1. 연구 배경 및 문제 제기 (Problem)

• 양자 오류 완화 (QEM) 의 한계: 중규모 양자 (NISQ) 시대에 양자 오류 정정 (QEC) 이 불가능한 상황에서, 양자 오류 완화 (QEM) 기술은 노이즈가 있는 양자 회로의 기대값 정확도를 높이는 핵심 방법론입니다.
• 편향 (Bias) 과 분산 (Variance) 의 트레이드오프: 기존의 QEM 방법 (예: 제로 노이즈 외삽법, ZNE) 은 일반적으로 편향을 줄이기 위해 분산을 증가시키는 경향이 있습니다. 또한, 모든 QEM 방법은 여전히 잔류 편향 (residual bias) 을 가지며, 이는 계산 결과의 정확도를 제한합니다.
• 기존 방법의 부족: 편향을 보정하기 위해 추가적인 노이즈 특성 분석이나 복잡한 후처리가 필요한 경우가 많으며, 이는 계산 비용이 많이 들거나 확장성이 떨어집니다.
• 핵심 문제: 애플리케이션 회로와 동일한 하드웨어 수준의 게이트 구조와 노이즈 프로필을 가지면서도, 고전적으로 검증 가능한 (classically verifiable) 벤치마크 회로를 통해 QEM 방법의 편향을 정량화하고 이를 보정할 수 있는 효율적인 방법이 필요합니다.

2. 제안된 방법론 (Methodology)

저자들은 검증 가능한 벤치마크 회로 (Verifiable Benchmark Circuits) 를 구축하여 QEM 방법의 편향을 측정하고 보정하는 새로운 프레임워크를 제안합니다.

A. 벤치마크 회로의 정의 및 조건

애플리케이션 회로 $A$에 대응하는 벤치마크 회로 $B$는 다음 세 가지 조건을 만족해야 합니다:

1. C1 (구조적 동일성): $A$와 $B$는 타겟 하드웨어로 변환 (transpile) 되었을 때, 동일한 순서의 네이티브 게이트와 측정을 포함해야 합니다 (기존 게이트를 등가 오류를 가진 새로운 게이트로 대체하는 경우 제외).
2. C2 (고전적 검증성): $B$의 측정 결과는 고전적으로 효율적으로 결정 가능한 단일 비트 문자열이어야 합니다.
3. C3 (기대값 1): $B$에서 관측량 $O$에 대한 정확한 기대값은 1 이어야 합니다 ($\langle O \rangle_{exact}^B = 1$).

B. 편향 완화 (Bias Mitigation) 알고리즘

기존 QEM 방법으로 얻은 애플리케이션 회로의 기대값 $\langle O \rangle_A^{QEM}$과 벤치마크 회로의 기대값 $\langle O \rangle_B^{QEM}$을 이용하여 편향을 보정합니다.

• 보정 공식: $\langle O \rangle_A^{b-mit} = \langle O \rangle_A^{QEM} / \langle O \rangle_B^{QEM}$
• 원리: 애플리케이션 회로와 벤치마크 회로가 구조적으로 동일하므로, 두 회로가 겪는 편향 ($b_A, b_B$) 은 유사합니다. 이를 통해 $\langle O \rangle_A^{b-mit} \approx \langle O \rangle_A^{exact} (1 + (b_A - b_B))$로 표현되며, $|b_A - b_B| \le |b_A|$인 경우 편향이 크게 감소합니다.

C. 벤치마크 회로 생성 방법

두 가지 생성 기법을 제시합니다:

1. 하드웨어 무관 (Hardware-agnostic) 방법:
   • 입력 회로를 파울리 회전 (Pauli rotations) 으로 표현하고, 이를 하드웨어 네이티브 게이트로 변환합니다.
   • 모든 파울리 회전이 유사한 오류를 갖도록 일관된 변환 규칙을 적용합니다.
   • 단점: 단일 큐비트 게이트의 오버헤드가 발생할 수 있음.
2. 하드웨어 맞춤형 (Hardware-tailored) 방법 (IBM Heron 아키텍처 예시):
   • IBM 의 초전도 하드웨어 (CZ, $R_Z(\theta)$, $X$, $\sqrt{X}$ 게이트) 의 특성을 활용합니다.
   • $\sqrt{X}$ 게이트를 $X$ 게이트로 대체하는 등, 게이트 오버헤드 없이 애플리케이션 회로에서 직접 벤치마크 회로를 생성합니다.
   • 장점: 게이트 오버헤드가 0 에 가까우며, 고전적으로 계산 가능한 비트 문자열을 생성합니다.

D. 벤치마크 노이즈 제로 노이즈 외삽법 (bnZNE)

기존 ZNE 는 노이즈 레벨을 게이트 수의 배수 ($r$) 로 가정하고 외삽하지만, bnZNE는 벤치마크 회로를 실행하여 실제 측정된 오류율 ($\varepsilon(r)$) 을 추정하고, 이를 기반으로 외삽합니다.

• 이는 노이즈 레벨 추정의 정확도를 높여 더 정밀한 제로 노이즈 값 복원을 가능하게 합니다.

3. 주요 기여 (Key Contributions)

1. 편향 완화 프레임워크: QEM 방법의 잔류 편향을 벤치마크 회로를 통해 측정하고 보정하는 일반화된 방법을 제시했습니다.
2. bnZNE 도입: 기존 ZNE 를 개선하여, 벤치마크 회로 기반의 실제 노이즈 추정치를 활용한 새로운 외삽 방법론을 제안했습니다.
3. 효율적인 벤치마크 생성: 하드웨어 무관 및 하드웨어 맞춤형 두 가지 생성 알고리즘을 개발하여, 다양한 하드웨어 환경에 적용 가능하게 했습니다.
4. 소프트웨어 공개: 제안된 모든 오류 완화 기법과 데이터를 구현한 소프트웨어 패키지를 오픈소스로 공개했습니다.

4. 실험 결과 (Results)

연구진은 시뮬레이션과 실제 하드웨어 실험을 통해 방법을 검증했습니다.

• 소규모 시뮬레이션 (10 큐비트):

  • 킥드 이징 (Kicked Ising) 모델과 하이젠베르크 (Heisenberg) 모델의 시간 진화를 시뮬레이션했습니다.
  • 결과: 편향 완화 기법을 적용한 ZNE 는 기존 ZNE 대비 편향이 거의 완전히 제거되었으며, 신뢰구간 내에서 기대값 정확도가 크게 향상됨을 확인했습니다.

• 대규모 하드웨어 실험 (100 큐비트, IBM ibm_fez):

  • 100 개의 큐비트로 구성된 1 차원 킥드 이징 체인을 시뮬레이션했습니다.
  • 단일 사이트 관측량 ($\langle Z \rangle$): bnZNE 와 편향 완화 기법을 결합한 방법 (b-mit bnZNE) 이 기존 ZNE 대비 평균 충실도 (Mean Fidelity) 와 RMSE(평균 제곱근 오차) 모두에서 우수한 성능을 보였습니다. 특히 편향 완화는 분산을 줄이는 데 효과적이었습니다.
  • 두 큐비트 상관관계 ($\langle Z_i Z_j \rangle$): 장거리 상관관계 회복 능력에서 기존 ZNE 보다 우월한 성능을 보였습니다.
  • 지수 감쇠율 측정: 물리적으로 중요한 상관관계의 감쇠율 추정에서 편향 완화 기법이 정확도를 크게 향상시켰습니다.

5. 의의 및 결론 (Significance)

• 비용 효율성: 편향 완화 및 bnZNE 는 기존 ZNE 대비 회로 실행 횟수를 약 2 배로 증가시키지만, 지수적으로 증가하는 샘플링 오버헤드가 있는 무편향 방법 (예: 확률적 오류 제거) 에 비해 훨씬 저렴하고 확장 가능합니다.
• 실용성: 100 큐비트 규모의 유틸리티 스케일 (Utility-scale) 실험에서 실제 하드웨어 노이즈 하에서도 유효함이 입증되었습니다.
• 하드웨어 결함 탐지: 벤치마크 회로의 측정 결과를 통해 하드웨어의 특정 큐비트나 게이트의 결함 (예: 높은 오류율을 가진 큐비트) 을 자동으로 식별할 수 있음을 보여주었습니다.
• 미래 전망: 이 연구는 편향과 분산의 트레이드오프를 관리하면서, 다양한 QEM 방법을 개선할 수 있는 모듈형 접근법을 제공하여, 오류 정정이 불가능한 NISQ 시대의 양자 계산 신뢰도를 높이는 데 기여합니다.

요약하자면, 이 논문은 검증 가능한 벤치마크 회로를 활용하여 QEM 방법의 편향을 정량화하고 보정함으로써, 100 큐비트 규모의 실제 양자 하드웨어에서 더 정확하고 신뢰할 수 있는 계산 결과를 얻을 수 있음을 입증했습니다.