GPT-5.6 Sol, 6-큐비트 칩 측정 루틴 자율 수행
양자 큐비트 실험 준비와 실행에는 수개월의 시간이 소요되며 수천 번의 예비 측정이 필수적이라는 제약이 있다. MIT Engineering Quantum Systems Group(EQuS) 연구팀은 GPT-5.6 Sol을 실험실 소프트웨어에 연결해 6-큐비트 칩의 보정 루틴을 자율적으로 완료하며 이 반복 작업을 대체했다. 연구자는 이제 단순 측정 대신 실험 설계와 데이터 분석에 더 많은 시간을 할당하는 선택지를 갖게 됐다.
MIT EQuS 연구팀의 Beatriz Yankelevich 대학원생은 GPT-5.6 Sol과 Codex(AI 코딩 모델)를 연동해 실험 워크플로우를 효율화했다. 연구 대상인 초전도 큐비트(superconducting qubits, 양자 정보를 처리하는 기본 단위)는 마이크로파 신호로 정밀하게 제어되며 일반적인 제조 기술로 칩 위에 배열된다. 이 큐비트들은 절대영도 근처로 냉각하는 장치인 희석 냉동기(dilution refrigerators) 내부에서 작동한다.
패키징된 큐비트 칩은 희석 냉동기 내부에 배치되어 외부 소프트웨어와 상호작용한다. 연구팀은 Codex를 실험 조정 소프트웨어에 연결해 AI가 직접 측정을 수행하고 결과를 분석하며 다음 단계를 결정하도록 구성했다.
이미지 출처: OpenAI
GPT-5.6 Sol은 루틴한 측정 워크플로우를 자율적으로 수행하며 연구자의 지속적인 감독 없이도 실험을 진행했다. 이는 연구자가 결과 분석과 실험 설계, 향후 연구 계획 수립에 집중할 수 있는 환경을 제공한다. AI 에이전트가 소프트웨어 계층에서 하드웨어 제어권을 가짐으로써 물리적 반복 작업의 병목을 제거했다.
테스트에는 보정되지 않은 6-큐비트 표준 칩이 사용됐다. 이 칩은 EQuS 팀이 제조 공정의 성능을 확인하기 위해 정기적으로 사용하는 벤치마크 모델이다. Yankelevich는 Codex에 각 실험을 어떻게 실행하고 평가해야 하는지에 대한 측정 전용 기술(skills)을 입력했다.
GPT-5.6 Sol은 입력된 기술과 칩의 설계 목표치를 대조해 측정 파라미터를 스스로 선택했다. 이후 하드웨어를 조작해 데이터를 수집하고, 분석 결과에 따라 측정값을 정밀하게 수정하거나 다음 측정 단계에서 사용할 최종 결과값으로 저장하는 과정을 반복했다.
상호 의존적 측정 루프와 AI의 파라미터 최적화
마이크로파 펄스(고주파 전자기파)의 주파수가 큐비트의 공진 주파수와 일치하느냐에 따라 양자 상태의 전이 여부가 결정된다. 연구자는 칩에 보내는 펄스 시퀀스를 설계하고 반환되는 신호를 디지털화하여 분석하는 과정을 거친다. 이 단계에서 큐비트를 정확하게 제어하기 위한 공진 주파수(특정 에너지 수준 사이를 이동시키는 고유 주파수)를 식별하고 제어 펄스의 세기를 보정한다.
AI는 큐비트가 양자 정보를 얼마나 오랫동안 유지하는지를 나타내는 코히어런스 시간(coherence time) 측정을 자율적으로 수행한다. 이는 큐비트의 성능을 결정하는 핵심 지표로, 기존에는 연구자가 파라미터를 수동으로 수정하며 수차례 반복 측정해야 했다. AI는 측정 결과에서 얻은 데이터를 분석해 다음 측정에 필요한 최적 변수를 스스로 계산하여 적용한다.
전체 시스템은 측정, 데이터 분석, 파라미터 수정, 재측정으로 이어지는 상호 의존적 루프로 구현된다. AI는 측정된 신호에서 공진 딥(resonance dip)의 위치나 라비 진동(Rabi oscillation, 펄스 길이에 따른 상태 변화)의 진폭을 분석해 펄스 설정을 미세하게 조정한다. 단순한 반복 실행이 아니라 이전 단계의 측정값이 다음 단계의 제어 파라미터로 직접 연결되는 적응형 구조다.
이미지 출처: OpenAI
읽기 보정 단계에서는 IQ 클러스터(신호의 위상과 진폭을 2차원 평면에 나타낸 분포)와 상태 히스토그램을 분석한다. 이를 통해 큐비트가 바닥 상태(ground state)에 있는지 혹은 들뜬 상태(excited state)에 있는지를 구분하는 판별 기준선을 설정한다. AI는 두 상태의 분포가 겹치지 않도록 기준선을 최적화하여 판독 오류를 최소화하는 설정을 찾아낸다.
이미지 출처: OpenAI
신호가 명확한 상황에서 AI는 연구자의 개입 없이 표준 측정 시퀀스를 완수한다. 전이 주파수를 식별하고 제어 및 판독 펄스를 보정하는 일련의 과정이 자동화되어 수행된다. 이처럼 반복적인 보정 루프를 AI가 전담함으로써 연구자는 물리적 결과의 해석이나 새로운 실험 설계 같은 상위 수준의 연구 활동에 더 많은 시간을 할애할 수 있다.
며칠의 분석 시간을 '오버나이트' 자동화로 전환
칩 특성 분석(characterization, 칩의 물리적 성질을 측정하고 정의하는 과정)에 소요되던 수일의 시간이 AI 자율 수행을 통해 수 시간 또는 밤샘 작업 수준으로 단축됐다. 큐비트 보정은 앞선 측정 결과가 다음 단계의 설정값을 결정하는 상호 의존적 측정의 연속이다. 연구자가 매 단계 측정값을 확인하며 파라미터를 수정하던 반복 루프를 AI가 전담하며 전체 소요 시간을 줄였다.
연구자는 실험실에 상주하며 모든 단계를 감시하는 대신 스마트폰을 통해 원격으로 진행 상황을 모니터링하고 방향을 수정하는 스티어링(steering, 진행 경로 조정)을 수행한다. 상시 감독 없이도 실험 분석과 측정이 꾸준히 진행되는 환경이 구축됐다. 이는 연구자가 물리적 공간의 제약에서 벗어나 실시간으로 실험의 흐름을 제어할 수 있음을 의미한다.
다만 실험 신호가 약하거나 노이즈가 심한 환경에서는 AI의 파라미터 탐색 시간이 길어지며 성능 저하가 나타난다. 예상치 못한 물리적 동작으로 인해 일관성 없는 결과가 나올 때, 이를 해석하고 올바른 방향으로 가이드하는 역할은 여전히 숙련된 연구자의 영역이다. 현재의 에이전트는 명확히 정의된 워크플로우는 처리하지만 모호한 물리 결과 해석에는 한계가 있다.
활용 범위는 단순 보정을 넘어 신규 실험을 위한 제어, 분석, 시뮬레이션 코드 작성과 테스트 보조로 확장된다. 연구자가 에이전트에게 좁고 구체적인 실험 목표를 할당하면, AI는 이에 맞는 코드를 작성하고 실제 측정값으로 즉시 검증하며 수정한다. 실험실 장비와 에이전트를 직접 연결해 코드 수정과 실측 테스트를 자율적으로 반복하는 구조다.
다중 에이전트 운용 구조를 통해 복잡한 문제를 병렬로 해결하는 방식도 적용 가능하다. 여러 개의 에이전트가 서로 다른 큐비트나 파라미터 영역을 동시에 탐색하게 함으로써 전체 분석 처리량을 높인다. 이는 단일 연구자가 순차적으로 수행하던 분석 작업을 동시다발적인 병렬 처리 공정으로 전환한 결과다.
AX BRIEF의 시각에서 이번 구현의 실무적 의미는 정형화된 특성 분석의 완전 자동화다. 연구자는 단순 반복 측정이라는 저차원 업무에서 벗어나 실험 설계와 코드 최적화라는 고차원 업무에 집중할 수 있다. 다만 신호 대 잡음비가 낮은 극한 환경의 데이터 해석 능력은 여전히 부족하다. 따라서 자율 수행이 가능한 정의된 워크플로우와 인간의 가이드가 필수적인 모호한 물리 결과 해석 구간을 엄격히 구분해 운용하는 것이 실무적인 실행 기준이 된다.
