量子计算的Vibe Coding时刻：AI重新定义量子编程
“过去，这类实验通常需要一支高度专业化的量子计算团队才能完成。而现在，有了这个智能体，我一个人坐在家里的沙发上就能完成。”
法国量子计算公司Pasqal联合创始人Christophe Jurczak和他的同事将AI智能体接入Pasqal的量子软件栈和云端量子计算机。研究人员只需输入一句自然语言指令，智能体就能自主完成从阅读论文、提取实验方案，到生成脉冲序列、仿真验证，再到提交真实量子处理器执行的完整流程。
《自然》杂志将其称为量子计算的“Vibe Coding”时刻：AI正在让原本需要深厚专业知识和复杂编程的量子实验，变成通过自然语言即可完成的操作。这项研究题为《Lowering the implementation barrier of neutral-atom quantum computing with agentic workflows》（arXiv:2607.25834）。
一、硬件不再是瓶颈，难的是把论文变成真机实验
论文开篇点出了行业的真实困境：量子处理器已经不再稀缺。中性原子量子计算机通过云端和超算中心对外开放，比特数天然可延伸至百到千量级。然而，从一篇发表的论文或专利，到真正在量子处理器（QPU）上跑起来的实验，中间横亘着一条漫长的工程链：从文献中提取协议、翻译成设备级控制、做仿真验证、对接云端执行基础设施、再解读带噪声的数据。每一步单独看都不难，但整条链要求研究者同时精通量子物理、软件工程、数值仿真、云计算和硬件表征。结果是：大量物理上可行的方案，仅仅因为“实现成本”高于“提出想法的成本”而被搁置。
作者认为，这本质上是一个跨领域的协调问题——恰恰是大语言模型智能体（LLM agent）擅长解决的那类问题。
二、系统是怎么搭的：六个技能模块，仿真必须先过关
这套系统构建在Pasqal现有软件栈之上：开源脉冲设计库Pulser、矩阵乘积态仿真器emu-mps和Pasqal Cloud SDK。整个工作流被拆成六个模块化的“技能”：从论文/专利中提取实验规格（paper_to_spec）、把规格编译成脉冲序列（spec_to_sequence）、无噪声与含噪声仿真验证（validate_emu、noise_emulate）、提交云端硬件执行（qpu_submit）、以及结果分析（harvest_and_analyze）。底层使用的是Anthropic的Claude Code，模型为Opus 4.8和Fable 5。
设计上有两个关键点值得注意。其一，所有技能共享一份机器可读的实验规格文件（experiment_spec.json），它是研究者与智能体之间唯一的接口——人可以审查、修改、批准，任何改动都会自动传导到下游所有环节。其二，任何协议必须先过仿真这一关：先做无噪声仿真得到参考预测，再用从云端实时拉取的设备噪声参数做含噪声仿真，两者对比后由研究者决定是否提交真机。
实验在两台云端QPU上完成：位于加拿大舍布鲁克的FC1和位于沙特阿拉伯的SA1。
图1：用于将量子协议转化为硬件实验的AI辅助工作流
三、三个案例：复现经典实验、首次实现理论方案、落地专利算法
案例A：复现七年前的里程碑实验。任务是复现2019年Keesling等人关于Kibble-Zurek机制的经典工作。研究者故意让智能体尝试硬件上做不到的ℤ3相，测试它能否识别限制。智能体给出了准确判断：ℤ3、ℤ4相在FC1上不可实现，但ℤ2相完全可行。转向ℤ2后，在研究者建议下改用环形原子阵列消除边缘效应，分别在FC1上制备56原子环、在SA1上制备96原子环。最终测量的密度关联函数与2019年的原始数据在统计误差内完全吻合（拟合关联长度分别为3.9、4.2、4.2个格点）。更惊人的是效率：不到1小时、仅3条人类提示，任务就在QPU上跑起来了。
图2：最终测量的密度关联函数与2019年的原始数据在统计误差内完全吻合
案例B：从理论论文到首次硬件实现。任务基于Guo等人关于三角晶格里德堡阵列阻挫磁性相的理论研究，此前无人给出硬件实现方案。智能体给出了漂亮的可行性裁决：1/3填充相可行、1/2填充相勉强可行、2/3填充相因失谐上限（|δ|/2π ≤ 10 MHz）不可行。但它也暴露了关键缺陷：在四个候选观测量中，它选择了最容易计算的“平均磁化强度”，而不是真正能认证该物相的交错磁化强度。由于整条流水线跑得很顺畅、数据看起来很合理，这个错误只有领域专家才能发现。案例A只需3条人类消息，这个案例却经历了43轮交互才达到物理上正确的实现。
图3：Pasqal QPU实测数据（蓝/橙色点）虽然受限于硬件噪声而低于理想QMC曲线，但与带噪声的仿真包络线（蓝色阴影）完美吻合，证明智能体成功在真实QPU上捕捉到了相变趋势
案例C：把专利变成多轮算法流水线。输入源是一篇Pasqal专利——用“投影-驱逐”算法估计图的色数。智能体自主设计了相当复杂的工程方案：用开放批处理（open batch）一次编译、多轮提交，以束搜索（宽度3、每轮200次采样）维护候选着色，再加经典修复步骤。在75个随机单位圆图实例（原子数15到80）上，N=20时QPU给出精确色数，最大偏差不超过2。但这个案例也贡献了最典型的失败：面对异常高的约束违反率，智能体自信地诊断为“里德堡阻塞泄漏”这一物理原因——真实原因却是原子坐标与比特串排序不匹配的低级标注bug。一个貌似合理、实则错误的物理故事，再次只有靠专家审查原始数据才被识破。
图4：智能体在Pasqal QPU上求解图着色问题（最高80原子）的表现：其实测色数与经典最优算法极其接近，平均色数差距仅为0.84且最大差距不超过2
四、扫描633篇论文：近一半今天就能上机实现
论文的第四部分把同样的智能体方法用到了文献本身。研究者用第二套轻量工作流扫描arXiv，最终获得633篇里德堡阵列理论论文，其中526篇可被自动分类。结果令人意外：258篇（49%）在现有Pasqal QPU上即可实现，其中225篇协议足够完整、可直接翻译执行。其余论文则精确指明了缺失的硬件能力——最需要的是XY型相互作用（141篇）和单格点寻址（87篇），两者合计约占不可实现论文的85%。这等于为未来硬件升级提供了一份“需求驱动”的路线图。
表1：在智能体成功阅读并分类的526篇里德堡原子阵列理论论文中，有49.0%（258篇）在当下的中性原子QPU上可直接运行或微调后运行
五、这套工作流改变了什么：工程活交给AI，物理判断留给人
作者总结道：操作性瓶颈已经发生转移。智能体极其擅长协调软件工具、导航设备接口、在QPU上生成实验；它的局限出现在选择有物理意义的观测量、识别微妙的科学假设、判断实验信号是否真正支持某个物理论断上。如果说有什么变化，那就是研究者的角色比以往更具决定性——假设的提出、批判性评估和对数据的科学解读，依然是不可让渡的人类工作；只不过如今，周边的工程杂务不再来争夺他们的注意力了。
论文还展望了一个实际的好处：当科学协议被翻译成结构化、可执行的规格，论文就可以从静态的文字描述，变成可被反复验证、迁移到新设备的“可执行实验档案”，为科学可复现性提供一条新路径。
按照作者的说法，最终最具变革性的量子应用，将来自更广泛的科学社区——那些不造量子计算机、却能带着新问题和独特数据走进来的人。这套工作流正在为他们降低门槛。
