GPT‑5.6 Sol이 양자 컴퓨팅 실험을 지원하는 방법

양자 컴퓨팅은 양자역학의 고유한 특성을 활용해 정보를 처리하는 신흥 기술입니다. 언젠가는 복잡한 물질과 분자를 지금보다 더 정밀하게 시뮬레이션할 수 있을 것으로 기대됩니다. 기존 프로세서와 달리 양자 프로세서는 양자 비트, 즉 큐비트로 구성됩니다. 큐비트 실험을 준비하고 실행하려면 수개월이 걸리고 수백에서 수천 번의 사전 측정이 필요할 수 있으며, AI는 이러한 작업에 도움을 줄 수 있습니다.

MIT 공학 양자 시스템 그룹(EQuS)의 대학원생 베아트리스 얀켈레비치는 Codex에 연결된 GPT‑5.6 Sol을 사용해 AI가 자신의 실험 워크플로를 간소화할 수 있는지 알아보았습니다. MIT 연구팀은 희석 냉동기라는 특수 장치 안에서 절대영도에 가깝게 냉각되는 초전도 큐비트를 연구합니다. 이러한 큐비트는 빠르게 연산하고 마이크로파 신호로 정밀하게 제어할 수 있으며, 널리 쓰이는 제조 기술로 제작해 칩에 배열할 수 있습니다.

초전도 큐비트 칩은 제작, 패키징, 냉각을 마치면 전적으로 소프트웨어를 통해 제어되므로, 얀켈레비치의 실험은 AI 에이전트를 시험하기에 적합한 환경이 되었습니다. Codex를 실험을 조율하는 연구실 소프트웨어에 연결하자 측정을 실행하고 결과를 분석하며 다음 시도를 결정할 수 있었습니다. 얀켈레비치는 GPT‑5.6 Sol이 일상적인 측정 워크플로를 자율적으로 완료하는 경우가 많다는 사실을 확인했습니다. 덕분에 상당한 시간을 절약하고 지속적인 감독 없이 실험을 진행할 수 있었습니다. 그 결과 얀켈레비치는 결과 분석, 실험 설계, 후속 연구 단계 계획에 더 많은 시간을 쓸 수 있었습니다.

초전도 큐비트는 원자처럼 특정 에너지 준위만 차지할 수 있어 흔히 인공 원자라고 불립니다. 마이크로파 펄스는 큐비트를 이러한 준위 사이에서 전이시키고 양자 상태를 측정합니다. 연구자는 칩으로 전송할 펄스 시퀀스를 설계하고 교정한 다음, 되돌아오는 신호를 디지털화해 분석합니다. 이러한 측정을 통해 각 큐비트의 공진 주파수와 양자 정보를 유지하는 시간, 연산 수행에 필요한 설정을 파악할 수 있으며, 이를 바탕으로 큐비트를 정밀하게 제어할 수 있습니다.

큐비트 교정에는 서로 의존하는 일련의 측정이 필요하며, 각 결과가 다음 단계를 결정합니다. 큐비트의 특성은 때때로 변동하며, 예상치 못한 물리적 거동으로 일관되지 않은 결과가 나타날 수 있습니다. 숙련된 연구자는 이러한 변화를 알아차리고 상황에 맞게 대응할 수 있습니다. 소프트웨어 제어, 반복 측정, 적응형 의사 결정이 결합된 큐비트 교정은 AI 에이전트의 유망한 활용 사례이기도 합니다.

얀켈레비치는 EQuS가 제작 공정을 벤치마킹할 때 정기적으로 사용하는 표준형 칩 가운데 하나인, 교정되지 않은 6큐비트 칩에서 GPT‑5.6 Sol의 측정 수행 능력을 시험했습니다. 그녀는 각 실험의 실행 및 평가 방법을 설명하는 측정별 스킬을 Codex에 제공했습니다. GPT‑5.6 Sol은 이러한 스킬과 칩의 설계 목표를 바탕으로 측정 매개변수를 선택하고 하드웨어를 작동시켜 데이터를 분석한 뒤, 측정을 개선하거나 다음 측정에 사용할 수 있도록 결과를 저장했습니다.

신호가 명확할 때 Codex는 연구자의 개입을 거의 받지 않고 표준 측정 절차를 완료했습니다. 큐비트의 전이 주파수를 파악하고 큐비트를 제어하고 판독하는 데 쓰이는 펄스를 교정했으며, 큐비트가 양자 정보를 유지하는 시간도 측정했습니다.

실험 신호가 약하거나 잡음이 많을 때는 GPT‑5.6 Sol이 더 어려움을 겪었습니다. 이 경우 적절한 측정 매개변수를 찾는 데 시간이 더 걸렸으며, 때로는 숙련된 연구자의 지도가 필요했습니다. 이 결과는 현재의 에이전트가 명확하게 정의된 실험 워크플로는 처리할 수 있지만, 모호한 물리적 결과를 해석하는 일은 여전히 어렵다는 점을 보여 줍니다.

EQuS는 이러한 표준 칩을 다수 제작하며, 연구자가 칩 하나의 특성을 분석하는 데 며칠이 걸릴 수 있습니다. 현재 연구팀은 일상적인 측정을 에이전트에 맡겨 연구자가 다른 작업에 집중할 수 있도록 하고 있습니다.

얀켈레비치는 “밤새 여러 시간 동안 또는 제가 클린룸에서 일하는 동안 에이전트가 측정을 수행하게 할 수 있습니다”라고 말했습니다. “휴대전화로 진행 상황을 확인하고, 수정할 부분이 있거나 다른 방향을 탐색하고 싶을 때 에이전트를 조정할 수 있습니다.”

당장 얻을 수 있는 이점은 Codex 에이전트가 연구자의 지속적인 감독 없이도 실험 분석과 측정을 꾸준히 진전시킬 수 있다는 것입니다. 최적의 교정 설정을 찾는 데는 여전히 숙련된 연구자가 현재의 AI 모델보다 빠를 수 있습니다. 하지만 연구자는 교정 과정의 모든 단계를 모니터링하는 데 들이던 시간을 아껴 다른 작업에 집중할 수 있습니다.

일상적인 칩 특성 분석은 비교적 명확하게 정립된 워크플로를 따릅니다. 새로운 실험의 경우 얀켈레비치는 Codex 에이전트에 더 세분화된 실험 목표를 부여하는 한편, 제어·분석·시뮬레이션을 위한 새 코드를 작성하고 수정하고 테스트하는 에이전트의 능력을 더욱 적극적으로 활용합니다. 에이전트를 실험실에 직접 연결하면 연구팀은 코드를 수정하고 실제 측정값으로 테스트하며 더 긴 작업 과정을 자율적으로 완료할 수 있습니다.

얀켈레비치는 “측정, 이론, 칩 설계 등 제 연구의 여러 부분에서 에이전트를 안내할 수 있는 인프라를 구축했고, 이제 그 성과가 본격적으로 나타나기 시작했습니다”라고 말했습니다. “여러 에이전트가 서로 다른 문제를 동시에 해결하도록 할 수 있어, 저는 결과 해석, 실험 구상, 에이전트의 다음 단계 계획, 자료 읽기와 글쓰기 같은 상위 수준의 작업에 대부분의 시간을 씁니다.”