一句话变成量子实验：AI把论文直接送上量子计算机|原子|论文|量子实验|量子计算机

编辑丨%

如今，量子计算机已经不再完全是实验室里「只能由制造者自己操作」的机器。不过，硬件变得容易访问，实验却没有因此变得简单。

一篇论文提出一个量子协议之后，真正把它搬到 QPU 上，需要经过一长串工程步骤：先从论文中找出实验参数，再把物理过程翻译成具体的原子排布和激光脉冲序列；随后进行经典模拟，确认协议在理想条件下是否成立，再加入真实设备的噪声模型；通过之后，还要调用云端接口提交任务、获取测量结果，并把原始比特串转换成物理量。

虽然 vibe coding 正逐步迈入量子领域，但其上手门槛还是太高了些。考虑到这个问题，巴黎量子计算初创公司 Pasqal 设计了一个基于AI 智能体的工作流，让研究人员可以直接用自然语言描述实验目标，AI 负责把这个目标一路转换成能够在真实量子处理器上运行的程序。

Nature 将这种模式称为「quantum vibe coding」：研究人员描述自己想做什么，AI 生成量子计算代码，并进一步把代码送上真实 QPU 执行。

论文链接：https://arxiv.org/pdf/2607.25834

把实验告诉 AI

论文中的工作流建立在 Pasqal 现有的软件栈上，Claude Code 负责协调这些工具，实验中使用了 Claude Opus 4.8 和 Claude Fable 5。

在该堆栈之上，工作流程被实现为一组技能，每个技能负责一个阶段。首先 AI 读取论文、专利，或者研究人员给出的自然语言任务，把里面的物理目标提取成一个结构化的实验规格文件。然后这些规格文件会被转化为可执行的 Pulser 脉冲序列。

图 1：AI 辅助的工作流程，用于将量子协议转化为硬件实验。

在到达 QPU 之前，还需要经过一次无噪声模拟，随后再调用设备当前的噪声参数进行噪声感知模拟，判断目标信号在真实硬件条件下是否还能保留下来。真正执行之后，系统还会把 QPU 返回的原始 bitstrings 自动处理成更高层次的科学观测量，再与理论预测和噪声模拟进行比较。

三项实验

复现已知结果

论文首先选择了一个相对明确的问题：重现 Keesling 等人在2019年发表的量子模拟实验。

原论文研究的是一维 Rydberg 原子阵列中的 Kibble–Zurek 机制：通过驱动系统跨越量子相变，使原本无序的体系进入具有周期性结构的有序状态。这里涉及 Z2、Z3 和 Z4 等不同的密度波相。

图 2：在饱和有序相中，密度-密度相关函数随站点数距离的变化情况。

由于 Z3、Z4 的实现难度，团队还是将实验重定向至 Z2，完成参数适配后，AI进行了噪声模拟。结果显示，在 FC1 的真实噪声条件下，饱和有序参数仍能保留约80%，达到理想值的约71%。

开放式任务

第二个实验与第一个完全不同，此次是在一个相对开放的环境中，让 AI 阅读一篇关于三角晶格 Rydberg 原子阵列中受挫量子磁性相的理论论文，判断每一种物态能否在 Pasqal FC1 上制备和观测，并分别给出「可行、边缘可行或不可行」的判断；对于可行或边缘可行的方案，再生成完整的实验规格。

这要求智能体自己从理论论文中找出几个关键变量：阵列尺寸、原子间距、频率、失谐量，以及绝热扫描时间，并把这些参数与 FC1 的真实硬件限制逐项对应起来。