OpenAI、量子コンピューティング実験の効率化に GPT-5.6 Sol を活用

量子コンピューティングは、量子力学の独自の性質を利用して情報を処理する新興技術です。将来的には、複雑な材料や分子のシミュレーションをより高度に行えるようになる可能性があります。

従来のプロセッサとは異なり、量子プロセッサは量子ビット（qubits）という単位で構成されています。量子ビットの実験準備と実行には数ヶ月を要し、数百から数千回の予備測定が必要となるため、AI がその支援に期待されています。

MIT のエンジニアリング量子システムグループ（EQuS）の大学院生である Beatriz Yankelevich 氏は、GPT‑5.6 Sol を Codex と連携させて使用し、AI が実験ワークフローを効率化できるかを探求しました。同グループが研究対象としているのは超伝導量子ビットです。これらはディルーション・リフレイジレーターと呼ばれる特殊な装置内で絶対零度に近い温度まで冷却され、高速で動作します。マイクロ波信号によって精密に制御可能であり、既存の製造技術を用いて作製でき、チップ上に配置することもできます。

超伝導量子ビットチップの製造、パッケージ化、冷却が完了すると、研究者はソフトウェアを通じてのみそのチップと対話することになります。このため、ヤンケレヴィッチ氏の研究は AI エージェントの実験台として理想的な環境です。Codex を実験を調整するラボソフトウェアに接続したところ、同モデルは測定を実行し、結果を分析して次に何を試すべきかを判断できるようになりました。

ヤンケレヴィッチ氏によると、GPT‑5.6 Sol は多くの場合、定型的な測定ワークフローを自律的に完了できることがわかりました。これにより彼女の作業時間が大幅に削減され、常時監視しなくても実験が継続して実行可能となりました。その結果、彼女はより多くの時間を結果の分析や実験設計、そして次の研究ステップの計画に充てることができるようになりました。

相互依存する測定の調整

超伝導量子ビットは、原子が特定のエネルギー準位しか占有できないのと同様に、人工原子とも呼ばれます。マイクロ波パルスを用いて量子ビットをこれらの準位間で移動させ、その量子状態を探ります。

研究者らはチップに送るパルスシーケンスを設計・調整し、返ってくる信号をデジタル化して解析します。この測定により各量子ビットの共鳴周波数が明らかになり、量子ビットの正確な制御や、量子情報を保持できる時間（コヒーレンス時間）、計算を実行するための設定値などを決定できます。

量子ビットのキャリブレーションには、互いに依存する一連の測定が必要です。それぞれの結果が次のステップを左右します。また、量子ビットの特性は時としてドリフトし、予期せぬ物理的な挙動によって結果が不安定になることもあります。熟練した研究者ならこうした変化に気づき、状況に応じて対応できます。このように、ソフトウェアによる制御、反復測定、そして状況に応じた意思決定を組み合わせたプロセスは、AI エージェントにとって魅力的な活用事例と言えます。

ヤンケレヴィッチ氏は、GPT-5.6 Sol の能力を、EQuS が製造プロセスのベンチマークに日常的に使用する標準的なタイプの未較正 6 量子ビットチップでの測定実行テストで検証しました。彼女は Codex に、各実験の実行と評価方法を説明する測定特化型のスキルを提供しました。これらのスキルとチップの設計目標を活用し、GPT-5.6 Sol は測定パラメータを選択し、ハードウェアを操作し、得られたデータを分析します。そして、測定の改良を行うか、次の測定に活用するために結果を保存するかを判断しました。

信号が明確な場合、Codex は研究者の介入を最小限に抑えつつ、標準的な一連の測定を完了させました。量子ビットの遷移周波数を特定し、制御や読み出しに用いるパルスを較正し、量子情報が保持される時間を算出します。

実験信号が微弱またはノイズが多い場合、GPT-5.6 Sol はより困難に直面しました。そのようなケースでは、適切な測定パラメータを見つけるまでに時間がかかり、熟練した研究者からのガイダンスが必要なこともありました。この結果は、現在のエージェントが明確に定義された実験ワークフローを処理できることを示していますが、曖昧な物理現象の解釈には依然として課題が残っています。

EQuS はこれらの標準チップを多数製造しており、それぞれの特徴評価には研究者に数日かかることもあります。現在、同グループは日常的な測定業務をエージェントに任せることで、研究者が他の重要な作業に集中できる体制を整えています。

「夜間やクリーンルームで作業している間も、エージェントが数時間にわたって測定を継続して行えます。スマホから確認し、結果を確認したり、修正が必要な場合や別の方向性を試したい場合に指示を出すことも可能です」とヤンケレヴィッチ氏は語ります。

研究者との協働

Codex エージェントの最大の利点は、研究者が絶え間ない監視なしに実験分析や測定で着実に進捗を上げられることです。熟練した研究者であれば、現在の AI モデルよりも迅速に最適な校正設定を見極められる可能性もありますが、校正プロセスの各ステップを監視するために費やす時間を節約できるため、研究者は他の業務に集中できます。

チップの特性評価には比較的明確なワークフローが確立されています。一方、新規実験においては、ヤンケレヴィッチ氏は Codex エージェントに対してより狭い実験目標を与えつつ、制御・分析・シミュレーションのための新コード作成や修正、テストに対するその能力をより強く活用します。エージェントをラボに直接接続することで、グループはコードの改訂を行い、実際の測定結果と照合して検証し、長時間にわたる作業を自律的に完遂できます。

「測定、理論、チップ設計といった作業の各段階をエージェントが導くためのインフラを整備してきました。その成果がいよいよ現れ始めています」とヤンケレヴィッチ氏は語ります。「複数のエージェントに同時に異なる課題に取り組ませることで、私はより高次な業務に時間を割けるようになりました。具体的には、結果の解釈や実験計画の立案、次のステップの設計、そして文献の読解や執筆などです。」