Onnes：面向量子计算基础设施低温故障诊断的物理落地多智能体LLM模拟器

稀释制冷机是超导量子计算机的使能基础设施，但其故障诊断仍被阈值警报主导——报告“出问题了”而非“什么问题”。我们提出Onnes：一个物理落地的稀释制冷机数字孪生模拟器（带学习到的真实冰箱噪声指纹的前向物理模型），驱动实时多智能体LLM运维层，并用它做零样本LLM智能体面板与监督ML分类器在低温故障诊断上的受控头对头。孪生耦合真实稀释冷却底层、从真实BlueFors日志学习的噪声与相关性指纹、以及六个物理落地的故障类别——其中三个被设计为在温度上重叠、在流量与压力上可分。1,000轮评估中：零样本面板在检测上与分类器无显著差异，但分类落后、错误集中于易混故障。策划的对比少样本示范与自一致性投票把分类准确率从0.685提升到0.990——以无参数更新、六个标注示范匹敌监督分类器（0.985）；消融把增益几乎完全归于示范。作为跨九轮按种子故障扫描的连续监视器运行：智能体在一个轮询间隔内捕获每个发展中的故障，置信门抑制起始前误报（其速率依赖后端）。作为首个sim-to-real检查：纯用真实BlueFors遥测训练的检测器在真实硬件上取得6.4%误报率与100%召回（对注入真实留出窗口的物理故障）。所有数字逐字取自已发布的运行日志。