Проблема криогенной диагностики
Разбавочные холодильники (dilution refrigerators) — критическая инфраструктура для сверхпроводящих квантовых компьютеров. Однако их диагностика до сих пор опирается на пороговые алармы, которые лишь сигнализируют о сбое, не объясняя его причину. Авторы работы, опубликованной в arXiv (2026), предлагают решение: Onnes — физически обоснованный цифровой двойник, объединяющий симуляцию холодильника с многоагентной LLM-системой.
Архитектура и данные
Система использует реальные логи BlueFors для обучения «отпечатка шума» и корреляций. Модель обучена распознавать 6 классов физических сбоев, три из которых имеют схожие температурные профили, но различаются по потоку и давлению. Оценка проводилась на 1000 итерациях (turns) в контролируемых условиях.
Результаты: LLM против ML
Ключевой вывод исследования — способность LLM-агентов без дообучения (zero-shot) конкурировать с традиционными методами при правильной настройке. Изначально панель LLM уступала классификатору в точности, но добавление контрастных примеров (few-shot) кардинально изменило ситуацию.
| Метрика / Модель | Результат | Примечание |
|---|---|---|
| Zero-shot LLM Panel | ~0.685 (классификация) | Нет значимого преимущества в детекции, ошибки на схожих сбоях |
| LLM + Few-shot (6 примеров) | 0.990 | Точность классификации без обновления параметров модели |
| Supervised ML Classifier | 0.985 | Базовая линия для сравнения |
| Real-hardware False Alarm | 6.4% | На реальных данных BlueFors (100% recall на физических сбоях) |
Почему это важно
Исследование демонстрирует, что LLM могут выступать не просто как текстовые генераторы, а как эффективные диагностические агенты в сложных физических системах. Использование всего 6 размеченных примеров позволило LLM-агенту превзойти или сравняться с специализированным ML-классификатором, что открывает путь к более гибким и интерпретируемым системам мониторинга квантового оборудования.
- Скорость реакции: Агент фиксирует каждый развивающийся сбой в пределах одного интервала опроса.
- Фильтрация шума: Механизм «gate confidence» подавляет ложные срабатывания до начала сбоя.
- Sim-to-Real: Детектор, обученный на симуляции, показал 100% recall на реальных данных с внедренными физическими сбоями.
Код, данные и логи доступны по ссылке в оригинальной публикации arXiv:2607.05805.
Источник: arXiv cs.AI ↗