用 SMART 解決量子科學問題:自我演化的多智能體研究樹

註:議程上的講者為 Andrew Schoen(Partner, NEA),因故未能出席,現場由 UC Berkeley 的 Mingu Kang 代為報告;他在台上說明這是與 Daniel Lee、Andrew Schoen 的共同工作。本場投影片在演講進行超過一半後才接上,前段由講者口述。

TL;DR

• 為什麼從量子科學下手:它是「strategic Everest」——極度跨領域(數學、物理、資工、工程、材料)、要求極端嚴謹(任何一個環節錯了實驗根本不會動)、而且品質落差極大(高品質研究稀有,專家對 AI slop 高度警戒)。翻過這座山,系統就有機會帶動任何領域。
• SMART = Self-evolving Multi-Agent Research Tree:節點由 planner / worker / verifier 三種 agent 組成;verifier 的輸出餵給 tree planner agent,由它設計下一步的 workflow tree。節點可以是目標也可以是任務,每一步可被 split、merge、select 或 add。
• 成績單:在 OpenAI 的科學推理 benchmark「Frontier Science」上,alpha 原型的準確率最高,而成本只有次佳系統(codex 5.5)的 1/5——低成本來自底層用 GLM 5.1,高準確率來自 agent 編排;在準確率 × 成本的平面上定義了 Pareto frontier。
• 真實問題:中性原子量子電腦的原子分配與路由。四個 benchmark 電路上,SMART 解法把重排時間降低 25% 到 83%。ablation 顯示不同電路要靠不同策略組合(graph state 電路光靠利用電路結構就 −83%;QPE exact 電路則要參數調整 + A 重新設計才 −25%,結構完全幫不上忙)——這種互補性正是多智能體框架的價值所在*。

重點整理

為什麼從量子科學開始:介面才是真正的問題(約 00:48–00:55)

他們要建的是能編排任何前沿科學研究的 agentic 系統,而第一個目標領域選了量子科學。

動機從他自己的研究經驗來:量子研究是不折不扣的跨領域堆疊——物理、化學、數學、硬派工程、材料。理想上一個人要懂完整條 stack,才能把不同層的想法連起來、真正端到端 co-design,那才是造量子電腦的最佳方式。但現實是資源永遠不夠,而且真正的問題出在介面:一個研究者是某一層的專家,另一個是另一層的專家,交接非常困難。他看到的 AI 機會就在這裡:讓 AI 掌握所有層的脈絡,去促成這些交接。

他把科學發現拆成三根支柱:

1. Intelligence —— 綜合知識,跑「規劃 → 執行 → 驗證」的序列。
2. Computation —— 模擬大型系統、在巨大解空間上做最佳化。
3. Validation —— 做真正的實驗,拿預測去撞現實。

願景是一個能在這三根支柱之間跑完整迴圈的 agentic 系統。

而量子科學是「strategic Everest」,理由有三:(a) 極度困難且跨領域;(b) 要求極端嚴謹——除非每一個環節都正確,量子實驗根本不會動;(c) 量子研究的品質落差極大,高品質研究非常稀有,而專家對 AI slop 高度警戒。爬過這座山,他們相信這套 agentic 系統就有能力在任何領域帶出科學發現。

他也給了一頁量子計算複習:qubit 不是 bit——bit 是 0 或 1(像擲硬幣),qubit 可以是 0 與 1 的疊加態,落在球面上任一點;量子物理讓我們取得 qubit(例如取原子的兩個穩定電子能階);量子硬體平台讓我們完全控制量子物理來運算——投影片上是一組用雷射控制的原子陣列。

SMART 的三個設計原則與樹狀架構(約 00:55–00:58)

他們的前提是:變革性的科學發現會來自人機協作。由此推出三個設計原則:

1. workflow tree 會隨著 agent 探索而不斷被更新。
2. 系統要結構化但同時保有彈性。
3. agent 要自主,但人類隨時可以介入。

這意味著需要一套跟「loop engineering」完全不同的 agent 系統——loop engineering 被廣泛用在比科學發現簡單得多的任務上。

於是有了 SMART(Self-evolving Multi-Agent Research Tree)。主要特徵是一棵樹,每個節點由 planner、worker、verifier 三種 agent 構成;verifier 的輸出餵回 tree planner agent,由它設計下一步的 workflow tree。節點可以是一個 goal 也可以是一個 task;下一步時,task 可以被 split、merge、select 或 add。

UI 部分他強調人類介入的必要性——「研究裡總會發生無法預期的事,就像投影片不出來或筆電當機」,所以要留彈性讓人介入;另一個介面讓研究者去探查 agent 產出的結果,關鍵功能是管理 context、選擇模型、追蹤成本。

Benchmark:市面上科學發現的 agentic 系統很多,SMART 的優勢在於同時 steerable 與 adaptive,正是「結構化 + 彈性」設計的結果。他們拿 alpha 原型跟前沿模型與系統比,用的是 OpenAI 做的科學推理 benchmark Frontier Science。結果:原型準確率最高,成本只有次佳系統(codex 5.5)的 1/5;低成本來自底層模型用 GLM 5.1,高準確率來自 agent 編排。畫成準確率(y)× 成本(x)的二維圖,SMART 明確定義了 Pareto frontier——而這還只是原型。

實戰:加速中性原子量子電腦(約 00:58–01:03)

問題:量子計算的重點就是算得更快,所以他們要壓低 wall-clock time——具體是加速中性原子上的量子電路執行。

電路裡水平線是 qubit,上面施加 quantum gate;藍色的 entangling gate 靠把兩個 qubit 原子搬到很近的距離、放進 entanglement zone 來執行。所以在 zoned architecture 的中性原子量子電腦上跑一段電路,流程是:先把 qubit 原子分配到 storage zone 的槽位,再把原子在 entanglement zone 之間搬進搬出來執行 entangling gate。

但原子不能任意搬:因為是用雷射光束搬運,存在硬約束——例如定義某一塊原子的行與列,不能跨越另一塊的行與列。

於是問題成形:給定量子電路與 zoned architecture,如何在滿足原子移動約束的前提下,找到讓重排時間最小的 qubit 原子分配與路由方案? 解空間極其龐大,而且對中性原子量子電腦非常重要——所以被選為 SMART 的第一個實戰題。

結果:四個 benchmark 量子電路上(數字越低越好),SMART 的解法相對 state-of-the-art 把重排時間降低了 83% 到 25%。

Ablation 才是重點:多個 agent 探索了不同策略,而不同電路是被不同的策略組合改善的。左邊的 graph state 電路,光靠利用電路本身的結構就減少 83%;右邊的 QPE exact 電路,那 25% 來自參數調整加上 A* 重新設計的組合,而利用結構在這裡完全沒有幫助。他的結論:正是這種策略之間的互補性,讓多智能體框架這麼有力。

流程上,agent 先探索不同策略,然後任務被 split、merge……直到找出更好的解。他也放了原子重排的模擬影片:SMART 的解法明顯在利用某種結構,而 state-of-the-art 基線沒有,所以耗時長得多。

下一步:量子科學裡還有其他極有意思也極困難的問題可以用 SMART 攻,例如錯誤更正(error correction)——那會是「打造能帶來變革性科學發現的 agent」的下一個試煉場。

金句

"Quantum science demands extreme rigor. Unless every single piece is correct, the quantum experiments simply would not work."(約 00:53)

為什麼量子是最好的照妖鏡:它不接受 AI slop。

"So once we climb the strategic Everest, then we believe that the agentic system will be capable of leading scientific discoveries in any domain."(約 00:54:46)

先挑最難的山爬,而不是先挑好爬的。

"…different circuits are improved by different combinations of strategies. … So really this complementarity of different strategies is what makes the multi-agent framework so powerful."(約 01:00)

多智能體不是為了更多算力,而是為了策略的互補。