Wie Anthropics Claude und QuEra einen selbstheilenden Quantencomputer bauten

Diese Unterscheidung könnte darüber entscheiden, wie schnell einige der teuersten Technologien zu praktikabler Infrastruktur werden.

Die versteckten Kosten fragiler Maschinen

QuEras Systeme mit neutralen Atomen nutzen Laser, um einzelne Atome einzufangen und als Quantenbits zu manipulieren. Die Laser müssen auf extrem präzise Frequenzen stabilisiert bleiben. Vibrationen, Temperaturschwankungen und Alterung der Komponenten können diese Stabilisierung stören, die Genauigkeit der Quantenoperationen beeinträchtigen und sie möglicherweise ganz zum Erliegen bringen.

Bisher war die Behebung eines solchen Fehlers ein intensiv menschlicher Prozess. Ein Spezialist vor Ort konnte fünf bis zehn Minuten damit verbringen, das System nach fachlichem Ermessen anzupassen. Alternativ musste ein Team von vier QuEra-Ingenieuren zwei bis drei Wochen damit verbringen, Wiederherstellungsskripte für erwartete Fehlermodi zu schreiben.

Dieses Modell ist für ein Labor handhabbar. Es wird jedoch viel schwerer zu rechtfertigen, wenn Quantencomputer in kommerziellen Cloud- und Hochleistungsrechner-Umgebungen eingesetzt werden.

QuEra betreibt bereits Aquila, ein System mit 256 Qubits auf AWS Braket, mit einer Verfügbarkeit von über 99 Prozent. Doch größere Systeme bringen eine weniger bequeme betriebliche Realität mit sich: Seltene und nichtlineare Hardwarefehler können nicht alle vorhergesehen und in konventionelle Regeln kodiert werden.

Das wirtschaftliche Problem ist daher klar. Eine Maschine, deren Bau teuer ist, die aber hochqualifizierte Spezialisten zur Wartung benötigt, skaliert nicht wie gewöhnliche digitale Infrastruktur.

Das Experiment mit Anthropic greift das Problem an seiner Wurzel an.

Von KI, die Code schreibt, zu KI, die experimentiert

Die wichtige Innovation bestand nicht einfach darin, Claude zu bitten, ein Python-Programm zu erstellen.

Anthropic gab dem Modell über den Model Hardware Standard (MHS) Zugang zu einer speziellen Laser-Testumgebung. MHS ist eine Forschungsschnittstelle, die es KI-Systemen ermöglicht, mit physischer Ausrüstung zu interagieren. Claude konnte Diagnoseinformationen einsehen, elektronische Einstellungen und Positionen optischer Spiegel ändern, das resultierende Verhalten messen und den Prozess wiederholen.

Dies geschah über Hunderte simulierte Fehler während unbeaufsichtigter nächtlicher Sitzungen.

Das macht MHS grundlegend anders als die vertraute Modell-zu-Software-Schnittstelle. Herkömmliche KI-Systeme können APIs aufrufen, Datenbanken abfragen oder digitale Umgebungen manipulieren. Eine Hardwareschnittstelle muss mit Geräten umgehen, die sich erwärmen, bewegen, driften, ausfallen oder auf eine Weise reagieren können, die ihr Entwickler nicht vorhergesehen hat.

MHS soll eine gemeinsame Ebene zwischen dem Modell und dieser physischen Welt bieten. Zu den frühen Teilnehmern gehören AWS, Doosan Robotics, QIAGEN, Tecan, Universal Robots, Hugging Face, Raspberry Pi, Genentech, die Carnegie Mellon University und QuEra.

Die Bedeutung liegt weniger in einem einzelnen Laborgerät als in der Möglichkeit einer gemeinsamen Sprache für heterogene wissenschaftliche Maschinen.

Jahrzehntelang haben anspruchsvolle Labore Ausrüstung verschiedener Hersteller angesammelt, jede mit eigenen Steuerungen und Schnittstellen. Wenn ein KI-Agent diese Systeme über eine standardisierte Hardware-Ebene abfragen kann, könnten Inbetriebnahme und Betrieb eines Labors weniger davon abhängen, dass Ingenieure jede einzelne Maschine lernen.

Das ist eine potenziell wichtige Verschiebung im industriellen Software-Stack.

Der KI wird der endgültige Schalter nicht anvertraut

Der vielleicht folgenreichste Teil des QuEra-Experiments ist, was Claude nicht tat.

Das Modell wurde nicht in der Produktions-Rückkopplungsschleife belassen, um bei jeder Laseränderung Echtzeitentscheidungen zu treffen. Stattdessen experimentierte es auf der Testumgebung und erzeugte ein deterministisches Python-Steuerungsskript. Ingenieure konnten dieses Skript prüfen, während die Produktionshardware es ausführte, ohne auf Modell-Latenz, eine API-Verbindung oder eine frische Entscheidung des Modells bei jedem Vorgang angewiesen zu sein.

Diese Architektur ist wichtig, weil sie Intelligenz von Ausführung trennt.

Claude agierte effektiv als empirischer Forscher. Es konnte ein kompliziertes physikalisches System erkunden, Beziehungen entdecken, die schwer manuell zu kodieren sind, und eine Steuerungsstrategie ableiten. Doch sobald diese Strategie etabliert war, übernahm konventionelle Software.

Diese Anordnung reduziert eines der offensichtlichen Probleme, wenn man ein großes Sprachmodell direkt mit empfindlicher Ausrüstung steuern lässt: die Unvorhersehbarkeit zur Laufzeit. Die Stärke des Modells liegt in Erkundung und Synthese; das endgültige Maschinenverhalten kann deterministisch bleiben.

Die Sicherheitsarchitektur folgt demselben Prinzip. Betriebsgrenzen wurden nicht einem System-Prompt oder Anweisungen überlassen, die das Modell theoretisch missverstehen könnte. Der MHS-Treiber setzte harte Parameterbegrenzungen, physikalische Betriebshüllen und Verriegelungen durch. Befehle außerhalb dieser Grenzen wurden vom Gerät selbst abgelehnt.

Menschliche Ingenieure definierten weiterhin den erlaubten Betriebsbereich, legten die Erfolgskriterien fest und überwachten das Experiment.

Diese Unterscheidung wird wahrscheinlich wichtig, wenn physische KI über Demonstrationen hinausgeht. Die Frage ist nicht, ob ein Modell dazu gebracht werden kann, Sicherheitsanweisungen zu befolgen. Es ist, ob die Hardware sicher bleiben kann, wenn das Modell unweigerlich einen Fehler macht.

Ein Leistungstest mit kommerziellen Implikationen

Die Ergebnisse liefern ungewöhnlich konkrete Beweise.

Bei 700 Blindversuchen mit sieben verschiedenen Fehlertypen in einer Live-Laborumgebung stellte der KI-generierte Controller das System erfolgreich 695 Mal wieder her, eine Erfolgsquote von 99,3 Prozent. Die fünf Fehler wurden auf physikalische Einschränkungen der Testvorrichtung zurückgeführt und nicht auf Fehler in der Steuerlogik, und das System erzeugte keine falsch-positiven Wiederherstellungsberichte.

Die meisten Störungen wurden in weniger als sechs Sekunden behoben. Die schwerwiegendsten dauerten zwischen 10 und 14 Sekunden.

Das vergleicht sich mit fünf bis zehn Minuten für einen menschlichen Spezialisten.

Auch die Qualität der Wiederherstellung verbesserte sich. Das Restlaserrauschen wurde im Vergleich zur manuellen Expertenabstimmung um das Fünffache reduziert, und eine unabhängige Instrumentenverifikation ergab, dass die KI-generierten Einstellungen ein subtiles Kalibrierungsproblem korrigierten, das die menschliche Abstimmung übersehen hatte.

Dann folgte ein aufschlussreicherer Test. Ein zweiter Laser arbeitete mit einer völlig anderen Wellenlänge. Claude erzeugte die notwendige Steuerlogik in einem einzigen nächtlichen Lauf von Grund auf – eine Inbetriebnahmeaufgabe, die normalerweise Wochen technischer Arbeit erfordert.

Der Wert liegt hier nicht einfach in der Geschwindigkeit. Es ist die Beseitigung einer Abhängigkeit von vorprogrammierten Annahmen.

Ein konventionelles Wiederherstellungsskript kann die Fehler behandeln, an die seine Autoren gedacht haben. Ein experimenteller KI-Agent kann innerhalb eines erlaubten physikalischen Raums nach einer praktikablen Lösung suchen, einschließlich Bedingungen, die Ingenieure nicht explizit vorab kodiert haben.

Der neue Engpass könnte die Schnittstelle sein

Wenn dieser Ansatz skaliert, reichen die Konsequenzen über Quantencomputer hinaus.

Das gleiche Grundproblem existiert in der fortgeschrittenen Biotechnologie, Robotik und Halbleiterfertigung: Außergewöhnlich leistungsfähige Maschinen sind oft von fragmentierten Steuerungssystemen umgeben und erfordern spezialisierte Personen für Installation, Kalibrierung und Wartung.

Anthropics MHS-Arbeit mit anderen Organisationen zielt auf diese breitere Umgebung. Das aufkommende Modell ist nicht unbedingt eine KI, die dauerhaft jedes Laborinstrument steuert. Es ist eine Intelligenzschicht, die entdecken kann, wie sich Geräte verhalten, innerhalb sicherer Grenzen experimentieren und konventionelle Software erzeugen kann, die dann die Maschine betreibt.

Das könnte die Inbetriebnahme von Wochen oder Monaten auf Stunden verkürzen.

Für Gerätehersteller schafft dies sowohl eine Chance als auch eine Bedrohung. QuEra kann die Feldtechnik-Belastung bei kommerziellen, Cloud- und HPC-Bereitstellungen reduzieren. Kunden können komplexe Systeme möglicherweise remote betreiben, ohne einen dauerhaften Pool hochspezialisierter Spezialisten zu unterhalten.

Doch Anbieter, deren Geschäftsmodelle von proprietärer Steuerungssoftware und intensivem Feld-Support abhängen, steht eine andere Zukunft bevor. Wenn Kunden erwarten, dass sich Instrumente selbst kalibrieren und erholen können, werden geschlossene Systeme, die für jeden ungewöhnlichen Fehler Ingenieure benötigen, schwerer zu verteidigen sein.

Der Wettbewerb könnte sich daher vom reinen Hardware-Aspekt auf die Schnittstelle zwischen Hardware und KI verlagern.

QuEras geplante Libra-Architektur, einschließlich der geplanten Bereitstellung auf Amazon Braket im Jahr 2028 und der Integration in HPE-Hochleistungsrechnerumgebungen, gibt dem Thema einen praktischen kommerziellen Horizont. Die Herausforderung für die Branche besteht nicht mehr nur darin, leistungsfähigere Quantenprozessoren zu bauen. Es geht darum, diese Prozessoren eher wie Infrastruktur und weniger wie Laborapparate zu verhalten.

Darin liegt die tiefere Bedeutung des Experiments.

Die KI ersetzte die Ingenieure nicht. Sie veränderte, wofür ihr Fachwissen benötigt wurde: Grenzen zu definieren, das Experiment zu entwerfen und das resultierende System zu validieren, anstatt um 2 Uhr morgens neben einer Maschine zu stehen und auf einen Laser zu warten, der seine Stabilisierung verliert.