Zespół Meta opracował nową metodę tworzenia algorytmów kwantowych dla równań i funkcji macierzowych, bazując na ludzko-sztucznej inteligencji współpracy w naukach ścisłych. Projekt zaowocował algorytmami sign-embedding, które są istotnymi elementami w algebrze liniowej kwantowej i algorytmach wydających operatory.
Zaczęło się od intuicji człowieka, że aproksymacja wymierna jest szczególnie skuteczna dla funkcji skokowych, takich jak funkcja znaku, i mogłaby stanowić zasadę projektowania algorytmów kwantowych. Zamiast angażować AI dopiero po sformułowaniu problemu, system AIM wspierał ludzi od wczesnych etapów eksploracji. Pomógł w rozszerzeniu niejasnego pomysłu na mapę trasy badawczej, porównaniu kandydujących sformułowań i zbieżności ku sign embedding jako centralnemu ramach. AI wspierał też połączenie znanej tożsamości macierzy-znaku z szerszymi klasami równań macierzowych i draft dowodów z obliczeniami złożoności.
Klucze aspekt tego badania to zachowanie ludzkiego osądu w podejmowaniu ostatecznych decyzji naukowych. Naukowcy wybierali, które rozwinięte przez AI-człowieka trasy są warte kontynuacji, odrzucili aproksymację Cayleya-trapezoidalną gdy jej ważność wymagała ukrytego warunku, i dopracowali implementację Sylvestera. Badanie demonstruje, że AI nie zamienia ludzi w nauce, ale może znacznie przyspieszyć transformację vague intuicji w konkretne, udowodnione rezultaty poprzez wsparcie w eksploracyjnych fazach badań.