LLM-based Multi-Agent Copilot for Quantum Sensor
Rong Sha, Binglin Wang, Jun Yang, Xiaoxiao Ma, Chengkun Wu, Liang Yan, Chao Zhou, Jixun Liu, Guochao Wang, Shuhua Yan, Lingxiao Zhu
大型语言模型(LLM)表现出广泛的实用性,但在量子传感器开发方面面临局限性,源于跨学科的知识障碍和涉及复杂的优化过程。 在这里,我们介绍了QCopilot,一个基于LLM的多代理框架,集成了外部知识获取,主动学习和不确定性量化,用于量子传感器设计和诊断。 QCopilot由商业LLM与很少的提示工程和矢量知识库组成,采用专业代理自适应地选择优化方法,自动化建模分析,并独立执行问题诊断。 将QCopilot应用于原子冷却实验,我们在几个小时内无需人工干预即可生成10^8亚μK原子,代表∼100×加速手动实验。 值得注意的是,通过不断积累先验知识和实现动态建模,QCopilot可以在多参数实验设置中自主识别异常参数。 我们的工作减少了大规模量子传感器部署的障碍,并易于扩展到其他量子信息系统。
Large language models (LLM) exhibit broad utility but face limitations in quantum sensor development, stemming from interdisciplinary knowledge barriers and involving complex optimization processes. Here we present QCopilot, an LLM-based multi-agent framework integrating external knowledge access, active learning, and uncertainty quantification for quantum sensor design and diagnosis. Comprising commercial LLMs with few-shot prompt engineering and vector knowledge base, QCopilot employs speciali...