Haiqu ha introdotto AgenticOS, piattaforma progettata per coordinare team di agenti scientifici specializzati durante progetti di ricerca quantistica mantenendo tracciabili le ipotesi, le decisioni e i vincoli che definiscono l’esperimento. Il problema affrontato non riguarda semplicemente la capacità dell’AI di generare codice funzionante: in un’attività scientifica un programma può essere eseguito senza errori e produrre grafici apparentemente credibili pur implementando un esperimento differente da quello richiesto, per esempio perché un agente ha modificato la geometria di una molecola, eliminato elettroni dalla simulazione o cambiato silenziosamente un’approssimazione. AgenticOS cerca quindi di preservare il significato scientifico del problema lungo tutte le fasi, dalla revisione della letteratura alla derivazione matematica, dal design dell’esperimento alla sua esecuzione. La piattaforma è disponibile su richiesta per i team R&D enterprise e amplia l’infrastruttura Haiqu presentata a maggio.
Un progetto può iniziare da una domanda di ricerca, da una raccolta di paper, da dati sperimentali oppure da un’idea già sviluppata. Il sistema aiuta a stabilire obiettivi, vincoli e criteri di successo e converte successivamente il lavoro in un research graph. I nodi del grafo rappresentano gruppi di agenti scientifici e le connessioni conservano dipendenze, decisioni e artefatti prodotti durante la ricerca. Lo scienziato può aprire i singoli output, commentare le assunzioni, reindirizzare un modulo oppure approvare decisioni considerate importanti prima che vengano eseguiti i task downstream. Gli agenti utilizzano sia una knowledge base di teoria quantistica, algoritmi e applicazioni industriali sia le decisioni e gli artifact precedentemente accettati all’interno del progetto.
La struttura è pensata per evitare che un’ipotesi importante scompaia mentre la ricerca passa da un agente all’altro. Una scelta di approssimazione modifica infatti l’oggetto matematico che viene studiato e la perdita di un vincolo stabilito nelle fasi iniziali può rendere il risultato finale non confrontabile con quello atteso pur lasciando intatto il funzionamento del codice. Gli agenti di AgenticOS svolgono literature review, derivazioni da principi primi, analisi della fattibilità quantistica e controllo dei risultati. La validazione combina baseline classiche, test, critic agent, revisione umana e formal verification; sono i ricercatori a stabilire quali assunzioni devono essere bloccate, quali parti del workflow possono essere lasciate autonomamente agli agenti e quali decisioni richiedono esplicitamente un sign-off prima di procedere.
Haiqu ha illustrato il problema con un esperimento di chimica computazionale relativo allo Zundel cation H₅O₂⁺, formato da due molecole d’acqua che condividono un protone aggiuntivo. L’attività consisteva nel calcolare la barriera energetica mentre il protone si sposta fra le due molecole mantenendo una configurazione scientifica prestabilita. Dieci esecuzioni indipendenti di normali sistemi AI hanno ricevuto lo stesso brief e tutte hanno generato codice funzionante, ma quattro hanno escluso elettroni che avrebbero dovuto fare parte del calcolo, mentre altre hanno modificato la geometria o il percorso del protone. AgenticOS ha invece preservato il protocollo accettato, mantenendo tutti i 20 elettroni e fissando la separazione ossigeno-ossigeno prevista dall’esperimento.
La simulazione ha utilizzato sample-based quantum diagonalization, o SQD, tecnica che combina il campionamento delle configurazioni elettroniche con un calcolo classico dell’energia. AgenticOS ha ottenuto una barriera di 554,8 millielettronvolt, rispetto ai 574,3 millielettronvolt prodotti dalla full configuration interaction utilizzata come riferimento, con una differenza di circa il 3,4%. Il confronto si riferisce comunque a uno specifico modello molecolare e il riferimento è “esatto” soltanto entro le assunzioni computazionali definite per quell’esperimento; il dato non dimostra quindi né accuratezza universale di AgenticOS né un vantaggio quantistico generale. Haiqu indica però l’esempio come dimostrazione del fatto che conservare correttamente il protocollo rende almeno scientificamente interpretabile il confronto fra il calcolo prodotto dall’agente e la baseline. Il lavoro è stato accettato a un workshop NeurIPS 2026 dedicato all’AI per la scoperta scientifica.
Un secondo esperimento riguarda il modello di Hubbard, utilizzato per studiare sistemi di elettroni interagenti. Haiqu ha analizzato una variante bidimensionale frustrated e doped con hopping diagonale, collegata alla ricerca sui superconduttori ad alta temperatura basati sul rame. AgenticOS ha progettato un esperimento su una griglia 3×3 e lo ha eseguito su un computer quantistico IBM; la piccola dimensione della griglia ha permesso di confrontare il risultato con una soluzione classica esatta. Haiqu riferisce una riduzione della circuit depth nell’ordine del 75% e una procedura di calibrazione capace di portare l’output dell’hardware in accordo con l’esecuzione ideale e priva di errori dello stesso metodo. La diminuzione della profondità del circuito è importante sugli attuali processori quantistici rumorosi perché un numero inferiore di layer riduce il tempo durante il quale gli errori possono accumularsi, ma nemmeno questo risultato implica che il sistema abbia risolto il problema della superconduttività o superato il calcolo classico alla scala utilizzata.
AgenticOS opera sopra lo stack software quantistico di Haiqu. L’SDK comprende caricamento dei dati, circuit compression ed error mitigation, mentre Haiqu Runtime gestisce l’esecuzione sia sui simulatori sia sui quantum processor. Gli utenti possono importare codice Qiskit e la piattaforma conserva informazioni necessarie a riprodurre il lavoro, tra cui job, backend utilizzato, dati di calibrazione, random seed e impostazioni di compilazione. Questi metadati permettono di ricostruire perché due esecuzioni dello stesso esperimento abbiano prodotto risultati differenti anziché limitarsi a conservare l’output conclusivo. Prima di inviare un job al quantum computer il software può stimarne anche il costo di elaborazione e utilizza batching e caching per evitare esecuzioni non necessarie, collegando così l’attività degli agenti alle normali limitazioni economiche di un progetto scientifico.
I team enterprise possono richiedere direttamente l’accesso ad AgenticOS, mentre i ricercatori accademici possono candidarsi all’Academic Program di Haiqu per utilizzare gratuitamente la piattaforma e richiedere crediti AWS destinati a workload sia classici sia quantistici; l’azienda precisa che questi crediti sono soggetti ad approvazione e non sono garantiti. L’elemento centrale dell’architettura rimane quindi la continuità fra domanda scientifica, ipotesi accettate, codice eseguito, configurazione hardware e evidenze prodotte: il sistema non tenta soltanto di rendere più rapida la generazione degli esperimenti, ma di creare un workflow nel quale il ricercatore possa verificare che ciò che l’AI ha effettivamente calcolato corrisponda ancora alla domanda formulata all’inizio del progetto.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)