Google's AI-model Argon versnelt kwantumcomputers, fusie-onderzoek en robots

Google introduceerde op 13 oktober Gemini 4 Argon, de nieuwste versie van zijn AI-model. Het bedrijf claimt dat Argon in meerdere technische vakgebieden tegelijk resultaat boekt: van kwantumcomputers tot kernfusie en robotica. De verbeteringen zijn indrukwekkend, maar gelden telkens voor één specifiek experiment en niet voor hele technologiegebieden.

Kleinere rekenstap, grote besparing

Kwantumcomputers voeren berekeningen uit met kwantumbits, of qubits, die extreem gevoelig zijn voor fouten. Veel kwantumalgoritmes leunen op kleinere deelprogramma's, zogeheten subroutines, die veel rekenkracht en tijd kosten. Argon wist zo'n subroutine — gebruikt om een wiskundige functie te berekenen binnen kwantumsimulaties — meer dan honderd keer goedkoper te maken dan een eerder gepubliceerde methode. Google liet de uitkomst controleren met Lean, software die wiskundige bewijzen stap voor stap narekent. Dat proces heet formele verificatie en voorkomt dat een AI-model een foutieve oplossing als correct aanmerkt. Argon verbeterde ook AlphaQubit, Google's systeem dat fouten in kwantumberekeningen opspoort en herstelt via kwantumfoutcorrectie. Door het om te bouwen tot één op maat gemaakte rekeneenheid verdubbelde de snelheid waarmee het systeem fouten kan verwerken.

Van fusie-wiskunde tot pratende robots

Voor kernfusieonderzoek werkte Google samen met hoogleraar Matt Landreman van de Universiteit van Maryland. Samen vonden ze nieuwe tegenvoorbeelden voor een wiskundige hypothese uit 1967 die gaat over de magnetische velden in een stellarator, een type fusiereactor dat gloeiend heet plasma in een gedraaide magnetische kooi vasthoudt. Die nieuwe reken­voorbeelden kunnen dienen als test voor simulatiesoftware waarmee toekomstige stellarators worden ontworpen.

In de robotica liet Google zien dat Argon op basis van één enkele foto van een tafel een complete natuurkundige simulatie kon bouwen. Daarmee genereerde het model meer dan 4.500 virtuele oefensessies voor een robotarm. Die extra trainingsdata verhoogde het slagingspercentage van een echte robot bij een grijptaak van 56 naar 75 procent, en de taak werd sneller uitgevoerd. In een aparte proef hielp Argon een humanoïde robot van het bedrijf Apptronik om na het bekijken van een video zeven keer op rij een zakje in een cornhole-spel te gooien.

Ook op softwaregebied werd Argon getest: het model werkte elf uur onafgeloten aan een bestaande programmeercode van ruim 205.000 regels. Van de zes voorgestelde verbeteringen werden er twee door menselijke programmeurs goedgekeurd, wat de voorbereidingstijd van softwaresessies met ongeveer 40 procent verkortte. Google benadrukt dat alle resultaten specifiek zijn voor de beschreven experimenten en nog niet aantonen hoe het model breder presteert.