همکاری میان هاروارد، Anthropic و QuEra از مدل‌های زبانی بزرگ برای کشف مدارهای کوانتومی استفاده کرده است، با کاهش هزینه منابع گزارش‌شده تا ۹۱۰۰ برابر. این نتیجه کمتر به‌عنوان ادعایی درباره توانایی مدل و بیشتر به‌عنوان یک مطالعه موردی در این باره که چگونه agentهای LLM می‌توانند به‌عنوان عملگرهای جستجو روی یک فضای طراحی ساختاریافته عمل کنند، قابل توجه است.
این چارچوب‌بندی برای مهندسی agent اهمیت دارد. سنتز مدار کوانتومی دارای فضای جستجوی به‌خوبی تعریف‌شده، محدودیت‌های سخت و یک هدف قابل ارزیابی است، که همان وضعیتی است که در آن حلقه‌های agent بیشترین قابلیت مدیریت را دارند: یک نامزد پیشنهاد بده، آن را در برابر یک شبیه‌ساز یا مدل هزینه امتیازدهی کن، و تکرار کن. رقم گزارش‌شده ۹۱۰۰ برابر یک دلتای منابع در خود فرآیند جستجو است و نه یک امتیاز بنچمارک، که این امر آن را مستقیماً با هزینه خطوط پایه کلاسیک یا اکتشافی که جایگزینشان می‌شود قابل مقایسه می‌کند.
آنچه پوشش ارائه‌شده مشخص نمی‌کند، خط پایه دقیق پشت این ضریب، خانواده‌های مدار و اندازه‌های مسئله درگیر، یا نحوه مقیاس‌پذیری این رویکرد فراتر از موارد گزارش‌شده است. این جزئیات تعیین می‌کنند که آیا این سود یک ویژگی عمومی جستجوی هدایت‌شده با LLM در این حوزه است یا مختص پیکربندی‌های آزمایش‌شده. برای تیم‌هایی که سیستم‌های agent می‌سازند، الگوی قابل انتقال طراحی حلقه است: یک بازنمایی محدودشده، یک ارزیاب قطعی کم‌هزینه، و یک agent که جستجو می‌کند نه اینکه متن تولید کند.