⚛️ quantum physics

HAMMR-L: Noise Reduction in Quantum Outcomes Using a Richardson-Lucy Deconvolution Algorithm for Quantum State Graphs

이 논문은 측정 결과의 해밍 거리를 기반으로 한 상태 그래프에 리처드슨-루시 디컨볼루션 알고리즘을 적용하여 NISQ 시대의 양자 노이즈를 줄이고 기존 방법들보다 더 높은 충실도를 달성하는 새로운 사후 처리 기법인 HAMMR-L 을 제안합니다.

원저자: Jake Scally, Austin Myers, Ryan Carmichael, Phat Tran, Xiuwen Liu

게시일 2026-04-01

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Jake Scally, Austin Myers, Ryan Carmichael, Phat Tran, Xiuwen Liu

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

1. 문제 상황: "소음 가득한 라디오"와 "흐릿한 사진"

양자 컴퓨터는 아직 완벽하지 않습니다. (이를 'NISQ 시대'라고 부릅니다.)
컴퓨터가 계산을 하면, 이상한 소리 (소음) 때문에 정답이 아닌 엉뚱한 결과가 섞여 나옵니다. 마치 정말 좋은 라디오를 틀었는데, 정답이 나오는 채널 옆에 잡음이 심하게 끼어 있어서 정작 원하는 노래를 듣기 힘든 상황과 같습니다.

기존의 방법들은 이 잡음을 줄이기 위해 노력해 왔지만, HAMMR-L 연구팀은 **"잡음이 섞인 결과물들을 '사진'처럼 보고, 그 사진을 선명하게 만드는 기술 (이미지 디콘볼루션)"**을 적용해 보았습니다.

2. 핵심 아이디어: "햄밍 거리"라는 지도

이 기술의 핵심은 **'햄밍 거리 (Hamming Distance)'**라는 개념을 사용합니다.

비유: 정답이 **"1111"**이라고 칩시다.
- **"1110"**은 1 자리만 틀렸으니 정답과 가깝습니다. (거리 1)
- **"1000"**은 3 자리나 틀렸으니 정답과 멉니다. (거리 3)
- **"0000"**은 완전히 반대입니다. (거리 4)

양자 컴퓨터가 내는 수많은 결과들은 이 '거리'를 기준으로 지도 위에 점으로 찍을 수 있습니다. HAMMR-L 연구팀은 이 점들이 모여 있는 지도를 보고, **"정답은 아마도 주변에 많은 점들이 모여 있는 곳일 거야"**라고 추측합니다.

3. 해결책: "Richardson-Lucy"라는 선명하게 만드는 필터

여기서 등장하는 HAMMR-L의 마법 같은 도구는 **'리처드슨 - 루시 (Richardson-Lucy) 알고리즘'**입니다. 이 이름은 원래 흐릿하게 찍힌 사진을 선명하게 복원하는 사진 편집 기술에서 가져온 것입니다.

사진 비유:
- 원래 사진 (정답): 선명한 꽃 한 송이.
- 흐릿한 사진 (양자 컴퓨터의 오답): 꽃이 흐릿하게 번져서 주변에 뿌옇게 퍼진 상태.
- HAMMR-L 의 역할: 이 흐릿한 사진을 분석해서, "아, 이 뿌옇게 퍼진 빛은 원래 저기 있던 꽃에서 온 거구나!"라고 계산해 내어, 원래 꽃의 위치와 선명함을 되찾아주는 과정입니다.

이 기술은 양자 컴퓨터가 내는 '흐릿한 결과 (잡음 섞인 데이터)'를 분석하여, 가장 확률이 높은 정답을 찾아내어 그 확률을 높이고, 엉뚱한 답들의 확률은 낮추는 역할을 합니다.

4. 실험 결과: "기존 방법보다 더 잘한다"

연구팀은 IBM 의 양자 컴퓨터를 이용해 이 기술을 테스트했습니다.

비교 대상: 기존에 가장 잘하던 기술인 'QBEEP'와 비교했습니다.
결과:
- HAMMR-L 은 QBEEP 보다 정답의 순위를 더 많이 올려주었습니다. (예: 4 등인 정답을 1 등으로 끌어올림)
- 특히 오류가 아주 심한 (잡음이 심한) 상황에서도 정답을 찾아내는 능력이 뛰어났습니다.
- 중요한 점은 이 기술이 어떤 양자 컴퓨터를 쓰든, 어떤 회로를 짜든 상관없이 (기기 무관) 작동한다는 것입니다. QBEEP 는 특정 기기에 맞춰져야 했지만, HAMMR-L 은 더 범용적입니다.

5. 미래 전망: "눈이 먼 상태에서 사진도 선명하게?"

현재 HAMMR-L 은 잡음의 패턴을 미리 알고 (알고리즘에 넣어서) 작동합니다. 하지만 연구팀은 앞으로 더 발전시킬 계획을 세우고 있습니다.

블라인드 디콘볼루션 (Blind Deconvolution): 사진이 흐릿하다는 건 알지만, 왜 흐릿한지 (어떤 잡음이 섞였는지) 모를 때도 사진을 선명하게 만드는 기술입니다.
딥러닝 결합: 인공지능 (AI) 이 스스로 잡음 패턴을 학습하게 하여, 더 빠르고 정확하게 정답을 찾아내도록 만들 계획입니다.

요약

이 논문은 **"양자 컴퓨터가 내는 엉뚱한 답들을, 흐릿한 사진을 선명하게 만드는 사진 편집 기술 (HAMMR-L) 을 이용해 정답으로 복원했다"**는 내용입니다.

기존 방법들보다 더 잘 작동하며, 어떤 양자 컴퓨터든 사용할 수 있어 양자 컴퓨터가 실용화되는 데 한 걸음 더 다가가는 중요한 기술로 평가받고 있습니다. 마치 흐릿하게 찍힌 가족 사진을 AI 로 복원해서 선명한 추억을 되찾아주는 것과 같은 원리입니다.

제공된 논문 "HAMMR-L: Noise Reduction in Quantum Outcomes Using a Richardson-Lucy Deconvolution Algorithm for Quantum State Graphs"에 대한 상세한 기술 요약은 다음과 같습니다.

1. 연구 배경 및 문제 정의 (Problem)

NISQ 시대의 노이즈 문제: 현재의 양자 컴퓨터 (NISQ, Noisy Intermediate-Scale Quantum) 는 큐비트 수와 회로 깊이가 증가함에 따라 심각한 노이즈에 시달립니다. 완전한 양자 오류 수정 (QEC) 은 아직 실현되지 않았으므로, 현재 사용 가능한 하드웨어의 출력 분포 신뢰도를 높이기 위한 양자 오류 완화 (QEM, Quantum Error Mitigation) 기술이 필수적입니다.
해밍 공간 (Hamming Space) 의 패턴: 기존 연구들은 양자 회로의 오류 출력 결과가 해밍 공간 (정답으로부터의 비트 플립 거리) 에서 특정 패턴을 보인다는 것을 발견했습니다.
기존 방법의 한계: 해밍 공간 기반의 기존 후처리 기술 (예: HAMMER, QBEEP) 은 존재하지만, QBEEP 은 특정 회로나 하드웨어의 오류율에 맞춰 파라미터를 조정해야 하는 등 범용성 (Hardware/Circuit Agnostic) 에 한계가 있었습니다.

2. 제안 방법론: HAMMR-L (Methodology)

저자들은 HAMMR-L이라는 새로운 후처리 기법을 제안했습니다. 이는 해밍 공간의 상태 그래프 (State Graph) 에 리처드슨 - 루시 (Richardson-Lucy, R-L) 디컨볼루션 알고리즘을 적용하여 노이즈를 제거하는 방식입니다.

상태 그래프 구성 (Graph Construction):
- 측정된 양자 결과 (비트열) 를 노드로 구성합니다.
- 해밍 거리가 1 인 노드들 (단일 비트 플립 관계) 을 서로 연결하여 그래프를 형성합니다.
- 각 노드는 해당 비트열이 관측된 확률 (밝기) 을 가집니다.
리처드슨 - 루시 디컨볼루션 적용:
- 이 알고리즘은 원래는 이미지 흐림 (Blurring) 을 제거하는 데 사용되지만, 저자들은 이를 양자 오류에 적용했습니다.
- 개념적 모델: 참된 오류 없는 분포 ( $u$ $u$ ) 가 점 확산 함수 (PSF, Point Spread Function) 에 의해 '흐려져' 관측된 노이즈 분포 ( $d$ $d$ ) 가 되었다고 가정합니다.
  - 수식: $d(i) = \sum_j u(j) P(h(i, j))$
  - 여기서 $P$ 는 해밍 거리에 의존하는 PSF 입니다.
- PSF 설정: 본 논문에서는 PSF 를 해밍 거리 $h(i, j)$ 의 역수 형태인 $P = \frac{1}{h(i, j) + 1}$ 로 설정하여 실험했습니다.
- 반복 추정: 관측된 확률 분포를 초기값으로 하여 R-L 알고리즘을 반복 수행함으로써 원래의 참된 분포 ( $u$ ) 를 추정하고, 이를 통해 노이즈를 제거합니다.
범용성: QBEEP 와 달리 특정 하드웨어의 오류 모델이나 회로 구조에 의존하지 않으므로 **회로 및 하드웨어 무관 (Circuit and Hardware Agnostic)**합니다.

3. 실험 및 결과 (Results)

실험 환경: IBM 양자 컴퓨터를 사용하여 베른슈타인 - 바자라니 (Bernstein-Vazirani, BV) 알고리즘을 실행했습니다.
- 9 큐비트 (4~7 개의 '1' 포함) 및 10 큐비트 (8 개의 '1' 포함) 데이터셋을 생성했습니다.
- '1'의 개수를 조절하여 CNOT 게이트 수와 오류율을 제어했습니다.
성능 지표: 참된 정답 (Secret String) 의 순위 (Rank) 변화를 주요 지표로 사용했습니다.
- 순위 향상 (Improved), 변화 없음 (Unchanged), 순위 하락 (Worsened) 을 분류했습니다.
주요 결과:
- QBEEP 대비 우위: 10 개의 데이터셋 중 7 개에서 HAMMR-L 이 QBEEP 보다 더 높은 '순위 향상' 비율을 보였습니다.
- 평균 순위 변화: 전체 데이터셋 평균 HAMMR-L 의 순위 향상 폭은 +3.081이었으나, QBEEP 은 -0.328로 오히려 정답의 순위가 평균적으로 하락했습니다.
- 고오류 환경에서의 성과: 오류가 매우 심한 8-ones (10 큐비트) 데이터셋에서 HAMMR-L 은 정답의 순위를 평균 10 점 이상 향상시켰으며, 이는 QBEEP 보다 8 점 이상 높은 성과였습니다.
- 시각적 예시: 9 큐비트 회로에서 정답이 4 위였으나 HAMMR-L 처리 후 1 위로 상승하고 확률이 1% 미만에서 8% 로 증가한 사례가 확인되었습니다.

4. 주요 기여 (Key Contributions)

새로운 QEM 프레임워크: 이미지 처리 분야의 정교한 알고리즘인 Richardson-Lucy 디컨볼루션을 양자 상태 그래프의 노이즈 제거에 최초로 적용했습니다.
범용성 확보: 하드웨어나 회로 구조에 대한 사전 지식이 필요 없는 '블라인드'에 가까운 접근법을 제시하여 QBEEP 등의 기존 방법보다 유연성을 확보했습니다.
성능 입증: 고오류 환경 (High-error regimes) 에서 기존 최첨단 기법 (QBEEP) 을 능가하는 정답 복구 능력을 실험적으로 증명했습니다.

5. 의의 및 향후 과제 (Significance & Future Work)

의의: HAMMR-L 은 NISQ 시대의 양자 컴퓨터가 더 유용하게 사용될 수 있도록 하는 실용적인 후처리 도구로서, 기존 해밍 기반 방법론의 한계를 극복하고 이론적으로 정립된 프레임워크를 제공합니다.
한계 및 개선 방향:
- PSF 최적화: 현재 사용된 PSF ( $1/(h+1)$ ) 는 실험적으로 도출된 것이지만, 더 정확한 PSF 모델링 (예: 하드웨어 노이즈 모델을 반영하거나 블라인드 디컨볼루션 기법 적용) 이 필요할 수 있습니다.
- 변동성: 실행 간 (Run-to-run) 결과의 변동성이 관찰되었으며, 이는 하드웨어의 재보정 (Recalibration) 등 외부 요인과 관련이 있을 수 있습니다.
- 심층 학습 결합: 향후 딥러닝 기반의 R-L 디컨볼루션을 결합하여 PSF 를 학습하거나 처리 속도를 높이는 방향으로 발전시킬 수 있습니다.

결론적으로, HAMMR-L 은 양자 오류 완화 분야에서 이미지 처리 기법의 강력한 적용 가능성을 보여주며, 하드웨어에 구애받지 않고 노이즈가 심한 양자 출력을 정제할 수 있는 유망한 기술로 평가됩니다.