Introduzione al problema di affidabilità nella ricerca quantistica
Una simulazione scientifica può funzionare perfettamente dal punto di vista del codice, ma rispondere alla domanda sbagliata è altrettanto pericoloso. Se un agente di intelligenza artificiale modifica silenziosamente la geometria di una molecola o elimina elettroni da una simulazione, il codice corretto e i grafici convincente possono nascondere un esperimento difettoso.
Questo è il dilemma che Haiqu intende risolvere con AgenticOS, annunciato il 7 ottobre. La piattaforma coordina team di agenti IA specializzati su progetti di ricerca quantistica, garantendo che l’intera catena di ragionamento – dalla formulazione dell’idea alla verifica dei risultati – rimanga trasparente e verificabile.
Obiettivi e architettura di AgenticOS
AgenticOS si basa sulla piattaforma introdotta da Haiqu a maggio e si propone di mantenere il “significato” di un esperimento in ogni fase del workflow. La tesi centrale è che l’automazione scientifica debba preservare la continuità concettuale tra le ipotesi iniziali e i risultati finali.
Secondo la pagina prodotto di AgenticOS, gli utenti possono partire da una domanda di ricerca, articoli scientifici, dati sperimentali o un’idea preesistente. Il sistema aiuta a definire obiettivi, vincoli e criteri di successo, per poi organizzare l’intera indagine in un grafico di ricerca. I nodi del grafico rappresentano team di agenti scientifici; le dipendenze, le decisioni e gli artefatti di ricerca collegano le varie attività.
Controllo umano e tracciabilità
- Verifica delle uscite prodotte dagli agenti;
- Commento e revisione delle ipotesi;
- Ridirigimento di moduli e approvazione di decisioni critiche prima della prosecuzione delle attività successive.
Il sistema attinge a una knowledge base contenente teoria quantistica, algoritmi e applicazioni industriali, nonché le decisioni e gli artefatti accettati all’interno del progetto.
Perché la visibilità del workflow è cruciale
Un progetto di ricerca può fallire ben prima della computazione finale: la scelta di un’approssimazione influisce su cosa viene modellato; la perdita di un vincolo iniziale può rendere i risultati incomparabili con quelli precedenti. Un workflow visibile permette ai ricercatori di individuare tali cambiamenti senza doverli ricostruire retrospettivamente da una risposta già prodotta.
Compiti affidati agli agenti IA
L’annuncio di Haiqu elenca le seguenti responsabilità degli agenti:
- Revisione della letteratura scientifica;
- Derivazione da primi principi teorici;
- Analisi di fattibilità quantistica;
- Verifica dei risultati mediante baseline classiche, test, agenti “critici” e revisione umana;
- Verifica formale dei risultati.
Gli scienziati definiscono quali ipotesi sono fisse, quali attività possono essere automatizzate e quali richiedono approvazione manuale.
Intervista al co‑fondatore e CTO
Mykola Maksymenko, co‑fondatore e CTO di Haiqu, ha spiegato che il sistema riduce lo sforzo necessario per trasformare un’idea promettente in un esperimento concreto, permettendo ai ricercatori di concentrare più energia nella scelta e nell’indagine delle domande giuste.
Studio di caso in chimica: il catione Zundel H₅O₂⁺
Haiqu ha realizzato una case study in chimica che analizza il trasferimento di un protone nel catione Zundel H₅O₂⁺, dove due molecole d’acqua condividono un protone aggiuntivo. L’obiettivo era calcolare la barriera energetica del trasferimento protonico mantenendo un setup sperimentale rigoroso.
Dieci esecuzioni indipendenti di agenti IA hanno ricevuto la stessa specifica. Tutti i codici prodotti erano funzionanti, ma quattro hanno erroneamente escluso elettroni necessari, altri hanno modificato la geometria o il percorso del protone. AgenticOS ha preservato il protocollo concordato, includendo tutti i 20 elettroni e una distanza fissa O‑O.
La simulazione di “Quantum Diagonalization” basata su campionamento (SQD) ha prodotto una barriera di 554,8 meV, confrontabile con la referenza di 574,3 meV (interazione a configurazione completa), una differenza del 3,4 %. SQD combina il campionamento di configurazioni elettroniche con una computazione energetica classica.
Questi numeri sono validi per il modello molecolare scelto; la referenza è esatta entro le ipotesi del modello, ma non dimostra accuratezza universale né vantaggio quantistico. L’insegnamento più significativo è che la conservazione del protocollo ha reso il risultato comparabile e interpretabile.
Validazione accademica
Haiqu segnala che la ricerca è stata accettata per la presentazione a un workshop NeurIPS‑2026 su IA per scoperte scientifiche. Resta, però, una dimostrazione fornita dall’azienda e non un benchmark indipendente e completo sulla affidabilità della metodologia.
Dalla simulazione controllata all’hardware quantistico: modello Hubbard
Un secondo esperimento descrive l’applicazione di AgenticOS al modello Hubbard, impiegato per studiare elettroni interagenti. Haiqu ha considerato una variante dopata e frustrata bidimensionale con hopping diagonale, rilevante per la ricerca sui superconduttori ad alta temperatura a base di rame.
AgenticOS ha progettato un esperimento su una griglia 3×3 e lo ha eseguito su un quantum computer di IBM. Il piccolo reticolo ha consentito il confronto con una soluzione classica esatta. Haiqu riporta una riduzione di circa il 75 % della profondità del circuito e una calibrazione proposta che allinea l’output hardware con un’esecuzione ideale senza errori.
La profondità del circuito misura il numero di livelli operativi richiesti da un circuito quantistico; la sua riduzione è cruciale sui processori attuali, soggetti a rumore che accumula errori. L’allineamento con un’esecuzione ideale fornisce evidenza sul metodo e sul workflow hardware, ma non implica che il problema della superconduttività sia stato risolto o che le prestazioni classiche siano state superate.
Stack software alla base di AgenticOS
AgenticOS si appoggia all’infrastruttura software quantistica di Haiqu. L’SDK fornisce funzioni per il caricamento dei dati, compressione dei circuiti e mitigazione degli errori, mentre Haiqu Runtime gestisce l’esecuzione su simulatore e su processori quantistici.
Secondo la pagina accademica di Haiqu, gli sviluppatori possono integrare codice Qiskit nel SDK, monitorare i job, e salvare backend, informazioni di calibrazione, seed casuali e impostazioni di compilazione. Queste registrazioni facilitano la riproducibilità e la comprensione delle discrepanze tra esecuzioni.
La piattaforma stima anche i costi della computazione quantistica prima dell’avvio, utilizza batch processing e caching per limitare esecuzioni superflue, collegando così il workflow degli agenti alle restrizioni di budget di un progetto reale.
Accesso per team aziendali e accademici
I team di R&S aziendali possono richiedere l’accesso a AgenticOS. Gli studiosi possono accedere gratuitamente tramite il “Academic Program” di Haiqu, con la possibilità di richiedere crediti AWS per carichi di lavoro classici e quantistici; tuttavia, l’erogazione dei crediti richiede approvazione e non è garantita.
Impatto potenziale per la ricerca quantistica
Il valore chiave dell’annuncio è la continuità tra domanda, ipotesi, codice ed evidenza. Calcoli più rapidi sono utili solo se i ricercatori possono comprendere esattamente cosa è stato calcolato. AgenticOS incorpora questa esigenza al centro del suo approccio, rendendo la ricerca quantistica supportata dall’IA più trasparente, controllabile e potenzialmente più produttiva.
Conclusioni
AgenticOS rappresenta un passo significativo verso la formalizzazione e la standardizzazione dei workflow scientifici in un contesto quantistico. Attraverso la coordinazione di agenti IA, la tracciabilità delle decisioni e l’integrazione con infrastrutture hardware, Haiqu offre una soluzione che potrebbe ridurre gli errori nascosti e accelerare il passaggio dalla teoria alla sperimentazione pratica. Resta da vedere come la comunità scientifica indipendente valuterà la robustezza del sistema mediante benchmark apertamente verificabili.
Quinn Aster – KI nel quantum computing – Ricerca IA