Sparse Non-Markovian Noise Modeling of Transmon-Based Multi-Qubit Operations

본 논문은 7개의 IBM 퀀텀 장치에 걸쳐 검증된 트랜스몬 기반 다중 큐비트 연산을 위한 희소 비마르코프 노이즈 모델링 접근법을 제시하며, 이는 하드웨어 역학을 예측하는 데 있어 기본 모델보다 성능이 현저히 뛰어나고 효과적인 오류 완화 전략을 가능하게 한다.

핵심

당신이 완벽한 케이크를 굽기 위해 노력하고 있다고 상상해 보세요. 하지만 당신의 주방에는 보이지 않는 유령들이 출몰하고 있습니다. 때때로 유령들은 오븐에 속삭여 온도를 바꾸고, 때로는 믹서를 툭 쳐서 속도를 변화시키며, 때로는 두 개의 서로 다른 그릇 사이에 있는 재료를 동시에 바꿔치기하기도 합니다. 양자 컴퓨팅의 세계에서 이 "유령들"은 **노이즈(noise)**를 의미하며, 이것이 현재의 양자 컴퓨터가 실수를 저지르는 주요 원인입니다.

이 논문은 **트랜스몬(Transmon)**이라 불리는 특정 유형의 양자 컴퓨터를 위한 더 나은 "유령 잡는 매뉴얼"을 만드는 것에 관한 것입니다. 저자들은 단순히 유령들이 어떻게 행동할지 추측만 한 것이 아닙니다. 그들은 실험실로 직접 들어가 유령들을 면밀히 관찰했고, 유령들이 어떻게 케이크를 망칠지 정확하게 예측하는 더 똑똑한 새로운 규칙서를 작성했습니다.

다음은 일상적인 비유를 사용한 이들의 연구 내용입니다.

1. 문제점: "완벽함" 대 "실제"

대부분의 사람들은 유령들이 단순하고 잘 까먹는다고 가정하여 양자 컴퓨터를 모델링하려고 합니다. 즉, 유령이 오늘 믹서를 쳤다면 내일 다시 칠 기억은 없다고 가정하는 것입니다. 이것을 마르코프(Markovian) 모델(기억력이 없는 사람과 같은 모델)이라고 부릅니다.

하지만 저자들은 실제 양자 컴퓨터에서 유령들이 사실 기억을 가진 존재라는 것을 발견했습니다. 그들은 "비마르코프(non-Markovian)"적입니다.

• 비유: 드럼을 치는 드러머가 단순히 무작위로 비트를 치는 것이 아니라, 시간이 흐름에 따라 천천히 변하는 리듬을 가지고 있거나, 방 안의 친구에게 정신이 팔려(크로스토크/간섭) 그 친구와 박자를 맞춰 드럼을 치기 시작한다고 상상해 보세요. 만약 당신이 드러머를 단순히 무작위로 비트를 치는 사람으로만 모델링한다면, 당신의 곡 예측은 틀리게 될 것입니다.

2. 해결책: "하이브리드" 탐정

저자들은 세 가지 서로 다른 관점을 결합한 하이브리드 탐정 역할을 하는 새로운 모델을 만들었습니다.

• 채널(The Channel): 최종 결과물(케이크)을 보는 것.
• 방정식(The Equation): 노이즈가 이동하는 물리적 방식(물리 법칙)을 보는 것.
• 확률적(Stochastic) 관점: 노이즈를 무선 라디오의 정전기처럼 무작위로 요동치는 변수로 보는 것.

그들은 **희소성(sparse)**을 갖추면서도(너무 복잡한 변수를 수백만 개 사용하지 않음) **예측력(predictive)**이 있는(무슨 일이 일어날지 정확히 알려줌) 모델을 구축했습니다. 그들은 혼돈을 설명하기 위해 큐비트 하나당 약 10개의 숫자와 큐비트 쌍당 3개의 숫자만 필요하다는 것을 발견했습니다.

3. 규칙을 학습하는 방법 (특성화)

유령들이 무엇을 하고 있는지 알아내기 위해, 저자들은 단순히 컴퓨터가 복잡한 프로그램을 실행하는 것을 지켜본 것이 아닙니다. 대신, 일련의 구체적인 "스트레스 테스트"(특성화 실험)를 수행했습니다.

• T1 테스트: 큐비트가 흥분된 상태에서 잠들기(이완) 전까지 얼마나 오래 유지되는지 관찰했습니다.
• 램지(Ramsey) 테스트: 큐비트가 보이지 않는 실에 끌려 흔들리는 진자처럼 움직이는 것을 관찰하여, 이로 인해 발생하는 이준위계(Two-Level Systems, TLS) 현상을 확인했습니다.
• 크로스토크(Crosstalk) 테스트: 두 개의 큐비트를 동시에 켜서, 서로 영향을 주지 말아야 할 상황에서 서로에게 속삭이기 시작하는지 확인했습니다.
• "에코(Echo)" 테스트: 특수한 펄스 시퀀스(큐비트를 위한 노이즈 캔슬링 헤드폰 같은 역할)를 사용하여 특정 유형의 노이즈를 걸러내고, 그 결과 남은 것이 무엇인지 확인했습니다.

4. 주요 발견

39개의 큐비트를 7개의 서로 다른 IBM 양자 컴퓨터에서 테스트한 결과, 다음을 발견했습니다.

• 대부분은 "망각형": 약 64%의 큐비트는 단순하고 기억력이 없는 모델의 예측대로 행동했습니다.
• 일부는 "기억 보유형": 약 26%는 "컬러드 노이즈(colored noise, 서서히 변하는 노이즈)"를 가졌고, 10%는 "상관관계가 있는 제어 오류(correlated control errors, 제어 신호 자체가 일정한 패턴을 가지고 요동치는 것)"를 가졌습니다.
• "TLS" 유령들: 많은 큐비트가 복잡한 패턴으로 메인 큐비트를 흔들어 놓는, 추가적인 보이지 않는 큐비트처럼 작동하는 미세하고 요동치는 결함(TLS)에 결합되어 있음을 확인했습니다.
• "크로스토크" 유령들: 인접한 큐비트들이 실제로 서로에게 영향을 미치고 있었으며, 이는 표준 모델이 놓치는 오류를 발생시켰습니다.

5. 모델의 성능 증명

저자들은 단순히 노이즈를 설명하는 데 그치지 않고, 실제 작업에서 컴퓨터가 어떻게 작동할지 예측하는 데 이 모델을 사용했습니다.

• "동적 디커플링(Dynamical Decoupling)" 테스트: 큐비트를 노이즈로부터 보호하기 위해 펄스 시퀀스(방패 같은 역할)를 사용했습니다. 그들의 모델은 노이즈가 복잡하고 상관관계가 있는 경우에도 이 방패가 얼마나 잘 작동할지를 정확하게 예측했습니다.
• "VQE" 테스트 (결정적 승리): 화학적 계산(수소 분자의 에너지 찾기)을 시뮬레이션했습니다.
  • 결과: 컴퓨터의 기본 노이즈 모델(IBM이 제공하는 모델)은 약 **3.6%**의 오차를 보였습니다.
  • 새로운 모델: 그들의 더 똑똑한 모델은 오차가 단 **0.5%**에 불러했습니다.
  • 비유: 기본 모델이 당신을 경로에서 3마일이나 벗어나게 하는 흐릿한 지도였다면, 그들의 새로운 모델은 목적지에 거의 정확히 도달하게 해주는 GPS였습니다. 이는 7배 더 정확했습니다.

6. 이것이 왜 중요한가 (현재 시점에서)

이 논문은 이러한 "유령들"(노이즈)을 더 잘 이해함으로써 더 나은 오류 수정 프로토콜을 구축할 수 있다고 결론짓습니다. 만약 노이즈가 무작위가 아니라 상관관계가 있는 것(리듬감 있는 드럼 소리처럼)이라는 것을 안다면, 이를 막기 위한 특정 "노이즈 캔슬링" 기술을 설계할 수 있기 때문입니다.

또한 저자들은 이 모델이 "복합 채널(composite channel)"(일련의 규칙 세트)로 단순화되어 확장될 수 있음을 보여주었습니다. 이는 모든 원자를 일일이 시뮬레이션하는 데 엄청난 컴퓨팅 파워를 쓰는 대신, 이 이해를 바탕으로 더 크고 복잡한 양자 컴퓨터가 어떻게 작동할지 예측할 수 있음을 의미합니다.

요약하자면: 저자들은 노이즈가 기억과 습관을 가지고 있다는 점을 고려하여, 양자 컴퓨터를 위한 더 나은 "지침서"를 만들었습니다. 이 지침서를 사용함으로써, 그들은 표준 도구들보다 훨씬 높은 정확도로 컴퓨터의 행동을 예측할 수 있었으며, 이는 "유령"을 이해하는 것이 양자 컴퓨터를 유용하게 만드는 핵심임을 입증했습니다.

기술 요약

기술 요약: 트랜스몬 기반 다중 큐비트 연산의 희소 비마르코프성 노이즈 모델링

문제 정의
노이즈는 현재의 양자 프로세서가 정확한 계산을 수행하는 것을 방해하는 주요 장애물이다. 다양한 오류 완화 및 교정 프로토콜이 존재하지만, 그 효능은 기저에 깔린 노이즈 프로세스에 대한 정확한 지식에 크게 의존한다. 계산적으로 다루기 쉬우면서도(희소한 파라미터 유지) 예측 가능한(복잡한 동역학인 비마르코프 효과 포착) 노이즈 모델을 구축하는 것은 중요한 과제이다. 기존의 접근 방식들은 단순성(마르코프 양자 채널)과 물리적 정확성(마스터 방정식 또는 확률적 해밀토니안) 사이에서 절충안을 찾는 경우가 많으며, 초전도 트랜스몬 소자에서 흔히 나타나는 시공간적 상관관계가 있는 노이즈원을 포착하는 데 자주 실패한다.

방법론
저자들은 양자 채널 형식론, 마스터 방정식(ME), 그리고 확률적 해밀토니안 형식론의 측면을 통합한 하이브리드 노이즈 모델링 프레임워크를 제안한다. 모델의 핵심은 확장된 힐베르트 공간에서 정의된 수정된 린드블라드 마스터 방정식(LME)이다:
$$\dot{\rho}(t) = -i[H(t),\rho] + \sum_k \gamma_k (L_k\rho L_k^\dagger - \frac{1}{2}\{L_k^\dagger L_k, \rho\})$$

해밀토니안 $H(t)$는 다음과 같이 분해된다:

1. 제어 항 ($H_C$): 이상적인 단일 및 2-큐비트 연산(특히 에코 크로스-레조넌스 게이트)을 모델링한다.
2. 국소 노이즈 ($H_N$): 제어 및 디페이징 노이즈를 나타내는 확률적 시간 의존 변수를 통해 모델링된다.
3. 확장된 자유도:
   • 스펙테이터 큐비트 ($H_{XT}$): 크로스토크를 포착하기 위해 ZZ 상호작용을 통해 모델링된다.
   • 2준위 계(Two-Level Systems, $H_{TLS}$): 다중 주파수 진동을 포착하기 위해 ZZ 상호작용을 통해 결합된 유효 큐비트로 모델링된다.

모델은 국소적 마르코프 노이즈(상관관계가 없는 국소적 노이즈), 확장된 마르코프 노이즈(확장된 힐베르트 공간을 통해 모델링된 상관관계가 있는 노이즈), 그리고 확률적 노이즈(시간 상관관계가 있는 비마르코프 노이즈)를 구분한다.

특성 분석 프로토콜
모델 파라미터를 학습하기 위해, 저자들은 자원 집약적인 토모그래피 대신 일련의 정형화된 노이즈 증폭 회로를 활용한다. 프로토콜은 다음과 같다:

• 단일 큐비트 실험: $T_1$, Hahn Echo ($T_2$), Ramsey, 상태 준비 및 측정(SPAM), 고정 총 시간 펄스 시퀀스(FTTPS), 유한 펄스 폭(FPW) 시퀀스.
• 2-큐비트 실험: 크로스토크(XT) 및 크로스-레조넌스(CR) 게이트 특성 분석.
• 양자 노이즈 분광법(QNS): 상관관계가 있는 디페이징 및 제어 노이즈의 전력 스펙트럼 밀도(PSD)를 추출하기 위해 FTTPS를 활용한다.

피팅 절차는 실험적 생존 확률과 LME로부터 도출된 해석적 해 사이의 평균 제곱 오차(MSE)를 최소화한다. 만약 마르코프 모델이 랜덤 벤치마킹(RB) 데이터를 맞추는 데 실패하면, 모델은 QNS를 통해 특성화된 확률적 노이즈 항을 포함하도록 격상된다.

주요 결과
모델은 7개의 IBM 퀀텀 플랫폼(Falcon 및 Eagle 세대)에 있는 39개 큐비트에 걸쳐 검증되었다:

1. 파라미터 희소성: 모델은 큐비트당 10개, 큐비트 쌍당 3개의 파라미터를 필요로 하며, 이는 제한된 세트의 특성 분석 실험을 통해 학습 가능하다.
2. 노이즈 분류:
   • **64%**의 큐비트가 순수 마르코프 동작을 보였다.
   • **26%**는 상관관계가 있는 디페이징(종종 DC/준정적 영역)을 보였다.
   • **10%**는 상관관계가 있는 제어 노이즈를 보였다.
   • **5%**는 두 가지 모두를 나타냈다.
3. 예측 정확도:
   • 모델은 사전 RB 데이터 접근 없이도 단일 큐비트 게이트에 대한 랜덤 벤치마킹 감쇠율을 성공적으로 예측했다.
   • TLS 및 크로스토크에 의해 유도된 진동을 포함하여, 다중 큐비트 동적 디커플링(DD) 시퀀스의 상태 의존적 동역학을 정확하게 포착했다.
   • VQE 적용: 수소 분자($H_2$)의 바닥 상태를 찾기 위한 변분 양자 고유값 계산기(VQE)의 훈련 프록시로 사용되었을 때, 모델은 하드웨어 대비 **0.5%**의 상대 오차를 달ach했다. 이는 3.6%의 오차를 낸 기본 IBM 장치 노이즈 모델보다 7배 개선된 결과이다.
4. 비마르코프 통찰: 본 연구는 비마르코프 상관관계(특히 디페이징 및 제어 노이즈에서의 상관관계)를 무시하는 것이 복잡한 알고리즘에서 상당한 예측 오류를 초래함을 확인했으며, 제안된 희소 모델은 이러한 효과를 효과적으로 포착한다.

의의 및 주장
본 논문은 초전도 큐비트 시스템에서 모델의 희소성과 예측력 사이의 균형을 맞추는 실행 가능한 접근법을 입증했다고 주장한다. 확장된 자유도(TLS, 스펙테이터)와 확률적 노이즈를 통해 비마르코프 효과를 명시적으로 모델링함으로써, 저자들은 축소된 노이즈 모델이 단일 및 다중 큐비트 연산 모두에 대해 하드웨어 역학을 정확하게 예측할 수 있음을 보여준다.

저자들은 본 연구가 현재 세대의 트랜스몬에서 핵심적인 오류 원인을 강조하며, 다음과 같은 용도로 축소된 노이즈 모델의 유용성을 보여준다고 강조한다:

• 하드웨어 프록시 상에서 변분 양자 알고리즘 훈련.
• 표적화된 오류 보호 프로토콜 설계.
• 복합 채널 근사를 통한 대규모 시스템으로의 노이즈 특성 분석 확장.

결론적으로, 본 모델은 특정 고정 주파수 트랜스몬을 대상으로 하지만, 기저의 프로세스와 희소하고 예측 가능한 모델링 방법론은 다른 양자 아키텍처에도 일반화될 수 있다. 저자들은 시스템 규모가 시연된 2-큐비트 및 소규모 알고리즘 테스트를 크게 넘어 확장될 때, 이 모델의 예측력이 유지되는지 결정하기 위해 추가적인 조사가 필요하다고 언급했다.