⚛️ quantum physics

GPU-Accelerated Quantum Simulation of Stabilizer Circuits

본 논문은 스테이블라이저 회로 진화 및 측정을 위한 새로운 병렬 알고리즘을 채택하여 기존의 최첨단 CPU 및 GPU 시뮬레이터 대비 최대 105배의 속도 향상과 80% 이상의 에너지 절감을 달출하는 GPU 가속 시뮬레이터인 QuaSARQ를 소개하며, 이를 통해 최대 180,000 큐비트를 가진 회로의 효율적인 시뮬레이션을 가능하게 한다.

원저자: Muhammad Osama, Dimitrios Thanos, Alfons Laarman

게시일 2026-09-24

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Muhammad Osama, Dimitrios Thanos, Alfons Laarman

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

양자 컴퓨터를 작동하는 기계로 구축하려는 여정에서, 과학자들은 역설에 직면해 있습니다. 기계가 제대로 작동한다는 것을 증명하려면, 먼저 고전 컴퓨터로 그 동작을 시뮬레이션해야 한다는 점입니다. 하지만 양자 시스템을 시뮬레이션하는 것은 매우 어렵기로 유명한데, 이는 입자가 하나씩 추가될 때마다 이를 기술하는 데 필요한 정보량이 폭발적으로 증가하기 때문입니다. 단 하나의 양자 비트, 즉 큐비트는 중첩 상태로 존재하여 0과 1을 동시에 나타낼 수 있습니다. 많은 큐비트를 서로 연결하면, 그 결합된 상태는 추적하기가 믿기 힘들 정도로 거대하고 복잡한 가능성의 망이 됩니다. 그러나 '스테빌라이저 회로(stabilizer circuits)'라고 알려진 특수한 클래스의 양자 회로는 더 예측 가능한 방식으로 동작합니다. 이 회로들은 강력한 성능을 갖추어 오류 정정 및 통신 프로토콜을 테스트할 수 있지만, 범용 양자 컴퓨터가 가진 완전하고 혼돈스러운 복잡성을 만들어내지는 않습니다. 이러한 구조 덕분에 이들은 고전 기계에서 시뮬레이션될 수 있지만, 오직 시뮬레이션이 방대한 데이터의 양에 발목 잡히지 않을 만큼 영리할 경우에만 가능합니다.

문제는 이러한 회로가 커짐에 따라—수만 개의 큐비트와 수백만 개의 연산에 도달함에 따라—전통적인 시뮬레이션 방식이 한계에 부딪혔다는 것입니다. 특히 이들은 측정(measurement)이 포함된 경우 어려움을 겪는데, 측정은 양자 상태가 관찰되어 확정적인 결과로 붕괴되는 순간을 의미합니다. 측정은 무작위성을 도입하며, 컴퓨터가 내부 데이터 구조를 끊임없이 재구성하도록 만드는데, 이 과정은 표준 프로세서 상에서 매우 고통스럽고 순차적인 작업이 됩니다. 라이덴 대학교(Leiden University)의 연구진은 시뮬레이션 전체를 그래픽 처리 장치, 즉 GPU로 옮김으로써 이러한 병목 현상을 우회하는 새로운 접근 방식을 도입했습니다. 원래 비디오 게임을 렌더링하기 위해 설계된 이 칩들은 수천 개의 단순한 계산을 동시에 수행하도록 만들어져 있어, 대규모 양자 회로를 시뮬레이션하는 데 필요한 대규모 병렬 데이터 연산에 이상적입니다.

무함마드 오사마(Muhammad Osama), 디미트리오스 타노스(Dimitrios Thanos), 알폰스 라르만(Alfors Laarman)이 이끄는 팀은 QuaSARQ라는 새로운 시뮬레이터를 개발했습니다. 이들은 기존의 순차적인 방식을 억지로 빠르게 만드는 대신, GPU 아키텍처에 맞게 근본적인 알고리즘을 완전히 새로 작성했습니다. 표준적인 시뮬레이션에서 측정이 일어난 후 양자 회로의 상태를 업데이트하는 작업은 종종 다음 조각을 놓기 전까지 현재의 조각을 놓아야 하는 복잡한 퍼즐을 푸는 것과 유사한 단계별 과정을 포함합니다. 이는 모든 것을 느리게 만드는 의존성 체인을 생성합니다. 연구진은 GPU가 이러한 수천 개의 업데이트를 동시에 처리할 수 있도록 이 과정을 재설계했습니다. 그들은 메모리에 접근할 때 끊김 없이 연속적인 스트림 형태로 데이터를 조직함으로써, 많은 프로세서가 동시에 동일한 메모리 공간을 읽고 쓰려고 할 때 발생하는 일시 정지와 충돌을 제거했습니다.

그들의 작업에서 핵심적인 혁신은 시뮬레이션 중 '피벗(pivot)' 지점을 처리하는 방식입니다. 측정이 발생하면 시뮬레이터는 양자 상태의 어느 부분이 영향을 받는지 식별하고 이를 업데이트해야 합니다. 이전 방식에서는 이러한 영향을 받는 부분을 찾는 과정이 특정 회로에 따라 크게 달라지는 느린 탐색 과정이었습니다. 새로운 방식은 이러한 검색 결과를 조밀하고 압축된 리스트로 묶어, GPU가 단 한 번의 효율적인 패스로 이를 처리할 수 있게 합니다. 또한, 전통적인 단계별 데이터 제거 방식을 세 번의 조율된 스윕(sweeps)을 통해 변화량을 계산하는 병렬 기술로 대체했습니다. 이를 통해 시뮬레이터는 최대 180,000개의 큐비트와 1,000개의 레이어 깊이를 가진 회로를 다룰 수 있게 되었으며, 이는 기존의 많은 도구로는 도달할 수 없었던 규모입니다.

테스트 결과는 놀라웠습니다. 최적화된 CPU 기반 도구인 Stim을 포함한 기존의 가장 빠른 시뮬레이터들과 비교했을 때, QuaSARQ는 엄청난 속도 향상을 보여주었습니다. 가장 까다로운 테스트 케이스에서, 이 새로운 시뮬레이터는 경쟁 도구들보다 최대 105배 더 빠르게 실행되었습니다. 순수한 속도 외에도 효율성 측면의 이득 역시 상당했습니다. GPU가 작업을 훨씬 더 빠르게 완료했기 때문에, CPU 기반 대안들보다 에너지를 80% 이상 적게 소비했습니다. 이는 대규모 시뮬레이션을 실행하는 데 드는 에너지 비용이 연구자들에게 주요 관심사가 되고 있는 상황에서 매우 중요한 발견입니다. 또한 이 새로운 도구는 동일한 회로를 수천 번 실행하여 통계적 그림을 그리는 과정인 '매니 샷(many-shot)' 샘플링에서도 탁월한 성능을 보였습니다. 다른 시뮬레이터들은 필요한 샘의 수가 증가함에 따라 속도가 현저히 느려졌지만, QuaSARQ는 수천 번의 샷을 손쉽게 처리하며 꾸준하고 빠른 속도를 유지했습니다.

연구진은 소규모 회로부터 180,000개의 큐비트를 가진 거대 회로에 이르기까지 광범위한 벤치마크 세트로 시스템을 테스트했습니다. 이 테스트에서 QuaSARQ는 최적화된 CPU 시뮬레이터인 Stim뿐만 아니라 Qiskit-Aer, Qibo, Cirq, PennyLane과 같은 다른 선도적인 소프트웨어 패키지들을 지속적으로 능가했습니다. 구체적인 비교 사례로, 선도적인 CPU 시뮬레이터가 132시간 동안 125개의 회로를 완료하는 동안, QuaSARQ는 단 72시간 만에 177개의 회로를 마쳤습니다. 이러한 이점은 측정이 많은 회로에서 특히 두드러졌는데, 여기서 새로운 병렬 알고리즘은 시뮬레이션이 멈추는 것을 방지했습니다. 연구팀은 자신들의 접근 방식이 단순히 기존 시뮬레이션을 빠르게 만드는 것이 아니라, 이전에 상세하게 연구하는 것이 불가능했던 규모의 양자 회로 시뮬레이션을 가능하게 한다고 언급했습니다.

이 연구는 복잡한 양자 시스템을 이해하는 길은 고전 하드웨어를 순차적이 아니라 병렬적으로 생각하도록 적응시키는 데 있을 수 있음을 시사합니다. 데이터를 저장하고 업데이트를 계산하는 방식을 재고함으로써, 연구진은 현재의 시뮬레이터가 가진 한계가 근본적인 물리 법칙이 아니라 해결 가능한 공학적 과제임을 보여주었습니다. QuaSARQ의 성공은 스테빌라이저 회로라는 특정 클래스의 경우, 특화된 알고리즘과 현대적인 GPU 하드웨어의 결합이 신뢰할 수 있는 양자 컴퓨터를 설계하고 양자 오류 정정을 검증하기 위한 강력한 도구를 제공할 수 있음을 나타냅니다. 이것이 모든 유형의 양자 회로에 대한 시뮬레이션 문제를 해결하는 것은 아니지만, 신뢰할 수 있는 양자 컴퓨터 개발에 필수적인 기초적인 문제들에 대해 강력하고 효율적인 방법을 제공합니다. 이 발견은 적절한 접근 방식이 있다면 대규모 양자 행동 시뮬레이션의 계산 장벽을 상당히 낮출 수 있다는 점을 명확히 보여줍니다.

기술 요약: GPU 가속 양자 안정자 회로 시뮬레이션

문제 정의

양자 회로의 고전적 시뮬레이션은 알고리즘 설계, 검증 및 최적화에 필수적이다. 일반적인 상태 벡터(state-vector) 시뮬레이터가 존재하지만, 이는 지수적인 메모리 스케일링 문제로 인해 약 30 큐비트 수준으로 제한된다. 안정자(Stabilizer, Clifford) 회로는 범용적이지는 않지만, 고테스만-크닐(Gottesman-Knill) 정리에 의해 고전적으로 시뮬레이션이 가능하므로, 더 큰 규모의 시뮬레이션을 위한 경로를 제공한다.

그러나 기존의 고성능 시뮬레이터들은 대규모 큐비트 워크로드와 광범위한 측정 작업으로 확장될 때 다음과 같은 중요한 병목 현상에 직면한다:

순차적 의존성(Sequential Dependencies): 투영 측정(projective measurements)을 처리하기 위한 가우스 소거법(Gaussian elimination, GE)과 같은 핵심 연산은 전통적으로 순차적 의존성(예: CHP 알고리즘 또는 Stim의 CX 인젝션)에 의존하며, 이는 병렬화를 저해한다.
메모리 액세스 패턴: 표준 구현은 특히 피벗(pivot) 선택 및 측정 업데이트 과정에서 불규칙한 메모리 액세스와 워프 분기(warp divergence)를 초래한다.
샘플링 효율성: "Many-shot" 샘플링(동일한 회로를 수천 번 실행하는 것)은 매 샷마다 전체 타블로(tableau)를 다시 업데이트해야 한다면 계산 비용이 매우 높다.
GPU 적응 격차: 최첨단 CPU 시뮬레이터인 Stim은 SIMD 명령과 파울리 프레임(Pauli frames)을 활용하지만, 이들의 알고리즘은 현대적인 GPU 아키텍처를 활용하도록 완전히 적응되지 않았다. 기존의 GPU 기반 안정자 시뮬레이션 시도는 이러한 아키텍처 불일치로 인해 제한적인 속도 향상만을 보여주었다.

방법론

저자들은 CUDA 아키텍처에 맞춤화된 일련의 병렬 알고리즘을 통해 이러한 병목 현상을 극복하도록 설계된 GPU 가속 안정자 시뮬레이터인 QuaSARQ를 소개한다. 이 방법론은 다음 세 가지 핵심 영역에 집중한다:

1. 데이터 병렬 타블로 진화 및 스케줄링

호스트 측 스케줄링: 입력 회로를 상호 독립적인 게이트들의 "최대 윈도우(maximal windows)"로 분해한다. 이를 통해 GPU에서 대규모 클리포드(Clifford) 게이트 배치를 디바이스 실행 전 최대한 동시에 적용하여 병렬성을 극대화할 수 있다.
이중 타블로 레이아웃: 게이트 적용과 측정을 모두 최적화하기 위해 이중 레이아웃 전략을 사용한다:
- 열 우선(Column-Major): 단일 큐비트에 대한 생성자 비트(generator bits)에 대한 연속적인 액세스를 보장하여 클리포드 게이트 적용에 사용된다.
- 행 우선(Row-Major): 모든 생성자에 걸친 큐비트 비트에 대한 연속적인 액세스를 보장하여 측정 연산에 사용된다.
- 인플레이스 트랜스포즈(In-Place Transpose): 공유 메모리 내의 타일 기반 비트 셔플링을 사용하여 두 레이아웃 간의 인플레이스 트랜스포즈를 수행하는 특화된 2단계 GPU 커널(알고리즘 4)을 통해 새로운 버퍼 할당 오버헤드를 방지한다.

2. 측정 및 가우스 소거법의 병렬화

가장 중요한 기여는 순차적 의존성을 제거하기 위한 측정 업데이트 프로세스의 재구성이다:

피벗 압축(Pivot Compaction): 워프 분기를 유발하는 안티-커뮤테이팅(anti-commuting) 생성자를 찾기 위해 전체 타블로를 스캔하는 대신, 모든 관련 피벗 인덱스를 조밀하고 연속적인 배열로 패킹하는 스트림 압축(stream compaction)(알고리즘 6)을 사용한다. 이는 후속 단계에서 코알레스트(coalesced) 메모리 액세스를 보장한다.
3-패스 프리픽스-XOR(Prefix-XOR) 제거: Stim의 CX 인젝션의 순차적 성격(제어 생성자의 상태가 각 타겟과 함께 진화하는 방식)을 병렬 문제로 변환한다.
- 저자들은 순차적 재귀를 타겟 생성자에 대한 프리픽스-XOR(scan) 연산으로 펼친다.
- 3-패스 커널 접근 방식(알고리즘 7)을 사용하여 블록 로컬 프리픽스를 계산하고, 블록 합에 대한 디바이스 단위 스캔을 수행한 다음, 이를 병합하여 모든 CX 인젝션을 병렬로 적용한다. 이는 이전에 순차적 실행을 강제했던 루프 캐리 의존성(loop-carried dependency)을 제거한다.
부호 집계(Sign Aggregation): 과도한 아토믹 경합(atomic contention) 없이 부호 업데이트를 처리하기 위해, 블록당 단일 아토믹 업데이트를 적용하기 전 공유 메모리 내의 바이너리 트리 리덕션 스킴(알고리즘 3)을 사용하여 스레드 로컬 부호를 축소한다.

3. 파울리 프레임을 통한 Many-Shot 샘플링

수천 개의 샷을 요구하는 샘플링 워크로드를 위해 QuaSARQ는 파울리 프레임(알고리즘 9)을 활용한다. 매 샷마다 타블로를 붕괴시키는 대신, 패킹된 행렬 내에서 무작위 비트 플립과 위상 플립을 추적한다. 이를 통해 $w$ 샷( $w$ 는 워드 크기, 예: 64)을 모든 측정된 큐비트에 대해 동시에 병렬로 처리할 수 있어, 샘플링 비용을 샷 수로부터 분리한다.

주요 기여

본 논문은 다음과 같은 구체적인 기술적 기여를 제시한다:

호스트 측 스케줄러: GPU 처리량을 극대화하기 위해 게이트를 최대 병렬 윈도우로 배치한다.
이중 타블로 레이아웃: 게이트를 위한 열 우선 레이아웃과 측정을 위한 행 우선 레이아웃을 효율적인 인플레이스 트랜스포즈 커널로 연결한다.
트리 기반 부호 축소: 글로벌 아토믹 연산을 최소화하기 위해 공유 메모리 리덕션을 사용하여 부호 업데이트를 집계하는 방법.
조밀한 스트림 압축: 측정 업데이트 중 워프 분지를 제거하기 위해 안티-커뮤테이팅 피벗을 연속적인 메모리에 패킹함.
3-패스 프리픽스-XOR 가우스 소거법: 순차적 CX 인젝션을 완전한 병렬 프리픽스 연산으로 변환하여 순차적 의존성을 제거하는 혁신적인 Stim 측정 알고리즘의 재구성.
QuaSARQ 구현: 최대 180,000 큐비트를 처리할 수 있는 이러한 알고리즘들을 구현한 완전한 GPU 시뮬레이터.

결과

저자들은 100에서 180,000 큐비트, 깊이 최대 1,000에 이르는 벤치마크 제품군에 대해 Stim(CPU), Qiskit-Aer(CPU/GPU), Qibo, Cirq, PennyLane을 포함한 최첨단 시뮬레이터들과 QuaSARQ를 비교 평가하였다.

런타임 성능:
- QuaSARQ는 까다로운 인스턴스(예: 12,000 큐비트, 깊이 100)에서 Stim 대비 최대 105배의 속도 향상을 달ometric했다.
- "Heavy" 벤치마크 제품군(1K–180K 큐비트)에서 QuaSARQ는 72시간 내에 177개의 회로를 완료한 반면, Stim은 132시간 동안 125개의 회로만을 완료했다.
- 많은 샷을 요구하는 샘플링(1,024 샷)의 경우, QuaSARQ는 회로 크기에 관계없이 평탄한 런타임 스케일링을 보여준 반면, Stim의 샘플링 비용은 급격히 증가했다.
에너지 효율성:
- QuaSARQ는 시뮬레이션 작업에서 CPU 기반 대안 대비 평균 80% 이상, 샘플링 작업에서는 90% 이상의 에너지 소비를 절감했다.
확장성:
- 시뮬레이터는 180,000 큐비트와 1억 3천만 개의 게이트를 가진 회로를 성공적으로 처리했다.
- 매우 비결정론적인(nondeterministic) 회로에서 종종 타임아웃이 발생하거나 큐비트를 일부만 붕괴시키는 Stim과 달리, QuaSARQ는 100,000 큐비트에서도 수천 개의 비결정론적 측정을 성공적으로 처리했다.

의의 및 주장

본 논문은 GPU 지향적 알고리즘이 특히 광범위한 측정과 샘플링이 포함된 워크로드에서 안정자 회로 시뮬레이션의 확장성을 크게 발전시킬 수 있음을 입증한다고 주장한다.

저자들은 자신들의 병렬 알고리즘이 이전에 GPU 도입을 제한했던 특정 과제들인 타블로 진화와 투영 측정 문제를 성공적으로 해결했음을 강조한다. 특히 순차적 의존성(가우스 소거법의 경우)을 병렬 프리미티브(prefix-XOR 및 스트림 압축)로 재구성함으로써, 현재의 최첨단 CPU 시뮬레이터인 Stim 및 기타 범용 양자 시뮬레이터를 능가하는 수준의 성능과 에너지 효율을 달성했다. 이 연구는 적절한 알고리즘 구조 조정을 통해 GPU가 기존의 CPU 전용 아키텍처에서는 다루기 힘들었던 대규모 안정자 시뮬레이션을 처리할 수 있음을 입증한다.