Предварительный обзор стандарта аппаратного обеспечения моделей

Anthropic открыла предварительный доступ к стандарту MHS

Anthropic открыла исследовательский доступ к стандарту MHS для первой группы научных лабораторий и передовых производителей. MHS — единая спецификация, с помощью которой ИИ-агенты могут безопасно управлять физическими устройствами: микроскопами, дозаторами жидкостей, роботизированными манипуляторами и другим оборудованием. Стандарт позволяет связывать несколько приборов, сокращая интеграцию с недель и месяцев до часов или минут. Его разработку Anthropic начала вместе с HHMI Janelia Research Campus, а перед открытием исходного кода компания тестирует MHS в биотехнологиях, робототехнике, квантовых вычислениях и производстве.

Что такое MHS

В лабораториях и на производстве настройка оборудования обычно занимает недели, а иногда и месяцы. Приборы используют разные интерфейсы и редко умеют напрямую обмениваться данными, поэтому специалисты пишут отдельные интеграции для каждой пары устройств.

MHS сокращает эту работу до часов или минут. Стандарт позволяет ИИ-агентам одновременно управлять несколькими приборами и выполнять сложные задачи: от рутинных экспериментов для поиска лекарств до калибровки лазера в квантовом компьютере. Агент может рассуждать на каждом этапе, менять параметры в реальном времени и иногда самостоятельно восстанавливаться после аппаратных ошибок.

Сейчас Anthropic передала раннюю версию MHS партнёрам из научной, робототехнической, электронной и производственной отраслей. Вместе с ними компания хочет разработать проверки безопасности и практические рекомендации для систем, которые управляют физическим оборудованием. Позднее стандарт планируют сделать открытым.

MHS подходит для любого устройства с программируемым интерфейсом и не привязан к конкретной модели. Любой ИИ-агент может обращаться к нему через стандартные протоколы, включая протокол контекста модели.

Проблема начинается уже при попытке связать несколько приборов. У каждого обычно есть собственный программный интерфейс, а общего способа подключить оборудование к ИИ-агенту и дать ему безопасный контроль не существует.

MHS решает эту задачу с помощью стандартизированного драйвера — программного слоя между операционной системой и устройством. Драйвер использует небольшой набор базовых операций:

Каждый прибор также описывается в едином формате. Устройства и агенты могут находить друг друга по сети и обмениваться данными без отдельной программы-переводчика для каждой интеграции.

Драйвер MHS передаёт агенту сведения, которые не всегда можно понять из программного кода. Например, для безопасного управления роботизированной рукой важно знать её массу. Раньше подобные данные хранились в бумажных руководствах, на компьютере пользователя или передавались как неформальный опыт специалиста.

В MHS для этого есть теги, куда пользователь может внести описание оборудования на естественном языке. Заполнить их можно самостоятельно или попросить агента расспросить владельца об устройстве. Затем драйвер автоматически создаёт справочный файл: что прибор измеряет, какие параметры регулирует и какие ограничения безопасности применяет. Этого файла агенту достаточно, чтобы начать работу с оборудованием.

Для управления подключёнными приборами MHS использует три механизма: MCP, командную строку и файлы кода с API. Вместе они позволяют координировать несколько устройств одной строкой кода.

Получая данные от оборудования, агент может управлять экспериментом на высоком уровне: выстраивать последовательность действий, отслеживать результаты и менять параметры по ходу работы. Для долгих или быстрых операций агент может заранее объединять команды драйверов в файлы кода. Тогда устройства выполняют часть работы самостоятельно, без рассуждения модели на каждом шаге.

Во время испытаний Claude взаимодействовал с оборудованием исследовательским способом. Например, агент менял настройку лазера, смотрел через камеру, как сместился луч, и повторял процедуру, пытаясь понять связь между действием и результатом. После этого Claude упаковал найденную последовательность в детерминированную программу. Теперь выравнивание лазера можно запускать одной командой.

Anthropic пока только начинает изучать, что можно делать с передовыми моделями и MHS. Компания рассчитывает, что стандарт пригодится исследователям, инженерам и другим специалистам в любой области, где используются устройства с программируемым интерфейсом.

Genentech: автоматизация анализа белков

Исследователи Genentech внедрили MHS в качестве проверки концепции для автоматизации BCA-анализа белка. Это стандартная процедура, которая измеряет общую концентрацию белка в образце. В эксперименте нужно было согласовать работу дозатора жидкостей, роботизированной руки и планшетного считывателя.

Лаборатории Genentech проводят масштабные эксперименты для поиска лекарств. В таких системах работают специализированные роботы: дозаторы, манипуляторы, считыватели микропланшетов и другое оборудование. Каждый прибор приходится калибровать, тестировать и программировать отдельно. Настройка автоматизированной системы обычно занимает недели или месяцы, из-за чего исследователи могут проверить меньше научных гипотез.

Genentech вместе с Anthropic подключила MHS, чтобы стандартизировать обмен данными между ИИ и оборудованием. Учёные получили возможность описывать протоколы естественным языком, не создавая для каждого эксперимента отдельный робототехнический код. В перспективе компания хочет, чтобы ИИ брал на себя рутинное выполнение экспериментов, а специалисты сосредотачивались на проектировании исследований, интерпретации результатов и принятии решений.

Сначала MHS установили на крупную роботизированную рабочую станцию с дозатором жидкостей. Исследователи проверяли, сможет ли система ускорить автоматизацию BCA-анализа. В процедуре участвовали три прибора:

Claude координировал все три устройства через MHS. Эксперименты проводили в стандартных 96-луночных планшетах.

В BCA-анализе используются жидкости с разными свойствами — от обычных водных растворов до вязких и склонных к пенообразованию белковых образцов. В качестве образца применяли бычий сывороточный альбумин (BSA) с известной концентрацией. Вязкий раствор BSA при высокой скорости движения через наконечник образует пузырьки, из-за чего в лунку попадает неточный объём.

Сначала Claude получил стандартный протокол и выполнил его с одинаковой скоростью для воды и BSA. Вязкий раствор вспенился, и точность переноса снизилась. Затем модели поручили самостоятельно подобрать скорость для обоих типов жидкости.

Claude получил план эксперимента: выполнить серию пробных переносов окрашенной жидкости в диапазоне скоростей, заданном специалистами, а затем измерить результат планшетным считывателем. Дополнительно агенту дали эталонный перенос, выполненный экспертом в том же планшете. Задача заключалась в том, чтобы минимизировать расхождение между результатом агента и эталоном.

Для оценки использовали среднеквадратичную ошибку (RMSE): чем она ниже, тем точнее перенос. Если требовалось переместить 100 микролитров, а прибор подавал 98, ошибка составляла 2 микролитра.

Claude самостоятельно провёл пробные запуски и проанализировал данные считывателя. Для воды агент выбрал скорость около 140 мкл/с, получив RMSE 0,016. Для BSA оптимальной стала скорость 10 мкл/с при RMSE 0,181. Специалисты по автоматизации подтвердили, что для этой установки параметры выглядят разумно.

Обычно такую оптимизацию выполняет специалист: он вручную пишет код для каждого набора параметров, запускает переносы и анализирует результаты.

Во время работы Claude столкнулся с отказами захвата наконечника и ошибками определения жидкости, но смог восстановиться без помощи человека. При этом эксперимент показал ограничения современных моделей: им сложно учитывать физические, химические и биологические причины сбоев.

Пузырьки в жидкости создают сразу несколько проблем. Если протокол требует набрать 40 мкл реагента, часть объёма может занять воздух, и фактически жидкости будет меньше. Датчик уровня способен принять пену за ошибку, а пузырьки влияют и на итоговые оптические измерения.

Когда во время смешивания возникала ошибка из-за пузырьков, Claude поначалу просто повторял операцию в той же лунке с другими параметрами. Это усиливало перемешивание и создавало ещё больше пены. Исследователям пришлось объяснить модели физическую причину сбоя и направить её к более мягким настройкам.

После этого Claude сохранял контекст до конца запуска: переносил образец в чистую лунку и уменьшал число циклов смешивания. Позднее исследователи превратили эти выводы в повторно используемые навыки для работы с жидкостями разной вязкости. Это помогло агенту выбирать более подходящие параметры по умолчанию и сократило число ошибок.

Эксперимент стал проверкой концепции для будущих автономных лабораторий. Сопоставляя решения Claude с экспертными оценками, Genentech собирает данные для дальнейшего улучшения моделей.

Компания планирует проверить Claude и MHS на более широких сквозных процессах поиска лекарств. В задуманной системе учёные будут задавать общую биологическую цель, а ИИ-агенты — формировать инструкции для оборудования, самостоятельно выполнять эксперименты, анализировать результаты в замкнутом цикле и выдавать модели и данные, готовые для следующего этапа скрининга.

Для этого потребуется подключить центрифуги, автоматические инкубаторы, аналитические приборы и датчики. Кроме того, агенту нужно научиться учитывать особенности работы с молекулами и живыми чувствительными клетками. Genentech также планирует подключать специализированные модели, которые смогут круглосуточно отслеживать эксперименты и менять их параметры по данным в реальном времени.

Университет Вашингтона: мониторинг и qPCR

Zihao Song, аспирант лабораторий Baker и Pinglay при Вашингтонском университете, использовал MHS для трёх задач:

Проектирование белков с нуля — создание белков, которых раньше не существовало в природе, — применяют в медицине, защите окружающей среды и других областях. Само проектирование белка может стоить около $0,01, но проверка одного варианта в лаборатории обходится примерно в $100 и требует недели работы. При проверке 1 000 вариантов расходы и сроки быстро растут.

Song занимается методами высокопроизводительного тестирования, которые должны снизить стоимость эксперимента и увеличить число одновременно проверяемых белков. Однако работа с большим количеством образцов создаёт две проблемы: нужно постоянно следить за состоянием приборов и вручную загружать их, поскольку в лаборатории обычно есть только по одному экземпляру оборудования.

Раньше приборы находились в разных частях лаборатории. Чтобы проверить ход эксперимента, исследователю приходилось переходить от одного устройства к другому. Если HPLC останавливался с ошибкой или дозатор портил планшет, проблема могла оставаться незамеченной несколько часов.

Особенно неудобным был этап ПЦР: прибор обрабатывал только один планшет за раз, а менять их приходилось каждые 90 минут. Иногда это означало работу с планшетами в четыре часа утра.

Традиционная автоматизация плохо подходит исследовательской лаборатории, поскольку ей нужна гибкость. На заводе один протокол могут повторять 10 000 раз, тогда как в лаборатории Song выполняют десятки протоколов в год, причём около половины из них новые. Их приходится менять прямо во время запуска, если выход белка оказывается ниже ожидаемого или сборка ДНК не удаётся.

Оборудование разных производителей также использует разные программы, форматы данных и драйверы. Объединение таких приборов может занимать от нескольких месяцев до нескольких лет и стоить от тысяч до миллионов долларов.

Song объединил MHS с ИИ-агентом и провёл несколько демонстраций в лаборатории. Стандарт дал агенту доступ к состоянию всех приборов, возможность управлять ими и согласовывать их работу.

До внедрения MHS исследователь обходил лабораторию лично. После подключения все устройства стали передавать состояние на одну панель. Проверить работу можно с ноутбука или запросить информацию у ИИ-агента со смартфона.

Удалённый мониторинг особенно полезен для экспериментов, требующих постоянного наблюдения. В qPCR целевая последовательность ДНК копируется в циклах нагревания и охлаждения, а флуоресцентный сигнал растёт по мере накопления копий. Кривая амплификации имеет S-образную форму: сначала сигнал почти не меняется, затем быстро растёт и в конце выходит на плато, когда реагенты заканчиваются.

Если дать реакции дойти до плато, библиотека ДНК искажается, и точное количество амплифицированных последовательностей определить уже нельзя. Поэтому реакцию нужно остановить в нужный момент, что может потребовать нескольких часов непрерывного наблюдения за экраном прибора.

MHS отслеживает кривую по мере поступления данных и передаёт анализ в реальном времени. Система распознаёт её форму и в нужный момент спрашивает исследователя, остановить реакцию или продолжить. После команды на остановку прибор переходит к выдержке при 4 °C, чтобы ДНК не разрушалась.

Другие эксперименты не требуют постоянного анализа, но заставляют исследователя регулярно переносить образцы в приборы и обратно. Например, это касается высокопроизводительной амплификации ДНК, очистки белков и планшетных анализов вроде ELISA. Сама замена планшета занимает секунды, но каждый запуск длится час или два, поэтому в лабораторию приходится возвращаться каждый час.

Для автоматизации этих передач Song использовал роботизированную руку с открытым исходным кодом на базе LeRobot и подключил её к MHS. В демонстрации дозатор сначала добавлял реагенты в планшет. Затем рука снимала готовый планшет, ставила новый, а дозатор начинал следующий цикл.

Claude Code управлял обоими устройствами через MHS и запускал каждый этап только после завершения предыдущего. Это не позволило приборам столкнуться.

После окончания дозирования агент получал сигнал завершения и примерно через 10 секунд запускал следующее движение руки. В повторных тестах столкновений не произошло: рука не двигалась до окончания дозирования, а дозатор не начинал работу, пока рука не освобождала планшет. Весь процесс Song наблюдал с офисного компьютера.

Подключение шести приборов заняло меньше недели, включая написание драйверов. Предыдущие попытки автоматизации требовали недель на выбор платформы, общение с поставщиками и создание связующего кода.

Приборы продолжали работать через собственное программное обеспечение, а MHS добавлял сверху единый слой координации. Агент находил устройства, читал их состояние и вызывал нужные операции без постоянного ручного сопровождения.

Эти демонстрации остаются проверками концепции. Более сложные протоколы потребуют дополнительной оптимизации и подключения большего числа физических операций. Кроме того, непрерывная работа агента в течение долгого времени требует вычислительных ресурсов, стоимость которых нужно сопоставлять с экономией времени исследователя.

В дальнейшем команда хочет провести полноценный цикл «проектирование — сборка — тестирование — обучение» для белков. В такой схеме агент сможет предлагать варианты, запускать сборку и анализ, получать результаты через тот же интерфейс и использовать их для планирования следующего раунда.

Carnegie Mellon: дозирование в три раза быстрее

Исследователи Carnegie Mellon University использовали MHS для серийных экспериментов по построению дозозависимых кривых. Система координировала дозатор жидкостей, планшетный считыватель, роботизированную руку и камеры мониторинга, расположенные на трёх компьютерах с несовместимыми интерфейсами. Эксперименты проходили примерно в три раза быстрее прежнего.

Дозировка — один из ключевых этапов разработки лекарств. Слишком большая доза может быть дорогой или токсичной, слишком маленькая не даст эффекта. Обычно подходящую концентрацию определяют методом серийных разведений: исходный раствор каждый раз разбавляют в одинаковой пропорции и используют получившийся раствор для следующего шага.

Процедура требует времени и часто приводит к ошибкам. Слишком высокая максимальная концентрация приводит к насыщению сигнала, а слишком крупный шаг между разведениями может пропустить участок, где реакция действительно меняется. При ручной работе серия таких экспериментов занимает недели.

Автоматизация тоже сложна: нужно согласовать несколько приборов и выполнить несколько раундов, чтобы получить пригодную дозозависимую кривую. Даже в автоматизированной лаборатории разработка протокола может занимать недели.

MHS позволил управлять оборудованием программно через ИИ-агента. В систему вошли:

Для каждого устройства команда с нуля написала драйвер и создала слой координации. Агент Claude Opus 4.8 смог самостоятельно выполнять полный протокол. На разработку ушло около восьми часов вместо нескольких недель, которые обычно требуются для настройки поставщиком.

Система работала на трёх компьютерах. Первый управлял роботизированной рукой через планировщик, который принимал файлы заданий в специальной папке вместо обычного API. Второй запускал дозатор через старый интерфейс Windows ActiveX/COM и обслуживал камеры по USB. Третий управлял планшетным считывателем, у которого вообще не было программного интерфейса — только графическое окно.

MHS представил все эти устройства как единые описания состояний и процедур. Состояния показывали, например, что планшет находится в позиции 3, образец имеет температуру 25 °C, а лунка заполнена. Процедуры описывали действия вроде набора жидкости или встряхивания. Поэтому агент работал с одной схемой, независимо от того, какой интерфейс скрывался под ней.

Сам протокол не изменился. Дозатор готовил серию разведений, камера проверяла наличие и ориентацию планшета, рука переносила его к считывателю, считыватель снимал показания, а модель оценивала кривую и решала, принять результат или изменить диапазон концентраций и повторить запуск.

Вместо настоящего лекарственного кандидата использовали колориметрический краситель, интенсивность цвета которого зависит от концентрации. Это сделало эксперимент безопаснее и упростило визуальную проверку, сохранив необходимую логику принятия решений.

В ходе работы пришлось учитывать особенности каждого прибора. Планировщик руки создавал два файла на один XML-файл задания, и MHS должен был объединять их в единый результат. Дозатор использовал старый интерфейс COM без современного набора разработчика. Один цикл дозирования занимал четыре-пять минут, а допустимая ошибка объёма составляла всего 5%.

Планшетный считыватель не имел API, поэтому MHS управлял его графическим интерфейсом так же, как это делал бы человек.

Раньше оператору приходилось следить за журналом руки, проверять положение планшета и решать, достаточно ли информативна получившаяся кривая. Теперь эти решения принимали MHS и агент.

Для проверки безопасности команда искусственно создала шесть ситуаций:

Система правильно заблокировала работу до движения устройств при отсутствии планшета, неправильной ориентации планшета, занятом считывателе, отключённой камере, недоступном устройстве и включённой аварийной остановке.

В первом полноценном запуске модель получила кривую с плохим соответствием: R² оказался ниже 0,9 из-за насыщения в верхнем диапазоне концентраций. Агент самостоятельно решил выбросить планшет и повторить эксперимент на новом, уменьшив максимальную концентрацию с 200 до 100 мкг/мл.

Второй запуск дал пригодную кривую с R² выше 0,98 и вариацией 3,4 при повторных измерениях. Человеческого вмешательства не потребовалось.

От готового необработанного оборудования до законченной кривой, включая автономный повторный запуск, прошло восемь часов. Настройка через поставщика обычно занимает несколько недель. Разработанные драйверы стандартизировали и планируют опубликовать, чтобы другим командам не пришлось повторять эту работу.

Дальше исследователи хотят проверить систему на настоящих лекарственных кандидатах, заменить сигнал красителя на показатели биологического эффекта, подключить qPCR и микроскопы, а также сократить время интеграции отдельных приборов.

Микроскопия в HHMI Janelia

В HHMI Janelia Research Campus MHS применяют в нескольких проектах по микроскопии. Virginie Ruetten из лаборатории Ahrens использовала стандарт, чтобы объединить установку, которая раньше зависела от семи программ разных производителей и не имела общего интерфейса.

Несколько ночей нарушенного сна могут привести к ухудшению когнитивных функций, сбоям обмена веществ и ослаблению иммунитета. Однако причины этого процесса изучены не полностью. Сон связан со всем организмом, поэтому для его исследования нужно одновременно наблюдать разные органы.

Ruetten использует молодых рыбок данио-рерио: они маленькие и прозрачные, а многие органы и особенности сна у них сходны с млекопитающими. Вместе с методом WHOLISTIC это позволяет с помощью двухфотонной микроскопии наблюдать активность клеток во всём мозге и теле живой рыбки.

Флуоресцентные сенсоры внутри клеток излучают свет, который отражает их активность. Такая визуализация помогает отслеживать, как органы и клетки взаимодействуют во времени, а не просто получать отдельные снимки тканей.

Установка занимает целую комнату и состоит из компонентов разных производителей: фемтосекундных лазеров, быстрых гальванометрических зеркал, фотопомножителей и двух точных координатных столиков. Лазер должен работать синхронно с зеркалами, а столики — компенсировать движение животного или смещение образца относительно фокуса.

Компоненты используют разные программы и языки: детекторы работают в MATLAB, камеры — в Python, электрофизиологическое оборудование — в C#. Поэтому значение, известное одной программе, например положение столика, недоступно остальным.

До MHS Ruetten писала отдельный код для связи программ или добавляла платы цифрового сбора данных, которые физически маршрутизировали электрические сигналы. Для запуска эксперимента приходилось открывать семь программ в строго определённом порядке. Ошибка в последовательности могла сорвать весь сеанс.

MHS заменил эти соединения одним интерфейсом. Каждый прибор описывается и подключается один раз, а его переменные, настройки и показания датчиков записываются в общий словарь состояний в разделяемой памяти компьютера.

Добавление новой камеры для наблюдения за лазерным лучом заняло несколько минут. Камера передавала координаты луча зеркалам, которые его направляли, и это позволило точнее выполнять выравнивание. Запуск эксперимента сократился с семи действий до одного на панели MHS.

Во время эксперимента нужно постоянно проверять состояние рыбки, фокус камеры на сердце и качество флуоресцентного изображения. Для этого рассчитываются производные показатели, например отношение сигнал/шум или частота сердцебиения.

Раньше у исследовательницы было три варианта: анализировать данные после записи, оценивать изображение на глаз или встраивать отдельный код анализа в каждую программу. Первый способ занимал часы и мог выявить непригодность записи слишком поздно. Второй давал только приблизительное впечатление. Третий требовал переписывать код для каждого источника данных.

MHS записывает каждый поток в общий словарь состояний в документированном формате. Любая программа может подключиться к нему, а один и тот же код анализа или визуализации — работать с разными приборами и языками.

Ruetten создала модульную платформу анализа в реальном времени. Данные поступают из слота словаря MHS, проходят через повторно используемые преобразования, а результат записывается в другой слот или на диск. Для визуализации она сделала отдельные просмотрщики для типов данных — изображений, временных рядов, спектров, — а не для каждого устройства.

Например, камера может передавать данные о работе сердца, после чего преобразование вычисляет спектр сигнала и оценивает частоту сердцебиения. То же преобразование можно применить к нейронной активности, полученной другим прибором и на другом языке. Код теперь накапливается в одном месте, вместо того чтобы распадаться на отдельные версии для каждого устройства.

В микроскопии приходится выбирать между скоростью и охватом. Один слой мозга можно просканировать быстро, а большое число слоёв — медленно. Для поиска клеток с нужной колебательной активностью важен широкий охват, но для измерения самой активности нужна высокая скорость.

Обычно исследователь выбирает настройки до начала эксперимента, ещё не видя данных. Запуск длится часами, а простого детерминированного алгоритма недостаточно из-за биологической изменчивости.

Агентная микроскопия могла бы сначала найти нужную область, а затем приблизить изображение. Однако агенту нужно надёжно управлять реальными приборами: ошибка может привести к столкновению объектива или потере образца.

С MHS все состояния установки доступны через один общий словарь. Ruetten написала небольшой программный слой, который сделал установку доступной ИИ-агенту. Детерминированный цикл чередует получение данных и анализ, а агент подключается в точках принятия решений: выбирает область съёмки, параметры получения изображения и тип анализа.

Ограничения безопасности действуют на уровне устройств. Например, агент не может случайно выставить чрезмерную мощность лазера, которая повредила бы флуоресцентные молекулы и образец.

Программная платформа ещё разрабатывается, но уже позволила найти популяцию клеток с колебательной активностью, которую фиксированные настройки могли пропустить. Благодаря этому потребовалось меньше повторных запусков и животных для получения того же числа пригодных записей.

В дальнейшем Ruetten хочет изучить, как колебания в мозге связаны со сном и бодрствованием, чтобы искать мишени для препаратов, вызывающих восстановительный сон, а не только седацию. Для этого нужно определить связанные с колебанием клетки и проводить оптогенетические воздействия в нужной фазе, пока запись продолжается.

Такие замкнутые эксперименты требуют быстрой координации большого числа устройств. MHS даёт им общий интерфейс и позволяет быстрее перебирать параметры, находить подходящую комбинацию и проверять новые гипотезы. Сам стандарт не отменяет физических компромиссов между скоростью и охватом или яркостью сигнала и длительностью записи, но ускоряет поиск подходящих настроек.

Другие команды Janelia также используют MHS. Группа Arco Bast в лаборатории Spruston наблюдает за нейронами и дендритами в мозге живых мышей, которые учатся перемещаться в виртуальной среде. Claude может выравнивать лазеры, настраивать оптику и сравнивать результаты с показаниями датчиков, превращая многочасовую ручную настройку в один этап.

Команда Magdalena Schneider и Hari Shroff применяет MHS для управления светолистовым микроскопом. Claude в реальном времени решает, как снимать развивающиеся эмбрионы C. elegans и как выбирать между конкурирующими параметрами изображения.

QuEra: восстановление лазерной частоты

QuEra, производитель квантовых компьютеров на нейтральных атомах, подключила через MHS часть лазерной системы своих машин к ИИ-агенту. Claude разработал контроллер, который восстанавливал лазерную «блокировку» — сверхточную частоту, необходимую для взаимодействия лазера с атомами, — в 99,3% случаев без помощи человека.

Квантовые компьютеры используют свойства квантовой механики для вычислений, недоступных обычным суперкомпьютерам. В подходе QuEra на нейтральных атомах сами атомы служат основой вычислений, а управление и считывание кубитов выполняются через контролируемое взаимодействие лазера с атомами.

Частота каждого лазера должна удерживаться с точностью примерно до одной части на триллион. Это сопоставимо с измерением расстояния от Земли до Луны с погрешностью не шире человеческого волоса.

Температура, вибрации и изменения давления могут вывести лазер из нужной частоты. Если это происходит во время длительной программы с коррекцией ошибок, вычисление, на подготовку которого ушли часы, может оказаться испорченным.

В центре эксперимента был титан-сапфировый лазер — настраиваемый прибор, который используется в атомной физике и квантовых технологиях более 20 лет. Обычно его настраивают специалисты вручную. Программное обеспечение умеет исправлять распространённые возмущения, но необычные сбои по-прежнему требуют опытного оператора.

Восстановление частоты вручную обычно занимает от 5 до 10 минут. В университетских лабораториях такой навык передаётся от одного аспиранта к другому, а при сбое ночью кому-то приходится приезжать в лабораторию. Для парка квантовых компьютеров, где лазерных систем много, такой подход непрактичен.

До MHS QuEra уже пыталась автоматизировать восстановление. Команда из инженера лазерных систем, программиста, специалиста по алгоритмам и тестировщика несколько месяцев создавала отдельную программу. Она повторяла действия человека: отключала функцию удержания частоты, последовательно меняла настройки, проверяла частоту после каждого шага, начинала сначала при неудаче и снова включала блокировку.

Программа занимала около 150 секунд на попытку и срабатывала примерно в 58% случаев. Она унаследовала недостатки линейной процедуры: если температура или давление менялись уже после успешного шага, весь процесс приходилось начинать заново. Поэтому программа иногда не успевала компенсировать внешние возмущения.

QuEra передала эту задачу Claude через MHS. Агенту задали цель — написать автономную программу на Python — и критерий успеха: восстановить частоту с первой попытки и удерживать её 30 секунд.

Команда специально создавала возмущения: перекрывала луч, отключала питание приборов и сдвигала частоту на разные расстояния от цели. Через MHS Claude получал показания приборов и управлял настройками так же, как это делал бы оператор.

Работа была организована в четыре роли, каждая из которых запускала отдельный экземпляр Claude:

За ночь цикл повторился сотни раз. К утру восстановление занимало около шести секунд и срабатывало в 96% случаев вместо 150 секунд и 58%.

Claude заменил линейную последовательность деревом решений. Новая программа считывала показатели приборов, формировала условия «если — то» и выбирала коррекцию в зависимости от конкретного возмущения. Если частота почти не менялась, она задействовала только одну-две настройки, не трогая остальные.

После этого QuEra проверила готовую программу на 700 случайных возмущениях без участия агента. Правильная блокировка восстановилась в 695 случаях — показатель успеха составил 99,3%.

Сложные сбои, при которых частота сильно уходила от цели, занимали 10–14 секунд против 5–10 минут при ручном восстановлении. Простые случаи решались за 0,9–5,4 секунды. В результате получилась детерминированная и проверяемая программа, которую можно запускать в рабочей системе без постоянного управления со стороны ИИ.

Затем команда поручила агенту оптимизировать качество самой блокировки. Оно зависит от 12 связанных параметров PID в контуре управления. Хорошая настройка уменьшает остаточный шум, повышает стабильность частоты и снижает число сбоев.

Специалист обычно ориентируется на среднеквадратичную ошибку RMS. Более точная проверка требует снимать осциллограмму и вычислять преобразование Фурье после каждого изменения, что человеку делать непрактично.

Claude после каждой настройки не только смотрел на RMS, но и сотни раз за ночь записывал сигнал и рассчитывал полный спектр. За 363 эксперимента и 16 часов без участия человека агент снизил остаточную ошибку с 15,7 до 1,55 мВ.

Затем специалист заново настроил тот же лазер вручную, не видя результата Claude. Обе настройки проверили анализатором фазового шума. В целом параметры агента совпали с ручной настройкой, но на резонансе около 220 кГц ручная версия оставляла примерно в тысячу раз больше шума. RMS-эвристика могла скрыть такую особенность, тогда как Claude проверял полный спектр.

В практической проверке автоматическая настройка Claude не теряла блокировку в течение 19 часов. Версия специалиста теряла её примерно 1,6 раза в час. В отличие от контроллера восстановления, этот процесс продолжает использовать агента, который меняет параметры по мере изменения условий.

Пилотный проект не устранил потребность в экспертных знаниях полностью. Claude не умел устранять физические неисправности оборудования, поскольку понимал установку на уровне программных интерфейсов, а не физики. Кроме того, агент часто останавливался и ждал подтверждения человека перед действиями, которые считал даже немного рискованными. Иногда из-за этого эксперимент простаивал всю ночь.

Тем не менее команда считает осторожность предпочтительнее слишком рискованного поведения. Для корректной работы Claude также требовалось подробно описывать цель эксперимента и порядок действий.

QuEra планирует установить контроллер восстановления на действующие квантовые процессоры, превратить настройку лазера в отдельный инструмент и перенести полученные подходы на другие подсистемы.

Tetsuwan: лаборатория для гражданской науки

Исследователи Tetsuwan интегрировали MHS с автоматизированной биологической лабораторией ResearchOS. Система помогла выполнить qPCR-исследование загрязнения ручья Сан-Педро-Крик в Сан-Педро-Крик, Калифорния, в рамках проекта гражданской науки.

Хотя автоматизированные машины для дозирования, запечатывания, встряхивания и перемещения лабораторной посуды существуют с 1960-х годов, большая часть биологических экспериментов всё ещё выполняется вручную. Причина в том, что такие эксперименты часто меняются от запуска к запуску: отличается число образцов, формат планшета, количество условий, глубина серийного разведения, время инкубации и число временных точек.

Перевод одного варианта эксперимента в автоматизированный сценарий обычно занимает у инженера по автоматизации недели или месяцы. Поэтому автоматизация окупается главным образом при огромном числе повторений, например в высокопроизводительном скрининге сотен тысяч соединений. Остальные эксперименты сохраняют ручной характер и связанные с ним ошибки и проблемы воспроизводимости.

Tetsuwan создаёт автоматизированную биологическую лабораторию, доступную исследователям и агентам через API. Платформа ResearchOS позволяет без опыта в лабораторной автоматизации за несколько минут создавать, запускать и контролировать рабочие процессы. Claude переводит протокол на естественном языке в сценарий на специальном языке экспериментов, после чего пользовательский компилятор превращает его в код для оборудования.

Сама лаборатория состоит из дозирующих роботов, одной роботизированной руки и автоматизированной посуды, которые используют разные языки и имеют собственные особенности. MHS стал единым слоем координации между ними, пользователем и Claude.

Команда проверила систему на qPCR-анализе образцов из Сан-Педро-Крик, где на протяжении десятилетий фиксировался опасно высокий уровень загрязнения. qPCR копирует ДНК в термоциклере, который многократно нагревает и охлаждает образец. При нагревании две цепи ДНК разделяются, при охлаждении праймеры присоединяются к нужным участкам, а затем фермент-полимераза достраивает копии.

В qPCR добавляют флуоресцентный краситель. По росту сигнала можно определить исходное количество ДНК, активность гена или наличие патогена в образце.

Для реакции нужен вязкий реагент, похожий на мыльный раствор, — реакционная смесь. Он легко образует пузырьки и пену, что снижает точность дозирования и качество эксперимента. Через MHS команда подключила камеру, которая обнаруживала такие ошибки и запускала восстановление.

В одном случае камера заметила пузырьки в реакционной смеси, находившейся в пробирке на роботизированной руке. Сама рука не могла устранить проблему. ResearchOS просканировал доступные устройства, а Claude предложил через Slack переместить пробирку в центрифугу и ненадолго прокрутить её на низкой скорости, чтобы жидкость осела и пузырьки исчезли. Затем агент отправил центрифуге нужные команды через MHS.

Такая архитектура сохраняет протокол независимым от конкретного оборудования. Например, сценарий может требовать центрифугировать планшет при 15 000 × rpm в течение пяти минут, не указывая модель центрифуги. ResearchOS ищет совместимое устройство в сети, получает сведения о его драйвере, а Claude переводит заданное усилие в параметры конкретной машины. Если прибор принимает только скорость ротора, система рассчитывает её с учётом радиуса ротора.

Команда также использовала Claude для замкнутой оптимизации компилятора ResearchOS. Исследователи взяли протокол qPCR и превратили его в набор реалистичных рабочих списков с разными праймерами, числами образцов и повторами. Затем проверили разные типы переносов жидкости на роботе с помощью индикаторного красителя.

После завершения эксперимента Claude получил через MHS данные о точности с планшетного считывателя, проанализировал и визуализировал их и предложил изменения для модели точности переносов в компиляторе. Более точные прогнозы и известные систематические смещения помогли компилятору лучше выбирать раскладку оборудования и повторное использование наконечников.

В эксперименте проверили:

На отложенных экспериментах модель, которую уточняли с помощью Claude и MHS, предсказывала точность многократного дозирования примерно на 12% лучше технической спецификации производителя. Она превзошла её в 31 из 45 запусков по критерию знаков при p ≈ 0,001. На наиболее полно повторённом наборе данных улучшение составило около 17%.

Предварительные результаты qPCR подтвердили выводы San Pedro Creek Watershed Coalition: главным источником фекального загрязнения ручья, вероятно, были люди. Исследователи искали ДНК бактерий, характерных для людей, лошадей, птиц и собак.

Они обнаружили E. coli с помощью общего маркера 16S, а также бактерии Bacteroides с праймером AllBac. Ген 16S кодирует рибосомную РНК и встречается у всех бактерий. Праймеры для участков с межвидовыми различиями позволяют определить организм-хозяина.

Кроме того, команда зафиксировала явную амплификацию человеческих Bacteroides с праймерами HF183 и BacH. Специфические Bacteroides других хозяев обнаружить не удалось. В следующих экспериментах Tetsuwan планирует точнее установить источник загрязнения и количественно оценить концентрацию человеческих Bacteroides в сточных водах.

Как появился MHS

MHS начался как совместный проект Alek Kemeny из команды Anthropic по полезному внедрению технологий и Arco Bast, постдокторанта HHMI Janelia Research Campus.

Bast проводил сложные эксперименты по визуализации мозга на установке с лазерами, моторизованной оптикой и специализированными камерами разных производителей. У оборудования не было общего интерфейса, поэтому он создал словарь в разделяемой памяти. Через него приборы могли обмениваться состоянием на скорости памяти компьютера.

Kemeny и Bast вместе подключили к этому интерфейсу ИИ-модели. Позднее на основе этой идеи сформировали MHS.

Поставщики оборудования и разработчики программного обеспечения также начали добавлять поддержку MHS, чтобы ИИ-агенты могли находить и использовать их устройства. Среди ранних участников — Hugging Face, которая внедряет MHS в LeRobot, и Raspberry Pi, расширяющая интеграцию в нескольких продуктах после испытаний драйвера MHS для камеры.

Пока стандарт не работает с оборудованием без программируемого интерфейса. Anthropic сотрудничает с производителями, чтобы добавить такие драйверы.

Предварительные результаты партнёров показали пользу MHS, но до публикации исходного кода компании предстоит провести дополнительные проверки. Claude получает представление о физическом мире из текста и изображений, поэтому его пространственное и физическое рассуждение ограничено и требует контроля специалистов.

В случае с белковыми образцами Genentech пришлось объяснить Claude, что ошибки из-за пены связаны с физикой жидкости, а не с программной неисправностью. Исправить их можно было только изменением физических параметров работы.

Anthropic также планирует дополнить проверки безопасности, следить за доступностью и состоянием оборудования во время экспериментов и уточнить, в каких ситуациях необходимо одобрение человека. В рамках исследовательского доступа компания хочет собрать дополнительные данные о безопасном использовании ИИ в физическом мире. При публикации MHS эти результаты должны войти в рекомендации по развёртыванию стандарта.