摘要
稀释制冷机是超导量子计算机的基础设施，但其故障诊断仍主要依赖于阈值警报，无法明确指出问题所在。我们提出了Onnes，这是一种基于物理学的稀释制冷机数字双胞胎模拟器，结合了真实制冷机的噪声指纹，通过多智能体大型语言模型（LLM）操作层进行控制。
该模拟器将真实的稀释冷却环境、从BlueFors日志中学习到的噪声和相关性指纹以及六个基于物理的故障类别结合在一起，其中三个故障类别在温度上重叠但在流量和压力上分离。在1000轮评估中，零-shot LLM代理小组在检测上与监督机器学习分类器没有显著差异，但在分类上表现稍逊，错误主要集中在混淆故障上。经过策划的对比性few-shot演示和自一致性投票，分类准确率从0.685提升至0.990，匹配监督分类器的0.985，且没有参数更新，仅使用六个标记演示；消融实验表明，提升几乎完全归因于这些演示。
在九轮故障按种子扫的连续监测中，该代理在每次轮询间隔内捕获所有正在发展的故障，并且通过置信门抑制由于后端依赖引起的预先出现的虚假警报。作为首次从模拟到真实的验证，一个仅基于真实BlueFors遥测训练的检测器在真实硬件上报告了6.4%的虚假警报率，并对注入到真实保留窗口中的物理故障实现了100%的召回率。所有数据均来自于发布的运行日志。
博主点评： Onnes展示了如何结合物理模型与先进的LLM技术，提升量子计算领域故障诊断的效率，尤其是在处理复杂环境下的分类问题时，少量的示例便能显著改善模型表现，展现了智能体在实际应用中的巨大潜力与价值。