी व्याप्ती आणि सुरक्षा मर्यादा ठरवून काम तपासले. दोन्ही कंपन्यांच्या मते, MHS ड्रायव्हरद्वारे उपकरणांचे वाचन-लेखन उपलब्ध करून देते आणि हार्डवेअर इंटरफेसवर उपकरणाने घोषित केलेल्या मर्यादा, इंटरलॉक आणि आपत्कालीन थांबे लागू करते. मायक्रोसेकंद सर्वो लूपमध्ये मॉडेल बसलेले नाही; तसेच पूर्ण रीलॉकर रनटाइममध्ये मॉडेलला पुन्हा कॉल करत नाही, असे QuEra सांगते.

वेगवेगळ्या टप्प्यांतील आकडे वेगळे आहेत. Anthropic रात्रीच्या विकास चाचणीत सुमारे सहा सेकंदांची पुनर्प्राप्ती आणि 96% यश नोंदवते; 99.3% आकडा नंतर एजंटविना पूर्ण स्क्रिप्टची चाचणी केल्यावरचा आहे. QuEra सात व्यत्यय प्रकारांपैकी प्रत्येकात 100 वेळबद्ध चाचण्या सांगते: 700 पैकी 695 लक्ष्यावरील पुनर्लॉक. तरंगलांबी टिकलेल्या दोषांना 0.9–5.4 सेकंद, तर कठीण मोड हॉपना सुमारे 10–14 सेकंद लागले; मानवी तज्ज्ञासाठी कंपनीचा अंदाज पाच ते दहा मिनिटांचा आहे. पाचही अपयशांना चाचणी रिगच्या स्थितीशी संबंधित समान कारण होते आणि कंट्रोलरने त्यांना चुकून यशस्वी घोषित केले नाही, असे QuEra सांगते. पायलटच्या काही आठवड्यांत त्या चाचणी-बेडवरील सर्व 43 नैसर्गिक मोड हॉप आपोआप परत मिळवले, असेही कंपनी सांगते. हे आकडे इतर लेझर किंवा कार्यस्थळांवरील विश्वासार्हता सिद्ध करत नाहीत.

ट्यूनिंगमध्ये एजंट अजूनही आहे

दोषानंतर पुन्हा लॉक करणे ही एकच समस्या आहे. उरलेल्या वारंवारता-नॉइजवर परिणाम करणारी परस्परावलंबी 12 फीडबॅक पॅरामीटर्स शोधण्यासाठी QuEra ने एजंट वापरला. प्रत्येक बदलानंतर संपूर्ण नॉइज स्पेक्ट्रम तपासले, लॉक सुटणाऱ्या सेटिंग्ज मागे घेतल्या आणि पर्यायी बदल सुरक्षा मर्यादेत ठेवले, असे कंपनी सांगते. सुमारे 12,500 मूल्यमापनांत मोड हॉप झाला नाही; उरलेला वारंवारता नॉइज पाचपट कमी झाला; आणि सुमारे 19 तासांच्या सहनशक्ती चाचणीत देखरेखीशिवाय लॉक सुटले नाही, आधी हा दर तासाला 1.6 होता, असे QuEra सांगते. हे पायलट परिस्थितीतील कंपनीचे मोजमाप आहे, प्रत्यक्ष वापरातील विश्वासार्हता दर नाही.

ऑप्टिमायझेशन लूपबाहेरील तुलना म्हणून, एजंट नियंत्रित करू शकत नसलेल्या उपकरणाने निर्माण झालेला नॉइज मोजला आणि तज्ज्ञाच्या हाताने केलेल्या ट्यूनिंगशी तुलना केली, असे QuEra सांगते. मोजलेल्या बँडमध्ये दोन्ही साधारण समान होते; मात्र 220 kHz रिझोनन्सजवळ एजंटने निवडलेल्या सेटिंग्जमध्ये नॉइज सुमारे हजारपट कमी होता. लाइनविड्थसदृश मोजमाप 58 वरून 21 kHz झाले. Anthropic च्या अहवालात वर्णन केलेल्या दुसऱ्या ट्यूनिंग मोहिमेचा माप दिला आहे: 363 प्रयोग आणि 16 तासांच्या स्वयंचलित कामात उरलेली त्रुटी 15.7 वरून 1.55 mV झाली. या आकड्यांना 700 रीलॉक चाचण्यांच्या यशाचा दुसरा माप मानू नये किंवा सार्वत्रिक सुधारणा गुणक म्हणून एकत्र करू नये.

QuEra सांगते की एजंटने नंतर रात्रीच्या देखरेखीविना चालवलेल्या प्रक्रियेत दुसरी कार्यरत तरंगलांबी ट्यून केली आणि त्या लॉकचा नॉइज सुरुवातीपेक्षा सुमारे दहापट कमी केला. कंपनीने या AI-सहभागी ट्यूनिंग प्रक्रियेला पॅकेज केलेले स्वतंत्र साधन म्हटलेले नाही. हा कार्यप्रवाह पॅकेज करणे भविष्यातील काम असल्याचे ती सांगते.

या पायलटमधून काय सिद्ध होते

ऑगस्टमधील अहवाल कंपनीच्या दाव्यासाठी असामान्यपणे ठोस चाचणी अटी देतात: समर्पित चाचणी-बेड, सात प्रकारचे कृत्रिम दोष, लक्ष्य-तपासणी नियम, पायलटदरम्यान घडलेल्या नैसर्गिक घटना आणि स्वतंत्र ट्यूनिंग तपासण्या. ते एक स्पष्ट मर्यादाही दाखवतात. सार्वजनिक अहवालांत संपूर्ण स्क्रिप्ट, प्रत्येक चाचणीच्या नोंदी किंवा बाहेरील प्रयोगशाळेला हे दर पुन्हा तपासता येतील असा पुनरुत्पादन संच नाही. BIG CHANGE ने हार्डवेअरची चाचणी केली नाही. Anthropic चा अहवाल QuEra सहकार्याचे दुसरे कंपनी-वर्णन आहे, स्वतंत्र पुनरावृत्ती नाही.

MHS ची घोषणा 27 ऑगस्टला प्रयोगशाळा आणि उत्पादकांच्या सुरुवातीच्या गटासाठी संशोधन पूर्वावलोकन म्हणून झाली. Anthropic ने अर्ज मागवले आणि नंतर हा मानक ओपन सोर्स करण्याची योजना सांगितली. समर्पित रिगवर QuEra ने पूर्वावलोकन वापरले याचा अर्थ MHS सर्वांसाठी उपलब्ध झाला असा नाही; तसेच QuEra ने स्क्रिप्टला “उत्पादन” म्हटल्याने हा विशिष्ट कंट्रोलर तिच्या सर्व व्यावसायिक मशीनवर चालतो असे सिद्ध होत नाही. लेझर आणि क्वांटम हार्डवेअर अभियंत्यांसाठी व्यावहारिक निष्कर्ष मर्यादित असला तरी उपयुक्त आहे: एजंटने भौतिक प्रणालीवर पुनर्प्राप्ती तर्क शोधून तपासला, तर चालू रीलॉकर तपासता येणारा निश्चित तर्क आणि स्पष्ट पडताळणी वापरतो. ट्यूनिंग लूप वेगळ्या तैनाती-सीमेतील सक्रिय AI प्रयोग आहे.

स्रोत आणि पुढील वाचन

  • QuEra, “Holding the Light: Teaching an AI to Lock and Tune our Quantum Computer’s Lasers” (August 27, 2026). QuEra चा अभियांत्रिकी अहवाल चाचणी-बेडची रचना, सात प्रकारची रीलॉक पडताळणी, नैसर्गिक मोड हॉपची संख्या, ट्यूनिंग मोजमाप आणि स्वतंत्र रीलॉक स्क्रिप्ट व AI-सहभागी ट्यूनिंगमधील फरक देतो. निकाल कंपनीने दिलेले आहेत.
  • Anthropic, “Previewing the Model Hardware Standard” (August 27, 2026). यात MHS चे ड्रायव्हर व सुरक्षा इंटरफेस, संशोधन पूर्वावलोकन प्रवेश आणि QuEra चा विकासक्रम स्पष्ट केला आहे. QuEra वरील भाग भागीदाराचा अहवाल आहे, स्वतंत्र हार्डवेअर पुनरुत्पादन नाही.