Characterizing Physical Error Contributions of Quantum Gates

유용한 양자 컴퓨터를 구축하기 위한 탐구는 보이지 않는 존재와의 경주입니다. 이 기계들의 핵심에는 양자 비트, 즉 큐비트가 있으며, 이는 정보를 중첩이라는 취약한 상태로 보유하여 고전적인 슈퍼컴퓨터가 해결하는 데 수천 년이 걸릴 계산을 수행할 수 있게 합니다. 그러나 이 강력한 힘에는 심각한 약점이 따릅니다. 주변 환경으로부터 발생하는 아주 작은 방해—미세한 자기장, 온도의 변동, 또는 제어 전자 장치의 아주 작은 결함—만으로도 큐비트는 정보를 잃을 수 있습니다. '노이즈'라고 알려진 이러한 정보 손실은 양자 컴퓨터가 잠재력을 최대한 발휘하는 것을 가로막는 주요 장애물입니다. 이 문제를 해결하기 위해 과학자들은 먼저 오류가 정확히 어디에서 발생하는지 이해해야 합니다. 단순히 계산이 실패했다는 사실을 아는 것만으로는 부족합니다. 엔지니어들은 그 실패가 큐비트의 에너지 손실 때문인지, 제어 신호가 약간 길었기 때문인지, 아니면 시간이 흐르며 축적되는 느리고 표류하는 노이즈 때문인지를 알아야 합니다. 이러한 오류 원인에 대한 정밀한 지도가 없다면, 하드웨어를 개선하는 것은 눈을 가린 채 복잡한 엔진을 수리하려는 것과 같습니다.

IQM 퀀텀 컴퓨터즈(IQM Quantum Computers)와 뮌헨 루드비히 맥시밀리언 대학교(Ludwig-Maximilians-Universität München)의 연구팀은 이러한 지도를 만드는 새로운 방법을 개발했습니다. 이 방법은 오류를 식별할 뿐만 아니라, 그 식별을 얼마나 신뢰할 수 있는지도 과학자들에게 알려줍니다. 특정 유형의 초전도 양자 프로세서에 초점을 맞춘 연구에서, 연구진은 양자 정보를 조작하는 기본 연산인 단일 큐비트 게이트와 2큐비트 게이트의 성능을 측정하기 위해 이 방법을 적용했습니다. 그들은 단일 큐비트 연산의 오류 원인을 높은 확신도로 찾아낼 수 있었던 반면, 더 복잡한 2큐비트 게이트에 대해서는 동일한 수준의 확실성을 확보할 수 없다는 것을 발견했습니다. 결정적으로, 그들의 방법은 이러한 불확실성을 숨기지 않았습니다. 대신, 이를 현재의 물리적 이해가 불완전하다는 경고 신호로 표시했습니다. 이 접근 방식은 단순히 오류가 어디에서 오는지 추측하는 단계에서 벗어나, 모델이 퍼즐의 한 조각을 놓치고 있음을 인정하는 엄격하고 데이터 중심적인 과정으로의 전환을 의미합니다.

이 도전을 이해하려면 양자 컴퓨터가 현재 어떻게 테스트되는지를 살펴봐야 합니다. 전통적으로 과학자들은 큐비트가 상태를 얼마나 오래 유지할 수 있는지, 또는 회전을 얼마나 정확하게 수행하는지를 측정하기 위해 일련의 실험을 수행합니다. 그런 다음 이 수치들을 수학적 모델에 대입하여 각 요인이 전체 오류에 얼마나 기여하는지 추정합니다. 이 과정은 모델이 완벽하며 오류들이 서로 독립적이라는 가정하에 이루어집니다. 그러나 초전도 회로의 실제 세계에서 오류는 종종 서로 연결되어 있고 복잡하며 시간에 따라 변합니다. 모든 것이 단순하고 독립적이라고 가정하는 모델은 정밀해 보이는 수치를 만들어낼 수는 있지만, 근본적인 가정이 잘못되었다면 그 수치는 완전히 틀릴 수 있습니다. 연구진은 이러한 정적인 모델에 의존하는 것이 위험하다는 것을 깨달았습니다. 특히 양자 프로세서가 더 커지고 복잡해질수록 더욱 그렇습니다. 그들은 자신들의 가정이 유효한지 지속적으로 점검하면서 데이터로부터 직접 학습할 수 있는 방법이 필요했습니다.

그들이 제안한 해결책은 물리적 세계와 컴퓨터 모델 사이의 가교 역할을 하는 학습 기반 프레임워크입니다. 모든 새로운 실험에 대해 복잡한 방정식을 풀려고 시도하는 대신, 팀은 먼저 자신들의 양자 프로세서에 대한 매우 상세한 시뮬레이션을 구축했습니다. 이 시뮬레이션에는 큐비트의 자연스러운 에너지 붕괴부터 시간이 흐르며 표류하는 자기장의 미세하고 느린 변동까지, 알려진 모든 오류 원원이 포함되었습니다. 그들은 이 시뮬레이션 내에서 수천 번의 가상 실험을 실행하여 결과와 각 시나리오별 구체적인 오류 기여도를 기록했습니다. 이 방대한 데이터셋을 사용하여, 그들은 가우시안 프로세스 회귀(Gaussian Process Regression)라는 머신러닝 도구를 훈련시켰습니다. 이 도구는 패턴을 인식하는 법을 배웠으며, 실질적으로 원시 실험 데이터와 그 원인이 된 구체적인 물리적 오류 사이의 관계를 기억했습니다. 훈련을 마친 이 도구는 새로운 실제 측정 세트를 입력받으면 즉시 오류 예산, 즉 실수가 어디에서 발생하는지에 대한 분석 결과를 예측할 수 있었습니다.

이 방법이 특히 강력한 이유는 스스로의 확신도를 측정할 수 있는 능력에 있습니다. 머신러닝 도구는 단 하나의 답만을 내놓는 것이 아니라, 불확실성의 범위를 제공합니다. 만약 실제 데이터가 훈련 중에 보았던 데이터와 매우 유사하다면 불확실성은 낮아지고 예측은 신뢰할 수 있게 됩니다. 하지만 실제 데이터가 시뮬레이션에서 본 적 없는 방식으로 작동한다면, 도구의 불확실성은 급증합니다. 이 급증은 방법론의 실패가 아니라 하나의 기능입니다. 이는 연구자들에게 자신들의 물리 모델이 중요한 무언가를 놓치고 있다는 진단 신호를 보내는 역할을 합니다. 이는 폭풍이 몰려오고 있는데도 햇빛이 날 것이라고 자신 있게 예측하는 일기예보와, "조건이 제가 본 적 없는 형태라 잘 모르겠습니다"라고 말하는 일기예보의 차이와 같습니다.

연구팀은 트랜스몬 어레이(transmon array)라는 일반적인 초전도 양자 컴퓨터 구조 내의 큐비트 쌍을 대상으로 이 프레임워크를 테스트했습니다. 그들은 두 가지 유형의 연산에 집중했습니다. 하나는 단일 큐비트 게이트(하나의 큐비트 상태를 반전시키는 것)이고, 다른 하나는 2큐비트 게이트(두 큐비트를 서로 얽히게 하는 것)입니다. 단일 큐비트 게이트의 경우, 결과는 고무적이었습니다. 프레임워크는 오류 예산을 성공적으로 재구성하여, 주요 오류가 큐비트의 에너지 손실과 제어 펄스의 미세한 불완전함에서 온다는 것을 식별해 냈습니다. 불확실성이 낮았기에, 연구팀은 자신들의 모델이 이러한 연산의 물리학을 정확하게 설명하고 있다는 확신을 가질 수 있었습니다. 그들은 각 요인이 전체 오류에 얼마나 기여하는지 정확히 볼 수 있었고, 이는 향로 개선을 위한 명확한 목표를 제공했습니다.

하지만 연구팀이 2큐비트 게이트로 관심을 돌렸을 때 이야기는 달라졌습니다. 이 연산은 두 큐비트를 연결하는 커플러(coupler)라는 제3의 구성 요소를 포함하기 때문에 훨씬 더 복잡합니다. 연구진이 이 프레임워크를 2큐비트 게이트 데이터에 적용했을 때, 불확실성 추정치는 높게 나타났습니다. 도구는 비마르코프(non-Markovian) 노이즈와 펄스 왜곡을 포함한 자신들의 매우 상세한 제1원리 모델조차 시스템의 역학을 완전히 포착하지 못하고 있다고 신호를 보냈습니다. 실제 세계의 오류는 시뮬레이션이 예측하지 못한 방식으로 작동하고 있었습니다. 이는 결정적인 발견이었습니다. 전통적인 방식이라면 데이터를 모델에 억지로 끼워 맞춰, 문제의 진정한 복잡성을 숨긴 채 정밀하지만 오해의 소지가 있는 오류 예산을 만들어냈을 것입니다. 대신, 이 새로운 프레임워크는 그 간극을 인정함으로써, 현재의 2큐비트 게이트에 대한 이해가 불완전하다는 정량적인 증거를 제공했습니다.

연구진은 2큐비트 게이트의 주요 오류가 제어 펄스의 불완전함 및 커플러가 큐비트와 상호작작용하는 특수한 방식과 관련이 있을 가능성이 높다고 식별했지만, 높은 불확실성은 모델링되지 않은 다른 요인들이 작용하고 있음을 시사했습니다. 여기에는 전기 신호의 미세한 왜곡이나 아직 탐사하지 못한 주파수 대역에서의 환경과의 상호작용 등이 포함될 수 있습니다. 이 연구는 현재의 하드웨어가 인상적이긴 하지만, 대규모 양자 컴퓨팅으로 가는 길에는 더 나은 하드웨어뿐만 아니라 그것을 이해하는 더 나은 방법이 필요함을 강조합니다. 무엇이 알려져 있고 무엇이 알려져 있지 않은지를 구분하는 능력은 측정 그 자체만큼이나 중요합니다.

이 작업은 양자 하드웨어의 특성화 측면에서 중요한 진전을 의미합니다. 오류 예산을 단순한 계산이 아닌 학습 문제로 다룸으로써, 연구진은 강력하면서도 정직한 도구를 만들어냈습니다. 이 도구는 과학자들이 복잡한 실험으로부터 상세한 통찰력을 추출하는 동시에, 모델이 불충분할 때 경고를 보낼 수 있게 해줍니다. 양자 프로세서가 더 많은 큐비트와 더 복잡한 상호작용을 갖추며 규모를 키워감에 따라, 이러한 이해의 간극을 감지하는 능력은 필수적이 될 것입니다. 이 프레임워크는 단순히 엔지니어에게 무엇이 잘못되었는지 알려주는 것에 그치지 않고, 지식이 어디에서 끝나는지를 알려줌으로써 누락된 조각들을 채우기 위해 필요한 다음 실험이 무엇인지 안내합니다. 신뢰할 수 있는 양자 컴퓨터를 구축하기 위한 경주에서, 자신이 무엇을 모르는지 아는 것이 문제를 해결하는 첫걸음입니다.