⚡ electrical engineering

Statistical Signal Processing for Quantum Error Mitigation

이 논문은 탈분극 노이즈를 제거하기 위한 필터링 단계와 노이즈가 없는 출력의 최대 우도 추정치를 도출하기 위한 기대-최대화 알고리즘을 결합한 양자 오류 완화를 위한 통계적 신호 처리 프레임워크를 제안하며, 시뮬레이션 및 합성 NISQ 데이터 모두에서 그 효과와 확장성을 입증한다.

원저자: Kausthubh Chandramouli, Kelly Mae Allen, Christopher Mori, Dror Baron, Mário A. T. Figueiredo

게시일 2026-09-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Kausthubh Chandramouli, Kelly Mae Allen, Christopher Mori, Dror Baron, Mário A. T. Figueiredo

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현재의 양자 컴퓨팅 시대에 기계들은 강력하지만 불완전합니다. 이 기계들은 복잡한 계산을 시도할 만큼 충분히 크지만, 아직 스스로의 오류를 완전히 수정할 수 있을 만큼은 작은 '노이즈가 있는 중간 단계(noisy intermediate-scale)'라고 불리는 단계에서 작동합니다. 핵심적인 과제는 이 기계들이 주변 환경에 매우 민감하다는 점입니다. 양자 회로가 실행될 때, 그 안에 담긴 섬세한 정보는 마치 붐비는 방 안에서 사라지는 속삭임처럼 무작ful한 간섭에 의해 쉽게 뒤섞여 버립니다. 유용한 결과를 얻기 위해 과학자들은 '양자 오류 완화(quantum error mitigation)'라고 불리는 기술을 사용해야 합니다. 이것은 기계 자체를 고치는 것이 아니라, 양자 기계가 작업을 마친 후 클래식 컴퓨터를 사용하여 지저분해진 데이터를 정화하는 것에 관한 것입니다. 목표는 노이즈가 섞여 부패한 출력값을 보고 원래의 깨끗하고 정확한 답이 무엇이었어야 했는지를 알아내는 것입니다.

노스캐롤라이나 주립대학교와 이스티투토 수페리오르 테크니코(Instituto Superior Técnico)의 연구진은 이 문제를 통계적 신호 처리 작업으로 취급하는 새로운 데이터 정화 방법을 개발했습니다. 연구진은 기계가 어떻게 실패할지 예측하려고 시도하는 대신, 노이즈가 두 가지 특정한 방식으로 작동한다고 가정하는 모델을 구축했습니다. 첫째, 그들은 깊은 회로가 종종 모든 가능한 답이 동일한 확률로 나타나는 무작위 정적(random static)과 같은 결과를 생성한다고 가정합니다. 둘째, 그들은 읽기 과정 중에 단일 비트의 정보가 0에서 1로 또는 그 반대로 뒤집히는 단순한 실수를 고려합니다. 이 두 가지 유형의 오류를 분리함으로써, 연구진은 진정한 신호를 복구하기 위한 2단계 방법을 만들어냈습니다.

그들의 방법 중 첫 번째 단계는 필터 역할을 합니다. 질문에 대한 답을 외치는 사람들로 가득 찬 방을 상상해 보십시오. 만약 대부분의 외침이 그저 무작위적인 소음이라면, 진짜 답을 듣는 것은 불가능합니다. 연구진의 알고리즘은 양자 기계에서 취득한 수천 개의 측정값을 스캔하여 이러한 무작위 정적처럼 보이는 패턴을 식별합니다. 그런 다음 그들은 도움이 되지 않는 측정값들을 버리고, 구조의 흔적을 담고 있는 데이터만을 남깁니다. 이 과정은 압도적인 배경 소음을 제거하여, 남은 데이터를 훨씬 더 분석하기 쉽게 만듭니다.

무작위 노이즈가 제거되면, 팀은 '기댓값 최대화(expectation-maximization)'라고 알려진 수학적 기법을 사용하는 두 번째 단계를 적용합니다. 이것은 컴퓨터가 정답에 대한 교육적인 추측을 하고, 그 추측이 남은 데이터와 얼마나 잘 맞는지 확인한 다음, 추측을 정교하게 다듬는 반복적인 과정입니다. 컴퓨터는 이 순환을 계속 반복하며 가장 가능성 높은 진정한 해답들을 향해 천천히 다듬어 나갑니다. 단 하나의 정답만이 존재한다고 가정하는 다른 방법들과 달리, 이 접근 방식은 양자 알고리즘이 여러 개의 유효한 결과를 가질 수 있는 상황을 처리하도록 설계되었습니다. 또한 이 방식은 사전에 정답이 몇 개 존재하는지 알 필요가 없으며, 과정의 일부로서 이를 스스로 찾아냅니다.

연구진은 시뮬레이션과 IBM 양자 프로세서의 실제 데이터를 사용하여 이 접근 방식을 테스트했습니다. 그들은 최대 14개의 큐비트(양자 정보의 기본 단위)를 가진 시스템을 대상으로 실험을 수행했습니다. 이 테스트에서 이 방법은 매우 효과적임이 입증되었으며, 매우 적은 오류로 정확한 답을 복구해 냈습니다. 양자 데이터를 정화하는 기존의 다른 통계적 기법들과 비교했을 때, 그들의 방법은 더 우수한 성능을 보였으며 많은 경우에 완벽에 가까운 정확도를 달ras했습니다. 연구진은 또한 128개의 큐비트를 가진 훨씬 더 큰 시스템을 위한 합성 데이터를 생성하여 자신들의 접근 방식의 한계를 테스트했습니다. 심한 노이즈가 존재하는 이 시뮬레이션된 환경에서도 알고리즘은 성공적으로 정확한 해답을 식별해 냈으며, 이는 이 방법이 미래의 더 큰 기계들로 확장될 수 있음을 시사합니다.

이 연구는 성공의 열쇠가 노이즈를 모델링하는 특정한 방식에 있음을 강조합니다. 깊은 회로가 종-종 균일하고 무작위적인 분포의 오류를 생성한다는 점을 인정함으로써, 연구진은 퍼즐을 풀기 전에 최악의 간섭을 걸러낼 수 있었습니다. 그들은 충분한 측정값이 있다면 알고리즘이 정답의 개수를 결정하고 높은 정밀도로 이를 식별할 수 있다는 것을 발견했습니다. 그러나 연구진은 자신들의 작업이 모든 양자 문제를 위한 최종적인 해결책은 아니라는 점을 주의 깊게 명시합니다. 그들의 방법은 오류가 대칭적이라고 가정하며, 실제 하드웨어에서 발생하는 큐비트 간의 더 복잡한 상호작용은 아직 고려하지 않습니다. 또한, 현재의 구현은 특정 유형의 노이즈 모델에 의존하고 있어 특정 회로에는 잘 작동하지만 다른 회로에는 조정이 필요할 수 있습니다.

이러한 한계에도 불구하고, 결과는 유망한 길을 제시합니다. 팀은 클래식 신호 처리 원리를 양자 데이터에 적용함으로써, 매우 노이즈가 많은 기계로부터 신뢰할 수 있는 정보를 추출하는 것이 가능하다는 것을 입증했습니다. 그들의 연구는 우리가 유용한 결과를 얻기 위해 반드시 결함 없는 완벽한 양자 컴퓨터를 기다릴 필요는 없다는 것을 시사합니다. 대신, 적절한 통계적 도구가 있다면 오늘날 우리가 가진 노이즈가 있는 기계들을 훨씬 더 유능하게 만들 수 있습니다. 이 발견은 원칙적인 통계적 방법이 오류 완화를 위한 확장 가능하고 해석 가능한 솔루션을 제공할 수 있음을 나타내며, 단기적으로 양자 컴퓨팅의 신뢰성을 향상시키는 실질적인 방법을 제시합니다.

기술 요약: 양자 오류 완화를 위한 통계적 신호 처리

문제 정의
NISQ(Noisy Intermediate-Scale Quantum) 시대의 양자 회로는 측정 결과를 오염시키는 노이즈로 인해 고통받으며, 신뢰할 수 있는 결과를 회복하기 위해 양자 오류 완화(QEM)가 필수적입니다. 본 논문은 노이즈가 섞인 양자 측정으로부터 가장 가능성 높은 무잡음 출력 상태를 추정하는 문제를 다룹니다. 저자들은 노이즈 환경을 두 가지 주요 구성 요소의 조합으로 모델링합니다:

탈분극 노이즈(Depolarizing Noise): 양자 상태가 확률 $p$ 로 최대 혼합 상태(maximally mixed state)로 대체되는 최악의 시나리오입니다. 이는 측정 결과가 가능한 모든 비트 문자열에 걸쳐 균등하게 분포하게 만들어, 활용 가능한 구조가 거의 없는 결과를 초래합니다.
판독 비트 플립 오류(Readout Bit-Flip Errors): 측정된 비트가 확률 $\epsilon$ 으로 반전(0에서 1 또는 1에서 0으로)되는 고전적 노이즈 프로세스입니다.

목표는 밑바탕의 오류가 탈분극 및 비트 플립 모델을 따른다고 가정할 때, $S$ 개의 노이즈 섞인 샷( $Y$ ) 데이터로부터 $K$ 개의 미지의 유효한 무잡음 이진 벡터( $X = \{x_1, \dots, x_K\}$ )와 그와 관련된 혼합 가중치( $\alpha$ )를 복구하는 것입니다.

방법론
제안된 접근 방식은 QEM을 통계적 신호 처리 문제로 취급하며, 2단계 파이프라인을 활용합니다:

필터링 단계 (탈분극 제거):
통계적 추정을 적용하기 전에, 저자들은 탈분극 노이즈와 일치하는 샷들을 폐기하기 위해 밀도 기반 필터링 알고리즘(Algorithm 1)을 사용합니다. 이 방법은 관찰된 모든 비트 문자열과 그 1-해밍 거리(1-Hamming distance) 이웃의 빈도를 계산합니다. 균등 노이즈의 기대 빈도( $\lambda = S/2^n$ )를 기준으로 임계값 $T$ 를 설정함으로써, 알고 다음과 같이 저서포트(low-support) 항목들을 억제합니다. 이 단계는 균등한 노이즈와 유사한 샷들을 폐기함으로써 "배경" 노이즈를 효과적으로 제거하며, 결과적으로 통계적 모델링이 용이한 비트 플립 오류가 지배적인 데이터셋을 남깁니다.
기댓값 최대화(Expectation-Maximization, EM) 알고리즘:
필터링된 데이터에 대해, 저자들은 무잡음 출력을 구하기 위한 최대 우도(Maximum Likelihood, ML) 추정을 수행하기 위해 EM 알고리즘을 적용합니다.

모델: 문제는 특정 노이즈 섞인 관측치가 어떤 $K$ 개의 유효한 해답으로부터 생성되었는지를 나타내는 잠재 변수를 포함하는 유한 혼합 모델(finite mixture model)로 프레임화됩니다.
우도(Likelihood): 우도 함수는 큐비트 전반에 걸친 독립적인 비트 플립 확률을 고려합니다.
최적화: $K$ 의 수를 알 수 없고 우도 함수가 비볼록(non-convex)하기 때문에, 저자들은 최소 메시지 길이(Minimum Message Length, MML) 기준에 기반한 수정된 로그 우도 함수를 사용합니다. 이를 통해 알고리즘은 "성분 소멸(component annihilation)"을 수행할 수 있으며, 이는 특정 성분이 데이터 적합도에 크게 기여하지 않을 경우 M-단계 동안 활성 성분의 수( $K$ )를 효과적으로 줄여줍니다.
절차: 알고리즘은 각 샷이 특정 해답에 속할 사후 확률을 계산하는 E-단계와 해답 벡터, 혼합 가중치 및 비트 플립 확률을 업데이트하는 M-단계를 반복합니다.

주요 기여

통계적 프레임워크: 본 논문은 특정 회로의 세부 사항에 구애받지 않고 출력 상태의 밀도 함수를 암시적으로 추정하는 원칙적인 통계적 신호 처리 접근 방식을 QEM에 도입합니다.
하이브리드 노이즈 처리: 판독 오류에만 집중하거나 특정 회로 구조를 요구하는 방법들과 달리, 이 방법은 필터링(탈분극 제거)과 EM(비트 플립 판독 오류)을 통해 두 가지 모두를 처리합니다.
확장성: 저자들은 이상적인 QEM 시스템이 대규모 시스템으로 확장하기 위해 큐비트 수에 대한 다항식 시간의 계산 복잡도를 가져야 한다고 주장합니다. 제안된 방법은 이 요구 사항을 해결하도록 설계되었으며, 합성 데이터를 통해 더 큰 큐비트 수에서도 효과적임을 실험적으로 입증했습니다.
EM의 적응: 본 연구는 이진 출력 분포를 위해 EM 알고리즘을 적응시키고, 모델 선택(K 추정)을 위해 MML을 통합하여, 단일 정답을 가정하는 대신 여러 유효한 출력을 처리할 수 있도록 합니다.

실험 결과
저자들은 Qiskit 시뮬레이션, IBM Brisbane QPU 데이터, 그리고 더 큰 시스템을 위한 합성 생성 데이터를 사용하여 방법을 평가했습니다:

소규모 성능: $n \in \{10, 12, 14\}$ 큐비트 및 깊이 최대 800의 시뮬레이션 회로에서, $K$ 가 정확히 추정되었을 때 방법은 0.000에서 0.007 사이의 비트 오차율(Bit Error Rate, BER)을 달いました. $K$ 를 잘못 추정할 확률( $P_{Kerror}$ )은 모든 구성에서 0.83%였으며, 충분한 샷(10,000)이 확보되면 0으로 수렴했습니다.
최신 기술과의 비교: IBM Brisbane 하드웨어에서, 제안된 EM 방법은 다양한 벤치마크 회로(Bernstein-Vazirani, GHZ, W state, adder; 3~14 큐비트 범위)에서 헬링거 충실도(Hellinger fidelity) 측면에서 기존의 통계적 QEM 기술들(HAMMER, M3, Q-BEEP)보다 우수한 성능을 보였습니다.
대규모 확장성: $n=128$ 큐비트, $K \in \{2, 4, 8\}$ 인 합성 생성 데이터를 사용했을 때, 알고리즘은 모든 시행에서 BER 0을 달성하였으며, 이는 가정된 노이즈 모델 하에서 방법이 더 큰 큐비트 수로 효과적으로 확장될 수 있음을 시사합니다.

의의 및 주장
본 논문은 원칙적인 통계적 방법이 현실적인 NISQ 환경에서 확장 가능하고 해석 가능한 QEM 솔루션을 제공할 수 있다고 주장합니다. 저자들은 다음과 같은 이유로 이 접근 방식이 특히 효과적이라고 단언합니다:

클리포드 데이터 회귀(Clifford data regression)와 달리 전체 회로의 고전적 시뮬레이션에 의존하지 않으므로, 더 큰 큐비트 수에 적용이 가능합니다.
단일 해답을 가정하는 다수결 투표(majority-vote decoding)와 달리, 여러 유효한 출력이 있는 시나리오를 처리합니다.
깊은 회로에서 80~90%의 샷이 무작위처럼 보이게 만드는 탈분극 노이즈 문제를 필터링을 통해 자연스럽게 해결합니다.

한계 및 향후 과제
저자들은 몇 가지 한계를 인정합니다:

이 방법은 대칭적인 비트 플립 확률을 가정하지만, 실제 하드웨어는 비대칭적일 수 있습니다.
큐비트 간 크로스토크(crosstalk)와 같은 복잡한 판독 오류를 모델링하지 않습니다.
유한한 수의 해답( $K$ )을 가정하는 것은 연속적이거나 비유한(non-finite) 솔루션 공간을 가질 수 있는 변분 알고리즘(variational algorithms)에 직접 적용하는 데 제한이 됩니다.
EM 알고리즘의 초기화가 최종 ML 추정에 큰 영향을 미치며, 휴리스틱 필터링 전략은 더 엄격한 분석이 필요합니다.

본 연구는 현재의 구현이 일부 측면에서 최적은 아니지만, EM 기반 프레임워크가 확장 가능한 양자 오류 완화를 위한 유망한 토대를 제공한다고 결론짓습니다.

유사한 논문