GPT-5.6 Solの量子実験、日常的な量子ビット作業をCodexに委ねる

OpenAIによると、MITでのGPT-5.6 Sol量子実験では40件の目標測定を完了し、研究者が改善のために介入したのは4件にとどまった。エージェントはCodexを介して稼働中の実験装置を制御し、結果を分析して測定パラメーターを調整し、その後の工程用に較正値を保存した。これは、実験の外側から科学者に助言する段階を超える動きだ。

この取り組みは、AIシステムが新しい物理学を独自に発見したことを意味するものではない。MITの大学院生であるBeatriz Yankelevichがインフラを構築し、詳細な実験上の指針を提供した。エージェントが担ったのは、比較的単純な6量子ビットチップにおける標準的な較正作業だった。

より本質的な争点は、誰が実験室を見守るのかという点にある。装置や分析コードが個別の手順をすでに自動化していても、日常的な較正は従来、熟練研究者の注意を消費してきた。GPT-5.6 Solはそれらを適応的なループへと結びつけたが、弱い信号が出れば人間の専門家が再び介入する必要があった。

MIT量子ラボの内部で何が変わったのか

Codexは、実験コードを書く役割から、研究者が定めた制御下で稼働中の測定ワークフローを運用する役割へ移行した。

OpenAIは2026年9月8日に量子実験レポートを公開した。基礎となるケーススタディの日付は9月4日で、著者にはMITのResearch Laboratory of ElectronicsとOpenAIの研究者が含まれる。

実験の対象は、離散的なエネルギー準位で量子情報を符号化する回路である超伝導量子ビットだった。研究者は希釈冷凍機の内部で、これらの回路をミリケルビン温度まで冷却する。その後、室温の電子機器がケーブルを通じてマイクロ波パルスを送信し、チップを制御・測定する。

チップがパッケージ化されて冷却されると、研究者は主にソフトウェアを通じて操作する。この点が、AIコーディングエージェントにとって実験室を異例なほど利用しやすくしている。ソフトウェアはパルスを定義し、戻ってくる信号を収集し、プロットを生成し、モデルをフィットさせ、較正値を記録する。

Yankelevichは、社内のJupyter Model Context Protocolサーバーを通じてCodexをEQuSソフトウェアに接続した。MCPは、モデルが承認済みツールを使用し、構造化されたコンテキストを取得できるようにするインターフェースだ。エージェントには、測定パラメーター、プログラム、プロット、生データ、ログ、較正データベースへのアクセスが与えられた。

この構成では、特化型の自律科学プラットフォームは使われていない。較正ケーススタディによると、Codexはシンプルな実験室MCP統合で動作した。GPT-5.6 SolはUltraの推論レベルを使用した。

チップには、相互結合していない6個の量子ビットが含まれていた。4個は固定周波数で動作し、2個は磁束を加えることで研究者が周波数を調整できた。各量子ビットには、その状態を読み出すための共振器が備わっていた。

このチップはそれまで一度も測定されたことがなかった。そのため、エージェントは以前の較正で得られた測定値を単純に再利用することはできなかった。設計目標を出発点とし、ハードウェアの実際の動作パラメーターを特定する必要があった。

GPT-5.6 Solはまず6つすべての読み出し共振器を特定した。次に初期読み出しパワーを選定し、周波数スキャンを絞り込み、結果をフィットさせ、較正設定を保存した。これらの設定は後続の測定への入力となった。

その後、エージェントは4つの固定周波数量子ビットについて40件の目標測定を処理した。研究者はそのうち4件を改善するために介入した。得られたワークフローは、遷移周波数、制御パルス、読み出し設定、コヒーレンス測定をカバーしている。

ここに中心的な変化がある。モデルは、科学者が後から確認して実行するコードを作っただけではない。実測値を観察し、次の操作を選び、相互依存する一連の工程を進めた。

この違いは重要だ。量子ビットの較正は単一のコマンドではない。各結果が、次の測定に有用なパラメーター範囲を変える。こうした関係が予測可能な場合は自動スクリプトで機能するが、実験室では元の前提に含まれない偏差がしばしば生じる。

GPT-5.6 Solは、既存の計測機器と分析ツールの間にある意思決定層となった。研究者は引き続き目的を定義し、運用知識を提供し、実験を方向転換する権限を保持した。

GPT-5.6 Sol量子実験はいかにループを閉じるのか

重要な仕組みは、測定、解釈、パラメーター選択、制御されたハードウェア操作を繰り返すサイクルにある。

新しい超伝導チップは、すべての動作値が判明した状態で届くわけではない。製造上の差異や環境との相互作用により、名目上は同一の回路でも挙動は変化する。そのため研究者は、より大規模な実験で使う前に各デバイスを測定する。

このプロセスは多くの場合、共振器分光から始まる。計測器が周波数範囲にわたってマイクロ波信号を掃引し、その応答を測定する。得られた曲線のディップは、共振器の周波数候補を示す。

データポイントが1つだけでは不十分だ。実験では、求める物理信号と背景変動を比較する信号対雑音比を改善するため、測定を繰り返す。その後ソフトウェアが、収集した値を平均化し、プロットし、フィットさせる。

パルスパワーも重要である。十分なパワーでは、パルスが接続された量子ビットを励起し、共振器の応答をシフトさせる。研究者は2次元の周波数・パワー掃引を用いて、適切な読み出し設定を特定する。

MITの実験では、GPT-5.6 Solが実験室のオーケストレーションソフトウェアを通じてこのプロセスを制御した。測定範囲を定義し、プロットを確認し、候補となる特徴を評価し、より狭いスキャンを要求した。その後、有用なパラメーターを較正データベースに永続化した。

エージェントは、およそ7.2920〜7.7520ギガヘルツの間に、規則的な間隔で並ぶ6つの候補を特定した。その間隔を、チップが6共振器設計であることの証拠として扱った。追加測定により、特徴が期待されるパワー依存の挙動を示すか確認した。

この一連の流れは、固定的な自動化を超えてエージェントが価値を加える理由を示している。従来のスクリプトでも、あらかじめ決めた掃引を実行し、既知のモデルをフィットさせることはできる。エージェントは、結果により狭いスキャン、別のパワー範囲、あるいは追加分析が必要かどうかを判断できる。

実験は続いて、固定周波数量子ビットの較正へ移った。GPT-5.6 Solは遷移エネルギーを測定し、制御パルス設定を決定し、読み出しパラメーターを最適化し、コヒーレンス時間を推定した。コヒーレンス時間は、量子ビットが利用可能な量子情報をどれだけ長く保持できるかを測る指標だ。

最初の量子ビットで報告された結果には、約32.1マイクロ秒のフィットされたエネルギー緩和時間が含まれていた。報告された2つのコヒーレンス測定値は、それぞれ約59.27マイクロ秒と60.37マイクロ秒だった。これらの値は試験対象デバイスを表すものであり、AIで較正したチップの一般的な性能を示す主張ではない。

システムはまた、量子ビットの状態を変化させるのに必要なパルスを特定するRabi測定も実行した。状態依存の共振器シフトを測定し、量子ビットの実効温度を推定した。これらの工程を合わせて、デバイスの動作プロファイルを作成した。

モデルが低温状態のチップを直接操作したわけではない。既存の計測器制御層に対してソフトウェア操作を発行した。この層がハードウェアポートを解決し、パルスシーケンスをコンパイルし、信号を取得し、分析出力を生成した。

この分離は、安全性とエンジニアリングの面で重要な機能だ。実験室ソフトウェアは、エージェントに公開する操作を制限できる。研究者はまた、モデルにすべての計測器への無制限な制御を与えることなく、ログを監視し、保存された値を検査し、介入できる。

Yankelevichは、エージェントが数時間にわたって稼働する間、スマートフォンから監視できたと述べた。何か修正が必要になれば、実験を誘導できたという。主張される利点は、測定の即時化ではなく、監督負担の軽減だった。

この点は、自律性と速度を分ける。モデルが最適なパラメーターを見つけるまでに、経験豊富な研究者より長くかかる場合もあった。しかし研究者がクリーンルームで作業したり、別のデータを分析したり、次の実験を準備したりしている間にも、モデルは作業を継続できた。

手作業による実験室監督に圧力がかかる

この事例が圧力をかけるのは、実験を設計する研究者ではなく、日常的な判断のすべてに専門家の注意を割り当てるワークフローだ。

超伝導量子ビット研究には、モデリング、チップ設計、製造、極低温工学、マイクロ波制御、測定が含まれる。AIがこのスタック全体を置き換えたわけではない。物理ハードウェアとの相互作用がすでにソフトウェアによって媒介されている部分に入ったのである。

較正は今なお、プロジェクトの大きな割合を占めうる。著者らによれば、新しいマルチ量子ビット実験では数か月と数千件の予備測定が必要になることがある。その作業のうち最終論文に掲載されるのは、通常ごく一部にすぎない。

標準的なチップ特性評価でさえ、無視できない人的コストがある。MITチームの見積もりでは、経験豊富な研究者なら固定周波数量子ビットの特性評価を約1日で終えられる。可変量子ビット一式にはおよそ1週間かかる場合がある。

これらの数値は経済的な圧力を明らかにする。ボトルネックは単に分析コードを作成することではない。研究者はプロットを監視し、障害を診断し、範囲を調整し、測定を再実行し、相互依存する工程全体で一貫した記録を維持しなければならない。

Codexは、その監視負担の一部を引き受ける。EQuSグループは現在、複数の標準チップにわたる日常的な特性評価にエージェントを使用していると報じられている。これにより研究者は、実験設計、解釈、予期しない挙動に注意を振り向けられる。

したがって圧力の対象は、人間があらゆるループに入る運用モデルである。既存の実験室自動化は個別の操作を処理する場合が多いが、その間に研究者へ制御を戻す。エージェントは結果を認識し、次に承認された工程を理解していれば、こうした操作をつなげられる。

この考え方は、OpenAIの単一モデルにとどまらない。2025年の査読済み実験室自動化研究では、量子コンピューティング実験向けのエージェントベース・フレームワークが説明された。MITの取り組みは、言語モデルと科学計測機器を接続しようとする、より広範な試みの一部である。

他の研究者も、超伝導量子ビット実験における言語モデル支援を検討してきた。2026年3月の量子ビット実験研究では、別のアプローチが記録されている。これらのプロジェクトは、計測器に接続されたエージェントが一度限りのデモではなく、研究の方向性になりつつあることを示唆する。

2026年6月の別のプレプリントでは、112量子ビット超伝導プロセッサのエージェント誘導による立ち上げが説明された。このプロセッサ較正の研究では、スキルをオーケストレーションする言語エージェントを使用した。より大きなデバイスであるため有用な業界比較となるが、手法と評価条件は異なる。

したがって、この競争をOpenAI対ある1社の量子企業として捉えるのは適切ではない。主たる競争は、適応的なエージェント監督と、継続的な専門家の監視に依存するワークフローとの間にある。各実験室は、異なるモデルとオーケストレーションシステムでこの移行を進められる。

どちらのアプローチでも、実験室の知識は中心的な役割を保つ。MITチームは、エージェントに必要なコンテキストを特定するために数か月を費やした。そのコンテキストには、チップ設計、セットアップの詳細、ソースコード、測定の前提条件、故障モード、成功例と失敗例のプロットが含まれていた。

この準備は、巧妙なプロンプトを書くというより、運用上の知識システムを構築することに近い。各スキルには、いつ測定が適切か、どう実行するか、成功とは何か、なぜ失敗しうるのかが組み込まれていた。

同様の導入を検討する研究機関は、これらの資料を整理する必要がある。検索可能なエンジニアリング・ナレッジベースは、手順、コード、ログ、過去の判断を結び付けるのに役立つ。ただし、装置の安全対策や科学的レビューに代わるものではない。

この事例は、研究のスループットをどう測定すべきかも変える。実行速度の向上は、考えられる利点の一つにすぎない。より大きな価値は、夜間運転、チップ間での並列作業、定常的な確認作業による中断の削減から得られる可能性がある。

複数のチップを1台の冷凍機内で測定できる場合もある。ただし、配線と利用可能な電子機器ポートが、その同時実行性を制限する。エージェントは複数のワークフローを監督できるが、物理的な制約を取り除くことはできない。

このため、報告された結果をAIの速度に関する主張へと矮小化すべきではない。GPT-5.6 Solは、専門家よりも効率の低い調査経路をたどる可能性がある。その価値が現れるのは、各ステップを最高速度で完了させることよりも、無人で進捗を維持することが重要な場面だ。

スキルとライブデータがエージェントを実用化する

GPT-5.6 Solが成功したのは、研究者が汎用モデルを限定的なスキル、制御されたツール、最新の実験的証拠と組み合わせたからだ。

このシステムにおいて、「スキル」という言葉には特定の役割がある。これは、エージェントが定義済みの測定を実行するのに役立つ指示と例を指す。各スキルは、科学的知識を研究室ソフトウェアで実行可能な行動へと対応付ける。

測定スキルは、前提となるキャリブレーションを特定できる。コードテンプレート、妥当なパラメータ選択、既知の物理的故障モード、許容可能なプロットの例を提供できる。また、結果を記録するのではなくスキャンを精緻化すべきタイミングも説明できる。

この構造は、モデルの意思決定空間を狭める。GPT-5.6 Solは、広範な学習知識からすべてのローカル慣行を推論する必要がない。EQuSの研究者が自らのハードウェアとソフトウェアに関連すると考える手順を受け取る。

ライブデータがこの仕組みを完成させる。エージェントはプロット、生の値、ログ、ソースコード、保存済みのキャリブレーションパラメータを見ることができる。想定されるパターンを、現在のデバイスから返される信号と比較できる。

その後、オーケストレーション層が判断を制約付きの行動へと変換する。パルスシーケンスをコンパイルし、室温の計測機器を調整する。モデルは新たなハードウェアインターフェースを発明するのではなく、このソフトウェア境界を介して動作する。

このループには、実務上5つの段階がある。エージェントは測定を定義し、オーケストレーターに実行を依頼し、出力を分析し、品質を判断し、キャリブレーション設定を更新する。曖昧な結果は、改訂されたパラメータに向けてプロセスを戻す。

この設計は監査証跡も生み出す。プログラム、プロット、測定値、保存されたパラメータによって、エージェントが何を試みたかを示せる。報告された構成では、CodexがMarkdownファイルで実験ノートを管理することも可能だった。

物理実験は隠れた理由で失敗し得るため、この追跡可能性は重要だ。結果の変化は、モデルのエラー、弱い測定設計、装置ドリフト、製造ばらつき、予期しない物理的相互作用を反映している可能性がある。科学者には、それらの原因を区別できるだけの文脈が必要となる。

ケーススタディでは、MITの著者らがエージェント型測定インフラを開発し、実験を実施したとされる。OpenAIの著者らはインフラについて助言し、本文にコメントした。この分担により、モデル提供者が研究室システム全体の功績を得ることはない。

同時に、導入の負担も明らかになる。研究室は、汎用のチャット画面を開くだけでは結果を再現できない。研究者は適切なツールを公開し、手順を文書化し、権限を設定し、いつ人間の承認が必要かを決めなければならない。

報告されたキャリブレーションに先立ち、数か月の反復が行われた。この準備は、組織がシステムの投資対効果を見積もる際に考慮すべきだ。研究者が相当量のローカルな専門知識を利用可能な文脈へ変換した後、エージェントは監督時間を節約した。

同じ研究室が類似したチップを繰り返し製造する場合、その利点は拡大する可能性がある。測定スキルはデバイスをまたいで再利用、レビュー、改善できる。反復により、初期インフラのコストはより多くのキャリブレーション作業に分散される。

新規の実験では、事情が異なる。研究者は、まだ遭遇していない故障モードを完全にエンコードすることはできない。こうしたプロジェクトでは、Yankelevichはエージェントにより狭い目標を割り当て、制御、分析、シミュレーションのコードを修正する能力により大きく依存している。

この分担は合理的だ。定常的な特性評価には、明確な期待値と再現可能な出力がある。新しい物理はしばしば逸脱を通じて現れるため、早すぎる自動化は特に危険となる。

より広い教訓は、汎用モデルがすでに実験的直感を備えているということではない。有用な自律性はシステムから生まれる。モデルの推論、領域固有の指示、ライブの証拠、ソフトウェア制御、人間へのエスカレーションが、すべて寄与する。

ノイジーな量子ビットがエージェント型キャリブレーションの限界を示す

この実験から得られる最も強い警告は、明瞭な信号は手順に従うことを報いる一方、曖昧な物理はなお経験に基づく判断を報いるという点にある。

GPT-5.6 Solは、測定の信号対雑音比が高く、量子ビットが想定どおりに振る舞う場合に良好な性能を示した。固定周波数量子ビットのキャリブレーションは、ケーススタディで最も明確な自律性の結果を生んだ。一方、可変周波数量子ビットは、より難しい試験となった。

可変周波数量子ビットは、研究者が磁束を変化させると周波数も変化する。試験されたチップでは、信号は量子ビットの最大周波数から離れるほど弱くなった。そのため、関連する特徴をノイズから区別することが難しくなった。

エージェントは当初スペクトルを特定したが、許容可能な結果に到達するにはかなりの指導を必要とした。ある時点では、測定が十分だと誤って判断した。研究者はより細かいスキャンを求め、より広範な探索が必要な領域を特定した。

最終的に受け入れられたスキャンにも、予期しない物理的特徴が含まれていた。これには、4.8ギガヘルツ付近の未知のモード交差と、説明されていない非対称性が含まれる。著者らは両者を実験上の曖昧さの例として説明している。

この種の曖昧さは、明瞭な曲線をフィッティングすることとは異なる推論課題を生む。経験豊富な科学者は、異常な特徴が研究目標を脅かすか、別途調査に値するか、あるいは一時的な条件を反映するかを考慮する。公開された手順が、この判断のあらゆる形を捉えることはほとんどない。

著者らによれば、エージェントは最終的に正しいパラメータを選択したとしても、専門家より時間がかかる場合がある。モデルは生産性のない説明を追求したり、失敗の明白な物理的理由を見逃したりする可能性がある。彼らはこの制約を、実験的直感の欠如として特徴付けている。

物理的なデータ取得も、総当たり戦略を制限する。個々の測定には数秒から数十分を要し、多くは直列に実行される。エージェントを増やしても、1台の装置が同じ依存関係を持つ測定を同時に収集できるようにはならない。

これは、最も単純なエージェント群の物語を弱める。並列のモデルはコードを書き、保存済みデータを分析し、代替案を計画できる。しかし、次の判断の前に1つのパルスシーケンスを完了しなければならないデバイスを迂回することはできない。

また、この結果には広範な独立検証がない。詳細な報告は、複数研究室によるベンチマークではなく、MITとOpenAIの参加者が共著したケーススタディだ。対象は1つの単純なチップ設計と標準的な測定である。

40回の測定という結果は、4つの固定周波数量子ビットを対象としている。結合した誤り訂正プロセッサや新規のマルチ量子ビット実験へ一般化すべきではない。これらのシステムには、はるかに複雑なキャリブレーションを生む相互作用が含まれる。

監視された夜間ループも、別の有益な境界を示している。これは12時間にわたって実行され、磁束範囲全体で200回の測定を行った。オーケストレーターはパラメータを変化させ、失敗したポイントをスキップし、エージェントはプロセスを監視して後から失敗を調査した。

これは有用な監督だが、無制限の科学的自律性ではない。既存のソフトウェアがプログラムされたループを実行する一方で、エージェントは進行を監視し、選択された例外を処理した。研究者がワークフローを設定し、指示を与えるために引き続き待機していた。

より長期の運用では、ドリフトに直面する。可変周波数量子ビットの磁束オフセットは変化し、コヒーレンス時間は変動し、微視的な欠陥は新たな相互作用を生む可能性がある。したがって、昨日は機能した手順が、一見似た条件下で失敗することがある。

こうした変化の診断には、数十ステップ前に完了したキャリブレーションを再検討する必要があるかもしれない。その場合、エージェントは長い履歴を踏まえつつ、ソフトウェアエラーと隠れた物理変数を切り分けて推論しなければならない。ケーススタディでは、この能力を将来の課題として挙げている。

自律性が拡大するほど、安全性と信頼性の重要性は増す。研究室には、権限の境界、自動停止条件、生データの保存、明確なエスカレーション規則が必要だ。モデルは、不確実性を際限のないハードウェア探索へ変換すべきではない。

率直な結論は、「AIが量子コンピュータを運用する」よりも狭い。GPT-5.6 Solは、実機ハードウェア上の定常的なキャリブレーションの相当部分を処理した。ただしそれは専門家が設計したインフラの範囲内で行われたものであり、ノイジーな証拠は依然として重大な誤りを露呈させた。

MITの実験後に注目すべき点

次に必要な証拠は、ドリフトするハードウェア上での持続的な性能、研究室間での移転可能性、そして結合マルチ量子ビットワークフローにおける進展を示すものだ。

最初の指標は長期的な信頼性である。研究者は、エージェントがドリフトを認識し、古くなったキャリブレーションを無効化し、促されることなく過去の測定を見直せるかを報告すべきだ。成功すれば、エージェントが進化する物理システムを管理できるという主張を強めることになる。

失敗すれば、明確な上限が示される。昨日の前提が有効である間しか動作しないエージェントでも、定常作業には有用だ。しかし、変化する研究室条件にまたがる完全な実験ワークフローを担うことはできない。

第2の指標は独立した再現である。他の研究室は、異なる制御ソフトウェア、ハードウェア構成、運用慣行を用いて類似システムを試験する必要がある。同程度の介入率が示されれば、結果が1チームの入念に開発されたインフラを超えて移転可能であることを示す。

再現研究では、完了したタスク以上のものを報告すべきだ。有用な評価には、科学者の注意時間、経過した装置時間、失敗した測定、誤って受け入れられた結果、復旧時の挙動が含まれる。これらの指標は、単に実験活動が増えただけなのか、労力が節約されたのかを区別する。

第3の指標は、結合マルチ量子ビット実験での性能である。結合は、量子ビット間に意図された相互作用と望ましくない相互作用を導入する。キャリブレーションでは、同時操作、クロストーク、新たな制御コード、より大きな依存関係の連鎖を考慮しなければならない。

そこでの進展は、自律的な実験に関するより広い主張を支えることになる。持続的な人間の修正が必要であれば、エージェントが反復可能な測定を担い、科学者が曖昧で新規な判断を保持するという現在の分担が裏付けられる。

読者は、チームが実験スキルをどのようにパッケージ化するかにも注目すべきだ。再利用可能でバージョン管理された手順は、基盤モデルと科学機器の間に位置する重要な層となる可能性がある。その品質は、選択されたモデルと同じくらい結果に影響するかもしれない。

MITの事例はすでに、より豊かな失敗記述がエージェントの性能を改善することを示唆している。これは研究室にフィードバックループをもたらす。修正されたすべての誤りは、関連するスキル内の新たな例、警告、またはエスカレーション規則となり得る。

ただし、このアプローチには限界がある。手順は過去の経験をエンコードする一方、研究はしばしば過去の経験では説明できない振る舞いを対象とする。システムは、あらゆる観測を見慣れたカテゴリに無理に当てはめるのではなく、不確実性の余地を残さなければならない。

開発者にとって、この事例はエージェント・アーキテクチャの具体的なモデルを示している。Codexは、制約付きツール、最新の状態、再利用可能な指示、記録された出力、人間へのエスカレーションを用いた。実験室という環境は特殊だが、この運用パターンは重大な結果を伴う他のワークフローにも適用できる。

研究リーダーにとって、より差し迫った問いは注意資源の配分にある。エージェントが標準的な測定を夜通し監視できれば、科学者は実験設計や逸脱の解釈により多くの時間を割ける。この利点を得るために、エージェントが個々のあらゆる判断で専門家を上回る必要はない。

量子研究者にとって中心的な検証点は、物理的な曖昧さであり続ける。明瞭なプロットなら、ソフトウェアは見慣れた手順を結び付けられる。弱い信号、ドリフト、説明のつかない特徴は、システムが実験を理解しているのか、それとも文書化された手順をなぞっているだけなのかを明らかにする。

したがって、GPT-5.6 Solによる量子実験は、人間の科学者を排除することなく重要な境界を越えた。このエージェントはライブのフィードバックループに入り、報告された固定量子ビットのタスクの大半を、修正介入なしに完了した。ただし、すべての不確実な信号を確実に解決できたわけではない。

次の節目は、より劇的な実験室動画ではない。エージェントが自らの仮定の破綻を検知し、安全に停止し、異なるハードウェア間で復旧できることを示す証拠となる。それまでは、専門家をループの上位に置き、エージェントをその定型的な部分に組み込む導入モデルが、最も信頼できる。

研究室は今、何をすべきか。明確な成功基準を持つ反復的なワークフローを特定し、機器の制御は制約された範囲に限定し、あらゆる判断を記録する。そして、より弱い科学的証拠を受け入れることなく、エージェントが専門家の注意資源を節約できているかを測定する。