Lowering the implementation barrier of neutral-atom quantum computing with agentic workflows

양자 컴퓨팅의 세계를 거대하고 첨단 기술이 집약된 오케스트라라고 상상해 보십시오. 수년 동안 음악가들(과학자들)은 악보(이론)와 악기(양자 컴퓨터)를 가지고 있었지만, 악기는 몇몇 비밀 연구소에 잠겨 있었고, 악보는 오직 작곡가들만이 읽을 수 있는 매우 복잡한 언어로 쓰여 있었습니다. 실제로 곡을 연주하려면 물리학을 아는 지휘자, 레이저를 조율할 수 있는 기술자, 소프트웨어를 작성할 수 있는 코더, 그리고 컴퓨터가 존재하는 클라우드 서버로 비행기를 몰고 갈 수 있는 조종사가 필요했습니다. 그것은 물류 측면에서 볼 때 악몽과도 같았습니다.

이제 **중성 원자 양자 컴퓨터(neutral-atom quantum computer)**가 등장합니다. 이것을 작은 실리콘 칩이 아니라, 개별 원자들이 보이지 않는 빛의 빔에 의해 중력이 없는 방에 떠 있는 구슬처럼 공중에 매달려 있는 무대라고 생각하십시오. 이 원자들은 "리드베리 상태(Rydberg states)"라고 불리는 들뜬 상태로 유도될 수 있는데, 이 상태에서 원자들은 매우 민감해지며 이웃한 원자들과 상호작용하여 에너지의 복잡한 춤을 만들어냅니다. 이 설정은 믿을 수 없을 정도로 유연합니다. 원하는 어떤 모양으로든 원자를 배치할 수 있어, 까다로운 퍼즐을 풀거나 물질이 어떻게 행동하는지 시뮬레이션하는 데 완벽합니다. 하지만 문제는 여기에 있습니다. 설령 원자들이 그곳에 떠 있다 하더라도, 연구 논문의 찬란한 아이디어를 이 떠 있는 무대 위에서 실제 실험으로 바꾸는 것은 여전히 매우 어렵습니다. 이는 추상적인 수학을 정밀한 레이저 펄스로 번역하고, 오류를 점검하며, 클라우드 연결을 관리하는 과정을 필요로 합니다. 마치 벽돌 하나하나를 손으로 직접 깎아 만들면서 동시에 설계도를 디자인하고 시청과 협상하며 집을 짓는 것과 같습니다.

여기서 새로운 종류의 조력자가 등장합니다. 바로 AI 에이전트입니다. 이 에이전트를 과학자를 대체하는 로봇이 아니라, 설계도를 읽고, 벽돌을 주문하고, 모르타르를 섞고, 심지어 건설 현장까지 트럭을 운전할 수 있는 믿을 수 없을 정도로 부지런하고 다재다능한 인턴이라고 생각하십시오. 우리가 보고 있는 이 논문은 이 AI 인턴이 과학적 아이디어를 가져와서 이를 실제 양자 컴퓨터에서 어떻게 구현할지 파악하고, 실험을 실행하며, 결과를 보고하는 워크플로우를 소개합니다. 목표는 무엇일까요? 모든 기술적 단계를 숙달하지 않아도 좋은 아이디어를 가진 어떤 과학자라도 실험을 수행할 수 있도록 진입 장벽을 낮추는 것입니다.

운전대를 잡은 AI 인턴

이러한 원자 기반 양자 컴퓨터를 만드는 기업인 파스칼(Pascal)의 연구진은 이 "AI 인턴"에게 쉬운 것부터 매우 까다로운 것까지 세 가지 유형의 실험을 실행하게 함으로써 이 모델을 테스트하기로 했습니다. 그들은 단순히 AI가 추측하게 내버려 둔 것이 아니라, 인간 과학자가 가장 중요한 결정들을 재확인할 수 있도록 안전망을 구축했습니다.

실험 1: 시간 여행자
먼저, 그들은 AI에게 2019년의 유명한 실험을 재현하라고 요청했습니다. AI에게 최첨단 오븐을 사용하여 구울 새로운 레시피를 건네준 상황을 상상해 보십시오. AI는 원래의 논문을 읽고, 재료(원자)와 조리 시간(레이저 펄스)을 파악한 다음, 실제 양자 컴퓨터에서 요리를 시도했습니다.
AI는 원래의 레시피가 특정 원자 배열을 요구하지만 새로운 오븐은 이를 완전히 처리할 수 없다는 것을 알아낼 만큼 똑똑했습니다. 실패하는 대신, AI는 "이 부분은 작동하지 않겠지만, 케이크 틀의 모양을 직선 대신 고리 모양으로 바꾸면 여전히 맛있는 결과를 얻을 수 있습니다"라고 말했습니다. AI는 두 대의 서로 다른 양자 컴퓨터(캐나다와 사우디아라비아에 있는 것 각각 하나씩)에서 실험을 성공적으로 수행했으며, 기존 논문의 결과와 거의 완벽하게 일치하는 결과를 냈습니다. 심지어 컴퓨터가 멈췄을 때 스스로 오류를 수정함으로써, 인간이 하지 않아도 되도록 지루하고 기술적인 업무를 처리할 수 있음을 보여주었습니다.

실험 2: 좌절한 자석
다음으로, 그들은 AI에게 훨씬 더 어려운 과제, 즉 삼각형 격자 위에서 원자들이 어떻게 행동하는지에 대한 이론적 아이디어인 "좌절된 자성(frustrated magnetism)" 문제를 주었습니다. 이것은 친구들이 파티에서 각자 특정한 두 명 옆에 앉고 싶어 하지만, 테이블이 삼각형이라 누군가는 항상 불행해지는 상황과 같습니다.
AI는 이론을 읽고 실험을 설계하려고 노력했습니다. AI는 이론의 어떤 부분이 테스트 가능한지, 그리고 어떤 부분이 현재 기계로는 너무 어려운지를 파악하는 데 훌륭한 성과를 보였습니다. 하지만 전형적인 "인턴" 실수를 저질렀습니다. 바로 측정해야 할 대상을 잘못 선택한 것입니다. AI는 계산하기는 쉽지만 이론이 맞다는 것을 실제로 증명하지는 못하는 것을 측정했습니다. 이는 마치 케이크가 다 익었는지 확인하기 위해 이쑤시개를 꽂는 대신 케이크의 온도만 측정하는 인턴과 같았습니다.
인과 과학자가 개입하여 "아니요, 우리는 평균 온도만 측정하는 것이 아니라 원자의 '패턴'을 측정해야 합니다"라고 말해야 했습니다. 교정 후에 AI는 실험을 성공적으로 수행했고 이론을 확인했습니다. 이는 AI가 힘든 일을 잘 해내기는 하지만, 올바른 과학적 질문을 던지고 있는지 확인하기 위해서는 여전히 인간의 도움이 필요함을 보여주었습니다.

실험 3: 특허 퍼즐
마지막으로, 그들은 연구 논문이 아닌 특허 문서를 통해 AI를 테스트했습니다. 특허는 종종 매우 건조하고 법률적인 언어로 작성되는데, 이는 또 다른 종류의 도전입니다. 과제는 양자 컴퓨터를 사용하여 "그래프 채색(graph coloring)" 문제, 즉 인접한 지역들이 서로 같은 색을 갖지 않도록 지도를 색칠하는 문제를 해결하는 것이었습니다.
AI는 이 큰 문제를 양자 컴퓨터가 처리할 수 있는 작은 단계들로 어떻게 나눌지 파악해야 했습니다. AI는 영리한 전략을 내놓았습니다. 지도 전체를 한꺼번에 색칠하는 대신, 한 구역을 색칠하고 고정한 다음 다음 구역으로 이동하는 방식이었습니다. AI는 이 다단계 프로세스를 성공적으로 수행했습니다. 그러나 다시 한번 난관에 부딪혔습니다. 데이터 라벨링 방식의 단순한 실수였던 문제를 물리 법칙 때문이라고 탓했습니다. 인간이 버그를 찾아내고 라벨링을 수정해야 했습니다. 그 작업이 완료되자, AI는 예상보다 빠르고 정확하게 채색 퍼즐을 해결하며 뛰어난 결과를 만들어냈습니다.

아이디어 도서관 스캔하기

AI가 개별 실험을 수행할 수 있음을 증명한 후, 연구진은 AI에게 더 큰 작업을 맡겼습니다. 이 원자 컴퓨터에 관한 모든 과학 논문 라이브러리를 스캔하는 것이었습니다. 그들은 AI에게 633편의 연구 논문을 입력하고 "이 아이디어들 중 현재 우리의 기계에서 실제로 구현할 수 있는 것은 무엇인가?"라고 물었습니다.

AI는 초고속 사서처럼 행동했습니다. 논문을 읽고 분류했습니다. 결과는 놀랍고도 흥미로웠습니다. **거의 절반(약 49%)**의 논문이 현재 존재하는 양자 컴퓨터에서 바로 테스트할 수 있는 아이디어를 설명하고 있었습니다. AI는 나머지 절반의 논문에 무엇이 부족한지도 정확히 식별해 냈습니다. AI는 "불가능한" 논문 대부분이 두 가지 특정 업그레이드를 기다리고 있다는 것을 찾아냈습니다. 하나는 원자들이 다른 방식으로 상호작용하게 하는 능력(XY 상호작용이라 불림)이고, 다른 하나는 레이저로 개별 원자를 타겟팅하는 능력(국소 주소 지정)이었습니다.

이것이 미래에 의미하는 바

이 논문의 핵심 결론은 과학적 아이디어를 테스트하는 것을 가로막는 기술적 어려움의 벽인 "구현 장벽(implementation barrier)"이 마침내 무너지기 시작했다는 것입니다. AI 에이전트는 추상적인 이론을 구체적인 실험으로 바꾸는 가교 역할을 합니다.

그러나 이 논문은 한 가지 사항을 매우 분명히 하고 있습니다. AI는 과학자를 대체하는 것이 아닙니다. AI는 엔지니어링, 코딩, 물류를 처리하는 강력한 도구입니다. 하지만 인간은 여전히 선장입니다. AI는 "무엇을(what)"과 "어떻게(how)"를 대부분 제대로 수행할 수 있지만, 때때로 "왜(why)"를 놓칠 수 있습니다. AI는 실패에 대해 그럴듯하게 들리지만 틀린 설명을 제시하거나, 잘못된 것을 측정할 수 있습니다. 직관을 제공하고, 미묘한 오류를 포착하며, 데이터가 우주에 대한 우리의 이해에 실제로 무엇을 의미하는지 해석하기 위해서는 인간 과학자가 필요합니다.

결국, 이 워크플로우는 양자 컴퓨팅이 단순히 기계를 만든 소수의 팀만을 위한 것이 아닌 미래를 암시합니다. 대신, 이는 더 넓은 과학계가 자신들의 독특한 질문과 신선한 관점을 이 분야에 가져올 수 있도록 문을 열어줍니다. AI가 지루한 부분들을 자동화함으로써, 인간의 정신은 과학의 가장 중요한 부분, 즉 크고 창의적인 아이디어에 집중할 수 있도록 자유로워집니다.