⚛️ quantum physics

QMClaw: A Scalable General-purpose Framework for Quantum Measurement and Control

本文介绍了 QMClaw，这是一个可扩展、通用的量子测量与控制框架，它将用于低延迟执行的鲁棒性基于规则的核心与用于高层交互的语言模型相结合，有效地解决了大规模量子系统校准中的复杂性和时序约束问题。

原作者： Zhiqiang Fan, Haoran He, Ping Lv, Junchao Wang, Yaqiang Sun, Chenhui Wang, Hanshi Zhao, Geyuyan Ma, Haoran Yang, Pengyu Han, Xiangdong Meng, Lixin Wang, Feng Yue, Weilong Wang, Zheng Shan

发布于 2026-09-07

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Zhiqiang Fan, Haoran He, Ping Lv, Junchao Wang, Yaqiang Sun, Chenhui Wang, Hanshi Zhao, Geyuyan Ma, Haoran Yang, Pengyu Han, Xiangdong Meng, Lixin Wang, Feng Yue, Weilong Wang, Zheng Shan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

量子计算机有望解决当今机器无法处理的问题，但它们极其脆弱。为了正常运行，其被称为“量子比特”的微小组件必须保持在完美的平衡状态，不受哪怕最轻微干扰的影响。这需要一个持续且精细的调谐与测量过程，就像音乐家在音乐会前为小提琴调音一样，只不过这个过程发生的频率要快上数百万倍，且容错空间极小。在当前的量子开发时代，这些调谐任务严重依赖于人类专家进行手动调整设置、运行测试并解释结果。随着量子机器规模的扩大、量子比特数量的增加，这种人工方式将变得不再可行。所需的调整量之巨，加之对瞬时时机的严苛要求，造成了一个威胁到整个领域进展的瓶颈。科学家们需要一种不仅要聪明，而且要极其快速且可靠的自动化测量与控制方法。

一组研究人员通过构建一个名为 QMClaw 的新系统解决了这一挑战，这是一个旨在管理量子计算机测量与控制的框架。研究人员并没有依靠一个能够做出所有决策的全知人工智能，而是创建了一个将常规任务与复杂推理分离的混合系统。该系统的核心是一个基于规则的引擎，即一套严格的、预定义的指令，用于处理绝大多数日常操作。这个引擎充当了“快速通道”，在微秒内做出决策，以保持量子硬件的平稳运行。它负责处理检查频率、调整脉冲和验证测量等重复性工作，且毫不犹豫。这种方法确保了系统具有确定性和可预测性，而这对于处理敏感的量子物理设备至关重要。

研究人员通过让该系统对单个量子比特（量子计算机的基本单元）执行完整的校准程序来测试了这一系统。该过程始于用户仅输入一段用自然语言编写的请求，要求系统开始一个测量工作流。系统理解了意图，将请求分解为一系列具体步骤，并自动执行了它们。它扫描谐振器频率，优化磁场，并测量量子比特保持其状态的时长。在整个过程中，系统收集原始数据，实时进行分析，并生成一份详细的结果报告，包括量子的频率以及它能维持量子态的时长等具体性能指标。整个序列在没有任何人工干预的情况下完成，证明了该框架能够架起简单人类指令与硬件所需的复杂底层操作之间的桥梁。

这项工作的最显著发现之一是系统如何管理大型语言模型的使用——这些通常与类人推理相关的强大人工智能工具。研究人员发现，如果完全依赖这些模型进行控制，对于大规模量子系统而言既太慢也太昂贵。相反，他们设计了 QMClaw，使其仅将这些模型作为“安全网”使用。系统使用快速的基于规则的引擎来处理所有已知操作。只有当遇到从未见过的状况或出现错误时，它才会调用语言模型。这种策略极大地减少了系统咨询语言模型的次数。在对一百万个量子比特系统的模拟中，与依赖模型做出每一个决策的系统相比，这种混合方法将语言模型的调用次数减少了一百倍。此外，运行系统的成本降低了一千倍，同时决策速度保持得异常之快，基于规则的引擎在不到一微秒的时间内即可做出决策。

为了应对未来量子计算机的巨大规模，研究人员还引入了一种将量子比特分组为“面板（panels）”的方法。系统不再要求思考每一个单独的量子比特（这会使计算机的内存和处理能力过载），而是将相连的量子比特组视为单一单元进行处理。这使得系统能够高效地处理大规模量子比特阵列的校准任务，压缩了其管理所需的信息量。通过利用真实量子设备的历史数据对系统进行测试，研究人员证实，他们的方法能够高精度地预测校准序列中的下一步行动。系统从过去的实验中学习，识别硬件行为的模式，并利用这些知识来指导未来的行动。这种在遵循当下严格规则的同时从历史中学习的能力，为管理未来量子机器的复杂性提供了一条可行的路径。

此处呈现的工作并不声称已经解决了量子控制中的所有问题，也不建议完全移除人工智能。相反，它提供了一个如何有效整合这些工具的实用蓝图。研究人员认为，为了实现量子系统的规模化，核心控制循环必须保持快速且可靠（受清晰规则支配），而人工智能的灵活推理能力则应保留在流程的边缘。这种设计使系统能够快速处理常规事务，并以智能应对突发状况。通过在真实硬件上验证此方法，并展示其在没有人类监督下管理复杂工作流的能力，该团队为实现大规模量子计算迈出了坚实的一步。该框架表明，扩展量子技术的路径不在于用单一的全能大脑取代人类专业知识，而在于构建一个让不同工具发挥各自专长的结构化系统。

技术摘要：QMClaw —— 一种可扩展的通用型量子测量与控制框架

1. 问题陈述

随着量子计算向系统工程阶段过渡，量子测量与控制（QMC）面临着关键的扩展性瓶颈。当前的 QMC 工作流受限于以下因素：

复杂的校准过程： 由于硬件退相干、校准漂移和设备非均匀性，配置、调优和调度需要人工专家介入。
碎片化的自动化： 现有的基于脚本的自动化虽然能加速孤立的任务，但缺乏用于任务管理、运行时监控、闭环自适应和可追溯执行的统一架构。
AI Agent 的局限性： 虽然大语言模型（LLM）和视觉语言模型（VLM）在理解目标和规划方面展现出潜力，但它们存在延迟过高、跨硬件设置泛化能力差以及诊断推理不可靠等问题。不受约束的 LLM 推理引入的开销违反了大规模量子系统严格的实时性和低延迟要求。

因此，迫切需要一种通用的、跨平台的框架，能够在满足现实世界约束的情况下协调多阶段校准，同时平衡自然语言的灵活性与硬件控制所需的确定性。

2. 方法论：QMClaw 框架

QMClaw 是一个面向工作流的通用框架，旨在组织从任务摄取到后端执行及结构化报告的全过程。它采用“本地优先、工具驱动、鲁棒”的架构，将高层语义理解与低延迟控制逻辑分离。

2.1 六层执行栈

该框架由六个互连的层级组成，负责将自然语言请求转化为可执行的工作流：

自然语言交互层： 通过 NLP 接收用户意图，抽象底层控制的复杂性。
任务理解与规划层： 提取约束条件，将任务映射到预定义的工作流模板，并将目标结构化为可操作的格式。
工作流构建与执行控制层： 维护运行时控制逻辑、状态监控和动态任务分配，以确保执行路径的鲁棒性。
工具调度与后端调用层： 调度并调用软件工具、模拟器和硬件驱动程序，管理计算资源。
er 硬件/模拟器交互层： 连接框架与物理量子设备或模拟器，确保实时数据采集与同步。
数据分析与结构化报告层： 解析实验输出，评估有效性，并生成带有执行轨迹的结构化报告。

2.2 三层混合决策架构

为了解决延迟和确定性问题，QMClaw 避免将 LLM 置于关键控制路径上。相反，它采用了三层决策层级：

第 1 层 (RuleEngine/规则引擎)： 一个极简的、确定性的引擎，利用结构化上下文和显式的转换规则来处理标准的校准步骤。它为规范的转换提供了快速且可检查的路径。
第 2 层 (Mined State-Machine/挖掘状态机)： 捕捉从历史数据中观察到的循环工作流模式（例如：频率扫描、脉冲循环）。这些模式被转化为可重用的操作知识，减少了重复调用模型的需求。
第 3 层 (LLM Fallback/LLM 回退)： 一个受限的高延迟层，仅在 L1 和 L2 无法解决上下文时激活。它负责处理异常支持、诊断以及候选规则的获取。经过验证的 L3 解决方案会被物化到 L2 中，从而形成知识积累循环。

2.3 多功能 Agent 调度

系统遵循集中式调度、分布式执行的模型。“主 Agent”负责高层语义解释和任务分解，并将子任务分配给专门的子 Agent（例如：任务解析、执行、数据分析、报告生成）。这种角色专业化确保了不同的约束和工具接口能在统一的编排机制下由相应的模块进行管理。

2.4 基于面板的比特分组

为了减轻扩展到数百万个量子比特时的计算开销，物理量子比特根据硬件拓扑和功能相关性被划分为独立的“面板（Panels）”。

每个面板作为一个统一的处理单元，将其上下文封装进单个批次中进行 LLM 交互。
该策略压缩了冗余上下文，避免了分散的单比特调用，并大幅降低了 LLM 的调用次数和延迟。
闭环自适应调整在面板层面发生，根据面板内的校准精度触发策略修订。

3. 主要贡献

本文提出了四项主要贡献：

QMClaw 框架： 一个可扩展的、面向工作流的框架，统一了自然语言交互、结构化任务、工具治理、执行监控和结果报告。
以规则引擎为中心的架构： 一种控制设计，实现了轻量化、确定性且可追溯的工作流编排，实现了常规控制与开放式模型推理的分离。
经过验证的实现： 一个针对单比特调优（超导系统中的关键流程）的完整验证的状态机实现，展示了在真实硬件上的鲁棒闭环校准。
可扩展性分析： 对大规模运行假设下的实时性能、瓶颈和 LLM 效率进行了系统性研究。

4. 实验结果与验证

该框架通过真实的量子设备数据集和自然语言接口进行了验证。

自然语言控制： 系统通过微信界面成功执行了完整的单比特调优工作流（包括谐振器扫描、磁通偏置优化、光谱学、Rabi 振荡、Ramsey 干涉和 $T_1$ 测量）。它能够自主收集数据、进行即时分析（如拟合衰减曲线），并在无需人工干预的情况下返回校准参数（如 $f_{10} = 2.980$ GHz， $T_1 = 37.39$ µs 等）。
历史数据预测： 使用包含 73 个量子比特和 2,476 个实验步骤的数据集，测试了一种多层马尔可夫预测策略。二阶马尔可夫模型在预测下一实验类型方面的准确率达到 71.6%，优于一阶马尔可夫模型 (66.3%) 和基于 LLM 的预测器 (68%)。过拟合差距极小 (2.2%)，证实了其强大的泛化能力。
LLM 开销与延迟：
- 延迟： RuleEngine 的平均评估延迟为 0.19 µs，比典型的 LLM 推理（100–500 ms）快约 500,000 倍。
- 可扩展性： 在模拟的一百万量子比特场景中，混合架构将每日 LLM 调用次数从 4,320 万次（纯 LLM 基准）降至 43.2 万次。
- 成本： 与纯 LLM 设计相比，该混合方法将每日运营成本降低了 1,000 倍。

5. 意义与主张

作者声称 QMClaw 为构建可扩展的智能量子实验平台提供了一种可行的系统架构。其重要性在于：

解决了延迟与确定性的权衡问题： 通过将 LLM 限制在异常处理和高层解释中，该框架维持了大规模量子系统所需的实时性能和可审计性。
泛化性： 不同于专门的、特定任务的框架，QMClaw 提供了一个适用于多种硬件环境的统一、跨平台架构。
实证证据： 该工作提供了定量的证据，证明以规则为中心的架构是可扩展量子系统校准的一种极具前景的设计选择，表明 AI 模块应当嵌入在标准化的、受限的工作流之中，而非作为不受约束的决策执行者。

论文也谦虚地承认了局限性，指出目前的验证仅限于特定的实验会话和单一类型的设备，未来的工作需要在多比特校准、优化多样化拓扑下的面板分组以及集成高级异常检测方面进行扩展。