⚛️ quantum physics

Characterization of Unlearnable Noise with Mid-Circuit-Measurement-Based Cycle Benchmarking

이 논문은 지연된 피드포워드(deferred feed-forward)를 통해 파울리 사이클을 역전시킴으로써 다중 큐비트 클리포드 게이트에서 이전에 학습 불가능했던 파울리 노이즈 성분을 해결하고, 이를 통해 초전도 양자 프로세서에서의 효과적인 노이즈 특성화 및 검증을 가능하게 하는 중간 회로 측정 기반의 일반화된 사이클 벤치마킹 프레임워크를 소개한다.

원저자: M. H. Cheng, Stefano Mangini, V. Bartsch, A. C. Medina, Sergey N. Filippov, Matteo A. C. Rossi, M. S. Kim

게시일 2026-06-30

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: M. H. Cheng, Stefano Mangini, V. Bartsch, A. C. Medina, Sergey N. Filippov, Matteo A. C. Rossi, M. S. Kim

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

당신이 매우 복잡하고 노이즈가 많은 라디오를 튜닝하고 있다고 상상해 보세요. 당신은 발생하는 잡음이 방송국 자체에서 오는 것인지, 아니면 안테나나 스피커에서 오는 것인지 정확히 알고 싶습니다. 양자 컴퓨터의 세계에서 이 "잡음"은 **노이즈(noise)**라고 불리며, 이 노이즈가 정확히 어디에서 오는지 파악하는 것은 이 컴퓨터를 작동시키는 데 매우 중요합니다.

오랫동안 과학자들은 이 노이즈를 측정하기 위해 **사이클 벤치마킹(Cycle Benchmarking, CB)**이라는 도구를 사용해 왔습니다. CB를 특정 음표(양자 게이트)를 반복해서 연주하는 방법이라고 생각하면 됩니다. 이 반복되는 과정 속에서 음이 어떻게 나빠지는지를 관찰함으로써 노이즈를 계산할 수 있습니다.

하지만 여기에는 중대한 문제가 있었습니다. 바로 "학습 불가능한(unlearnable)" 노이즈가 존재한다는 것이었습니다.

문제점: "결합된(Coupled)" 미스터리

양자 컴퓨터에서 복잡한 연산(두 큐비트를 연결하는 CNOT 게이트와 같은)을 수행할 때, 노이즈는 별개로 머물지 않습니다. 노이즈는 서로 엉키게 됩니다. 두 명의 무용수가 원을 그리며 돌고 있는 모습을 상상해 보세요. 한 무용수가 비틀거릴 때, 이것이 첫 번째 무용수의 발이 미끄러진 것 때문인지 아니면 두 번째 무용수의 균형이 깨진 것인지 구별하는 것은 불가능합니다.

논문의 언어로 표현하자면, 노이즈 파라미터들이 "결합(coupled)"되는 것입니다. 표준 사이클 벤치마킹은 이 두 노이즈의 곱(예: "무용수 A의 비틀거림 × 무용수 B의 비틀거림")만을 측정할 수 있었을 뿐, 어떤 무용수가 실제로 문제인지 알려주지는 못했습니다. 이는 기계에 대한 이해에 있어 "사각지대"를 남겼습니다.

해결책: "중간 회로 측정(Mid-Circuit Measurement, MCM)"

저자들은 이 문제를 해결하기 위해 **중간 회로 측정(MCM)**이라는 새로운 기술을 도입했습니다.

그 두 무용수를 다시 관찰한다고 상상해 봅시다. 노래가 끝날 때까지 계속 돌기만 보는 대신, 노래 중간에 음악을 멈추고 한 무용수에게 "너 안정적이니?"라고 묻습니다(이것이 '측정'입니다). 그리고 그 대답을 바탕으로 음악이 다시 시작되기 전에 다른 무용수를 어떻게 도와줄지 결정합니다.

양자 세계에서 이 "멈추고 묻는" 과정은 계산이 완전히 끝난 후가 아니라, 계산 도중에 일어납니다. 논문에서는 이를 **일반화된 사이클 벤치마킹(Generalized Cycle Benchmarking)**이라고 부릅니다.

작동 원리: "지연된 피드포워드(Deferred Feed-Forward)"

이 수학적 원리를 가능하게 하는 영리한 부분은 다음과 같습니다:

측정: 프로세스 중간에 큐비트를 측정합니다.
고전적 트릭: 측정 결과에 따라 양자 상태를 즉각적으로 물리적으로 변화시키는 대신(이는 어렵고 느립니다), 연구자들은 **지연된 피드포워드(Deferred Feed-Forward)**라는 수학적 트릭을 사용합니다.
- 비유: 당신이 비디오 게임을 하고 있다고 상상해 보세요. 앞에 함정이 보입니다. 캐릭터를 움직이기 위해 게임을 멈추는 대신, 종이에 "왼쪽으로 이동"이라고 적습니다. 게임은 계속 플레이하고, 마지막에 그 적어둔 메모들을 최종 점수에 적용합니다.
- 논문에서, 그들은 실험이 끝난 후에(또는 고전 컴퓨터에서) 모든 "교정"을 수행할 수 있음을 보여줍니다. 이를 통해 이전에는 분리할 수 없었던 엉킨 노이즈 사이클을 "되돌릴(undo)" 수 있습니다.

"파울리 가중치 불일치(Pauli Weight Mismatch)"

이 논문은 파울리 가중치 불일치라는 개념을 소개합니다. 이것은 당신의 "멈추고 묻는" 버튼을 정확히 어디에 배치해야 하는지 알려주는 지도와 같습니다.

만약 두 큐비트의 노이즈가 특정 방식으로 엉켜 있다면, 지도는 다음과 같이 알려줍니다: "큐비트 2를 측정하기만 하면 엉킨 매듭을 풀 수 있습니다."
이는 과학자들에게 미스터리를 해결하기 위해 필요한 최소한의 측정 횟수를 알려주어 시간과 자원을 절약해 줍니다.

두 번째 발견: "물리 법칙" 확인하기

또한, 이 논문은 중간 회로 측정을 사용하여 근본적인 가정 하나를 확인합니다: 노이즈가 "마르코프적(Markovian)"인가?

마르코프 노이즈(Markovian Noise): 주사위를 던지는 것과 같습니다. 다음번 던진 결과는 이전의 결과가 무엇이었는지 상관하지 않습니다. 무작위적이고 독립적입니다.
비마르코프 노이즈(Non-Markovian Noise): 끈적거리는 동전과 같습니다. 만약 앞면이 나왔다면, 이전에 앞면이 나왔던 기록 때문에 다시 앞면이 나올 확률이 더 높을 수 있습니다(기억 효과).

저자들은 반복적인 측정에서 나타나는 "플립(flip, 0에서 1로의 변화)" 패턴을 관찰함으로써, 노이즈가 공정한 주사위처럼 행동하는지 아니면 끈적거리는 동전처럼 행동하는지 확인할 수 있다는 것을 발견했습니다.

결과: 그들은 실제 IBM 양자 컴퓨터에서 노이즈가 "끈적거리는(sticky)" 성질을 가지고 있다는 것을 발견했습니다. 즉, "기억" 효과가 있었습니다. 구체적으로, 시스템이 "누출된(leaked)" 상태에 빠져서 거기서 빠져나오는 데 시간이 오래 걸리는 현상(공이 도랑에 빠져서 나오기 힘들어하는 것과 같은 상태)을 나타내는 데이터의 "꼬리(tail)"를 확인했습니다. 이것은 표준 도구로는 볼 수 없었던 **비마르코프 역학(non-Markovian dynamics)**의 징후입니다.

실전 테스트

연구팀은 이를 실제 양자 컴퓨터(IBM의 "Aachen" 및 "Pittsburgh" 프로세서)에서 테스트했습니다.

그들은 표준 방식으로는 풀 수 없었던 "학습 불가능한" 노이즈 쌍을 성공적으로 분리해 냈습니다.
또한, 불완전한 측정 환경에서도 "멈추고 묻는" 전략을 사용한다면 매우 정확한 노이즈 이미지를 얻을 수 있음을 증명했습니다.
그리고 실제 하드웨어에 "끈적거리는 동전"(비마르코프) 행동이 존재함을 확인하여, 현재의 노이즈 측정 정밀도에 한계가 있음을 보여주었습니다.

요약

단순히 말하자면, 이 논문은 다음과 같이 말합니다:

기존 방식: 노이즈를 측정할 수는 있었지만, 일부 노이즈는 우리가 풀 수 없는 매듭처럼 서로 엉켜 있었습니다.
새로운 방식: 계산 도중에 상태를 확인하기 위해 양자 컴퓨터를 "잠시 멈추고(그리고 나중에 수학적으로 처리함으로써), 그 매듭을 풀 수 있습니다.
보너스: 이 새로운 방법은 현미경처럼 작동하여, 실제 양자 컴퓨터의 노이즈가 "기억(과거의 오류를 기억함)"을 가지고 있다는 것을 밝혀냈으며, 이는 우리가 노이즈를 어떻게 수정해야 하는지에 대한 변화를 요구합니다.

이 논문은 결론적으로, 중간 회로 측정을 단순한 진단 도구에서 양자 컴퓨터를 이해하고 수정하기 위한 강력한 자원으로 격상시켰다고 말합니다.

기술 요약: 중간 회로 측정 기반 사이클 벤치마킹을 통한 학습 불가능한 노이즈의 특성 분석

문제 정의
양자 노이즈 특성 분석은 오류 완화 및 양자 오류 정정(QEC) 프로토콜 검증을 위한 핵심적인 병목 구간이다. 표준 사이클 벤치마킹(Cycle Benchmarking, CB)은 상태 준비 및 측정(SPAM) 오류를 효과적으로 격리하고, 반복되는 사이클을 통해 게이트 오류를 증폭시켜 파울리 채널(Pauli channels)을 특성화한다. 그러나 CB는 일반적인 $n$ -큐비트 클리포드(Clifford) 게이트에 적용될 때 근본적인 한계에 직면한다. 즉, 유도된 파울리 전송 그래프(Pauli transfer graphs)가 결합된 오류 파라미터를 포함할 수 있다는 점이다. 구체적으로, 클리포드 게이트는 서로 다른 파울리 충실도들이 결합되는(예: $\lambda_{P_\alpha}\lambda_{P_\beta}$ ) 비가역적인 파울리 전파 사이클을 유도할 수 있으며, 이는 게이지 자유도(gauge degrees of freedom)로 인해 개별 충실도를 "학습 불가능(unlearnable)"하게 만든다. 표준 CB는 이러한 결합된 파라미터를 분리해낼 수 없으며, 학습 불가능한 자유도의 수는 큐비트 수에 따라 기하급수적으로 증가한다. 또한, 표준 CB는 마르코프 노이즈 역학(Markovian noise dynamics)을 가정하지만, 이는 실제 하드웨어에서 성립하지 않을 수 있으며, 표준 프로토콜은 비마르코프(non-Markovian) 편차를 진단할 도구가 부족하다.

방법론
저자들은 학습 불가능한 노이즈를 해결하기 위해 중간 회로 측정(Mid-Circuit Measurements, MCM)을 능동적인 토모그래피 프리미티브로 통합하는 일반화된 사이클 벤치마킹(Generalized Cycle Benchmarking, GCB) 프레임워크를 제안한다. 이 방법론은 세 가지 핵심적인 이론적 및 알고리즘적 기둥에 의존한다:

파울리 가중치 불일치와 지연 피드포워드(Deferred Feed-Forward): 저자들은 클리포드 게이트 $G$ 하에서 입력 및 출력 파울리 연산자의 서포트(support) 간 비트 단위 차이를 '파울리 가중치 불일치' $\delta(P_\alpha, P_\beta)$ 로 정의한다. 표준 CB에서 만약 $\delta \neq 0$ 이면 충실도는 학습 불가능하다. GCB 프로토콜은 $\delta(P_\alpha, P_\beta)$ 에 의해 지정된 큐비트 위치에 MCM을 삽입한다. 지연 피드포워드 원리를 활용하여, 저자들은 클래식 피드포워드 연산(MCM 결과에 따른 조건부 비트 플립)이 전적으로 클래식 사후 처리 과정에서 구현될 수 있음을 입증한다. 이를 통해 MCM은 파울리 연산자를 초기 상태로 "리셋"하여 클리포드에 의해 유도된 사이클을 끊고, 실시간 양자 제어 없이도 노이즈 파라미터를 디커플링(decoupling)할 수 있다.
균일 확률적 도구(Uniform Stochastic Instruments, USI) 및 학습 가능 조건: 프레임워크는 노이즈가 있는 MCM을 균일 확률적 도구로 모델링한다.
- 정확한 학습 (정리 3): 만약 MCM이 $|0\rangle$ 및 $|1\rangle$ 상태에 대한 고충실도 투영을 제공한다면(구체적으로, 투영 후 양자 오류가 발생하지 않는 경우), 모든 파울리 충실도는 정확하게 학습 가능하다. 결정적으로, 클래식 판독 할당 오류(readside assignment errors)는 양자 노이즈 파라미터를 결합하지 않으므로 학습 가능성에 영향을 미치지 않는다.
- 근사적 학습 (정리 4): $|0\rangle$ 준비가 신뢰할 수 있는 상황(초전도 소자에서 흔함)에서, 저자들은 학습 불가능한 쌍들을 여전히 근사할 수 있음을 보여준다. $|0\rangle$ 결과에 대해 사후 선택(post-selection)을 수행하고 기하-산술 평균 분해를 활용함으로써, 노이즈 차이가 충분히 뚜렷하다면 결합된 곱으로부터 개별 충실도를 분리해낼 수 있다.
비마르코프성을 위한 이항 분석: 프로토콜은 "플립 변수(flip variables)"(연속적인 MCM 판독값의 변화)의 통계를 기반으로 한 진단 도구를 도입한다. 분리 가능한 마르코프 노이즈 가정 하에서, 이러한 플립 통계는 깨끗한 이항 분포를 따른다. 이 분포로부터의 편차는 모든 정보를 최종 측정으로 붕괴시키는 표준 CB에서는 보이지 않는 비마르코프 역학(예: 메모리 효과 또는 리키지/leakage)에 대한 직접적이고 정량적인 시그니처 역할을 한다.

주요 기여

학습 불가능한 노이즈의 해결: 본 논문은 일반적인 $n$ -큐비트 클리포드 게이트에서 파울리 사이클을 끊는 체계적인 방법을 제공한다. 사이클을 끊는 비용은 파울리 가중치 불일치의 해밍 가중치(Hamming weight)로 정량화되며, 이는 필요한 최소 MCM 수를 지정한다.
MCM을 통한 SPAM 강건성: 프레임워크는 이전에는 단순 파울리 채널에만 제한되었던 기능인, 학습 불가능한 노이즈 성분에 대한 부분적인 SPAM 면역력을 달성한다.
통합 노이즈 특성 분석: 저자들은 MCM과 클래식 피드포워드를 일관된 파울리 노이즈 학습 프레임워크(Gate Set Tomography) 내에서 클리포드 게이트로 취급할 수 있음을 보여줌으로써, 투영 품질이 완벽하지 않더라도 자기 일관적인 특성 분석이 가능함을 입증한다.
비마르코프 진단: 본 연구는 연속적인 MCM의 통계적 특성을 사용하여 비마르코프 노이즈(특히 리키지 유도 메모리 및 판독 비대칭성)를 탐지하고 정량화하는 방법을 확립한다.

실험 및 수치 결과
저자들은 수치 시뮬레이션과 IBM 초전도 양자 프로세서(ibm-aachen 및 ibm-pittsburgh)에서의 실험을 통해 프레임워크를 검증한다.

수치 시뮬레이션: CNOT 게이트 및 3-큐비트 CNOT 래더(ladder)에 대한 시뮬레이션은 학습 불가능한 노이즈 쌍(예: $\{ \lambda_{0z}, \lambda_{zz} \}$ )을 추출하는 타당성을 입증하며, 특히 로컬 노이즈 모델을 활용하여 MCM 오버헤드를 줄일 때 프로토콜이 효과적으로 확장됨을 보여준다.
실험적 검증:
- 학습 불가능한 노이즈: 두 장치 모두에서 GCB 프로토콜은 CNOT 게이트에 대한 학습 불가능한 파울리 충실도를 성공적으로 추출했다. GCB 결과는 물리적 CPTP(완전 양의, 완전 추적 보존) 경계와 비교되었으며, 기존 토모그래피보다 물리적 한계에 더 근접하여 결합된 노이즈를 구별하는 우수한 정밀도를 보여주었다.
- 비마르코프 시그니처: MCM 판독의 이항 분석은 두 가지 뚜렷한 비마르코프 시그니처를 드러냈다:
  1. 클래식 판독 할당 오류에 기인하여 짝수 플립 횟수를 선호하는 "지그재그(zig-zag)" 통계적 편향.
  2. 리키지 유도 메모리에 기인하여 큰 플립 횟수에서 나타나는 지수적 꼬리(exponential tail) 분포. 저자들은 이 꼬리를 모델링하여 메모리 지속 시간을 정량화하는 붕괴율 $\lambda_d$ 를 추출했다.

의의 및 주장
본 논문은 중간 회로 측정(MCM)이 단순히 수동적인 진단 도구가 아니라, 노이즈 특성 분석을 위한 능동적인 자원임을 주장한다. 이 연구의 의의는 다음과 같다:

근본적 한계 극복: 대규모 클리포드 게이트 노이즈 특성 분석을 제한해 온 "학습 불가능한" 자유도 문제를 해결한다.
하드웨어 불가지론(Hardware Agnosticism): 초전도 소자에서 시연되었으나, 본 프레임워크는 MCM과 클래식 피드포워드를 지원하는 모든 플랫폼에 적용 가능한 하드웨어 불가지론적 성격을 갖는다.
진단 능력: 파울리 노이즈 모델이 유효한 운용 영역을 정의하면서, 비마르코프 역학을 탐지하고 특성화하는 새로운 방법을 제공한다.
실용적 유용성: 저자들은 최첨단 초전도 MCM이 부분적인 SPAM 면역성을 가진 물리적으로 일관된 노이즈 학습을 가능하게 할 만큼 충분한 투영 품질을 갖추고 있음을 입증하였으며, 이는 더 큰 클리포드 게이트의 특성화와 오류 완화 전략의 발전을 위한 길을 열어준다.

결론적으로, 이 프레임워크는 사이클 벤치마킹의 범위를 유니터리 클리포드 게이트 세트를 넘어 현대 양자 프로세서에서 사용 가능한 광범위한 동적 회로로 확장한다.