⚛️ quantum physics

GroverFigureOfMerit: An Agnostic Figure of Merit for Quantum Backend Characterization in the NISQ Era

본 논문은 정적인 하드웨어 파라미터의 한계를 극복하기 위해, 다양한 NISQ 시대 제공업체들에 걸쳐 동적인 성공 확률, 균일성 및 누설 페널티를 통해 양자 백엔드 성능을 평가하는 그로버 알고리즘 기반의 총체적이고 아키텍처에 구애받지 않는 지표인 "GroverFigureOfMerit"를 제안하고 검증한다.

원저자: Tiago Restucha, Marcos Guillermo Lammers, Alejandro Fernández

게시일 2026-07-10

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Tiago Restucha, Marcos Guillermo Lammers, Alejandro Fernández

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 최고의 자동차를 고르려고 노력 중이라고 상상해 보세요. 하지만 모든 제조사가 서로 다르고 혼란스러운 사양 목록을 제시합니다. 어떤 곳은 "우리 엔진은 효율이 99%입니다!"라고 말하고, 다른 곳은 "내 타이어는 5만 마일을 견딥 most니다!"라고 외칩니다. 하지만 그들은 이 차가 울퉁불퉁한 도로, 가파른 언덕, 또는 갑작스러운 폭우 속에서 실제로 어떻게 움직이는지는 알려주지 않습니다. 당신은 어떤 차가 고장 없이 목적지까지 데려다줄지 알 수 없어 추측만 해야 하는 상황에 놓입니다.

이것이 바로 오늘날 양자 컴퓨터 개발자들이 직면한 문제입니다. 우리는 현재 "NISQ 시대"(노이즈가 있는 중간 규모 양자 시대)에 있습니다. 양자 컴퓨터가 존재하기는 하지만 여전히 결함이 있고 무질서한 시기입니다. IBM, IonQ, Rigetti와 같은 서로 다른 기업들은 완전히 다른 방식으로 기계를 구축합니다. 그들은 모두 서로 다른 언어를 사용하며, 단일 큐비트(양자 비트)가 정보를 잊어버리기 전까지 얼마나 오랫동안 생각을 유지할 수 있는지와 같은 "정적" 통계치를 뽐냅니다.

이 논문의 저자들은 이러한 정적 통계치를 보는 것이 마치 마라톤 선수를 신발 끈을 얼마나 빨리 묶는지로만 평가하는 것과 같다고 주장합니다. 그것은 핵심을 놓치는 것입니다! 선수는 아주 좋은 신발(낮은 오류율)을 가졌을지 모르지만, 경기가 복잡해지면 자기 발에 걸려 넘어질 수도 있습니다. 논문은 어떤 양자 컴퓨터가 정말 최고인지 알기 위해서는 실제로 '경주'를 해봐야 한다고 제안합니다.

"스트레스 테스트" 경주: 그로버 알고리즘 (Grover's Algorithm)

이를 해결하기 위해, 팀은 GroverFigureOfMerit라고 불리는 새로운 성능 측정 방식을 발명했습니다. 이것은 표준화된 "스트레스 테스트" 경주라고 생각하면 됩니다. 부품을 들여다보는 대신, 그들은 특정하고 까다로운 퍼즐인 그로버 알고리즘을 컴퓨터에서 실행합니다.

그로버 알고리즘은 "건초더미에서 바늘 찾기" 게임과 같습니다. 완벽한 세상에서 양자 컴퓨터는 이 바늘을 믿을 수 없을 정도로 빠르게 찾아낼 수 있습니다. 하지만 현실의 노이즈가 섞인 세상에서는 건초더미가 흔들리고, 바늘은 미끄러우며, 컴퓨터는 혼란에 빠질 수 있습니다.

저자들은 이 테스트를 통해 컴퓨터가 다음 과정을 포함하여 전체 프로세스를 얼마나 잘 처리하는지 확인하도록 설계했습니다:

노이즈(The Noise): 경주 중에 발생하는 정적과 글리치(결함).
번역(The Translation): 컴퓨터가 "건초더미" 퍼즐을 자신의 특정 언어로 번역하기 위해 수행해야 하는 작업(이를 트랜스파일레이션/transpilation이라고 합니다).
지도(The Map): 컴퓨터의 물리적 배선 구조(토폴로지). 어떤 컴퓨터들은 큐비트들이 서로 직접 대화할 수 없어서 이웃한 큐비트를 통해 메시지를 전달해야 하며, 이는 속도를 늦춥니다.

점수 산정 방식

2,000번의 실행(이를 "샷/shots"이라고 함)을 거친 후, 시스템은 컴퓨터에 점수를 부여합니다. 단순히 바늘을 찾았느냐의 문제가 아니라, 어떻게 찾았느냐가 중요합니다.

정답을 찾았는가? (좋음!)
오답도 함께 찾았는가? (나쁨! 이것은 "누설/leakage"입니다.)
정답을 매번 찾았는가, 아니면 운이 좋을 때도 있고 나쁠 때도 있었는가? (나쁨! 이것은 "비균일성/non-uniformity"입니다.)

최종 점수는 이 모든 요소를 결합한 하나의 숫자입니다. 만약 컴퓨터에 노이즈가 많거나 번역 과정에서 막힌다면 점수는 떨어집니다. 만약 깨끗하고 효율적이라면 점수는 높게 유지됩니다.

큰 실험: 실제 상황 시뮬레이션

팀은 단순히 추측만 한 것이 아닙니다. 그들은 Qonscious라는 프레임워크를 사용하여 이 테스트를 실행했습니다. 이것은 마치 유니버설 리모컨처럼, 코드를 변경하지 않고도 어떤 브랜드의 양자 컴퓨터에서도 동일한 경주를 실행할 수 있게 해줍니다.

그들은 9개의 서로 다른 제공업체(단, 상세 결과는 IBM과 IonQ의 실제 하드웨어 기반 시뮬레이터에 집중함)를 대상으로 이 테스트를 수행했습니다. 그들은 두 가지 크기의 "건초더미"에 대해 테스트를 진행했습니다:

8개의 아이템이 있는 작은 건초더미 (3개의 큐비트 사용).
32개의 아이템이 있는 더 큰 건초더미 (5개의 큐비트 사용).

그들이 발견한 사실은 다음과 같습니다:

이상적인 시뮬레이터: 노이즈가 없는 완벽한 컴퓨터 시뮬레이션에서 테스트를 실행했을 때, 점수는 거의 완벽했습니다 (작은 건초더미의 경우 약 0.960, 큰 건초더미의 경우 0.999). 이는 결함이 없을 때 테스트가 예상대로 작동함을 보여줍니다.
IBM 모델: 실제 IBM 프로세서에서 유도된 노이즈 모델로 테스트를 실행했을 때, 점수는 크게 떨어졌습니다. 32개 아이템 건초더미의 경우, IBM 모델은 약 0.040의 점수로 붕괴되었습니다. 이는 사실상 무작위로 찍는 것과 같습니다! 논문은 IBM 컴퓨터들이 멀리 떨어진 큐비트들을 연결하기 위해 추가적인 작업을 수행해야 했고, 이로 인해 오류의 "교통 체증"이 발생했기 때문이라고 설명합니다.
IonQ 모델: IonQ Aria 1 모델은 훨씬 더 나은 성과를 보였습니다. 높은 점수를 유지했으며 IBM 모델처럼 붕괴되지 않았습니다. 이는 이 특정 유형의 퍼즐에 대해 IonQ의 아키텍처가 노이즈에 더 탄력적임을 시사합니다.

이것이 의미하는 바 (그리고 의미하지 않는 것)

이 논문은 이것이 모든 양자 문제를 해결하는 마법의 지팡이가 아님을 분명히 합니다. 저자들은 현재의 노이즈가 있는 하드웨어에서 그로버 알고리즘이 실제 작업에 유용할 수 없다는 점을 인정하며, 그로버 알고리즘이 현재 실세계 검색 문제를 해결하는 가장 좋은 방법이라고 증명하려는 것이 아님을 명시적으로 밝힙니다.

대신, 그들은 그로버 알고리즘을 순수하게 하드웨어를 측정하기 위한 도구로 사용하고 있습니다. 이것은 자동차의 충돌 테스트 더미를 사용하는 것이 승객의 안전을 보기 위해서가 아니라, 충돌 시 자동차의 프레임이 어떻게 견디는지 보기 위함과 같습니다.

결과는 실제 클라우드 상의 물리적 양자 컴퓨터에서 직접 실행한 것이 아니라, 실제 하드웨어에서 유도된 노이즈 모델을 사용한 시뮬레이션 결과입니다 (비록 저자들이 실제 기기에서 테스트하는 것이 "자연스러운 다음 단계"라고 언급했지만 말입니다).

요약

주요 결론은 이 새로운 "GroverFigureOfMerit" 점수가 양자 컴퓨터가 서로 완전히 다른 방식으로 구축되었음에도 불구하고, 그 차이를 성공적으로 구별해 낼 수 있다는 것입니다. 이 점수는 노이즈, 번역 오류, 물리적 레이아웃이라는 복잡한 현실을 하나의 비교 가능한 숫자로 포착합니다.

이 논문은 이 접근 방식이 개발자들이 혼란스러운 사양표를 보고 추측하는 것을 멈추고, 자신의 특정 필요에 맞는 양자 컴퓨터를 현명하게 선택할 수 있도록 도와준다고 제안합니다. 그러나 저자들은 "번역(transpilation)" 단계가 현재 매우 큰 병목 현상이며, 성능을 저해할 만큼 많은 추가 작업을 요구한다고 경고합니다. 그들은 향후 더 똑똑한 소프트웨어가 이를 해결하여 모두에게 공정한 "경주"가 되기를 희망합니다.

요약하자면, 이 논문은 특정하고 까다로운 퍼즐을 실행하게 함으로써 양자 컴퓨터를 평가하는 새롭고 공정한 방법을 제안하며, 초기 시뮬레이션 결과는 이 테스트가 어떤 기계가 실제로 리그에 참여할 준비가 되었고 어떤 기계가 아직 신발 끈에 걸려 넘어지고 있는지를 포착할 수 있음을 보여줍니다.

기술 요약: 양자 백엔드 특성화를 위한 GroverFigureOfMerit

문제 정의

NISQ(Noisy Intermediate-Scale Quantum) 시대는 적절한 양자 하드웨어를 선택하려는 개발자들에게 중대한 과제를 안겨줍니다. 현재의 양자 하드웨어 제공업체들은 이질적인 인터페이스와 고유한 지표(예: 결맞음 시간 $T_1/T_2$ , 게이트 오류율)를 통해 역량을 노출하며, 이는 다양한 아키텍처(초전도체, 트랩 이온, 광자 등)에 걸쳐 매우 다양하게 나타납니다. 이러한 정적 지표는 다음과 같은 세 가지 주요 한계를 가집니다:

제한된 예측력: 고수준 회로가 네이티브 게이트로 분해되는 과정에서 발생하는 트랜스파일링(transpilation)의 영향을 반영하지 못합니다. 이 과정에서 논리적 깊이보다 물리적 깊이가 훨씬 더 커지는 경우가 빈득합니다.
맥락적 관련성 부족: 정적 지표는 알고리즘의 구체적인 동작을 포착하지 못하며, 게이트 상호작용, 유휴 시간(idle time), 토폴로지가 최종 결과에 미치는 영향을 무시합니다.
시간적 가변성: 하드웨어 특성은 환경적 요인으로 인해 변동되므로, 정적인 스냅샷은 빠르게 유효성을 잃습니다.

결과적으로, 노이즈, 트랜스파일링 및 토폴로지 제약의 결합된 효과를 포착함으로써 양자 백엔드의 총체적인 성능을 평가할 수 있는 백엔드 불가지론적(backend-agnostic) 지표(Figure of Merit, FoM)가 필요합니다.

방법론

저자들은 그로버 탐색 알고리즘(Grover's search algorithm)에 기반한 알고리즘 스트레스 테스트인 GroverFigureOfMerit를 제안합니다. 이 방법론은 자원 인식형 조건부 실행을 위해 설계된 오픈 소스 플랫폼인 Qonscious 프레임워크를 사용하여 구현되었습니다.

1. 구현 플랫폼 (Qonscious):
이 프레임워크는 **다형성 어댑터(Polymorphic Adapters, BackendAdapters)**를 활용하여 다양한 SDK 및 API(예: IBM, IonQ) 간의 차이를 추상화합니다. 이를 통해 동일한 논리 회로를 FoM 코드를 수정하지 않고도 지원되는 모든 백엔드에서 트랜스파일링하고 실행할 수 있습니다. 실행 흐름은 조건부로 이루어지며, 이를 통해 FoM 결과가 런타임 최적화를 위한 결정 함수로 전달될 수 있습니다.

2. 지표 설계:
GroverFigureOfMerit는 GRADE 방식(Manor et al., 2025)의 스코어링 함수를 Qonscious 아키텍처에 맞게 조정했습니다. 이 지표는 타겟 상태의 확률을 이차적으로 증폭시키는 그로버 알고리즘의 성능을 평가합니다. 점수는 $S=2000$ 샷(shots) 후에 계산되며 다음을 포함합니다:

타겟에 대한 누적 상대 빈도 ( $P_T$ ): 표시된 상태들의 확률 합계.
비타겟에 대한 확률 ( $P_N$ ): 표시되지 않은 상태로 누출된 확률 질량.
타겟 간 표준 편차 ( $\sigma_T$ ): 하나의 타겟이 다른 타겟보다 현저히 더 크게 증폭되는 결맞은 오류(coherent errors)를 징벌하기 위한 균일도 측정치.

최종 점수는 다음과 같이 정의됩니다:
$\text{Score} = \max(0, P_T - \lambda \cdot \sigma_T - \mu \cdot P_N)$
여기서 $\lambda$ 와 $\mu$ 는 균일성 결여와 확률 누출을 각각 징벌하는 균형 계수(통상적으로 1로 설정)입니다. 만약 누출 페널티가 타겟 확률을 초과하면 점수는 0이 됩니다.

3. 실험 설정:
실시간 클라우드 QPU 가용성에 의존하지 않고 이 지표를 검증하기 위해, 저자들은 실제 프로세서에서 유도된 노이즈 모델을 활용했습니다:

IBM Fake Providers: 특정 IBM 프로세서의 토폴로지와 오류 프로파일을 보존하는 모델.
IonQ Aria 1 Model: IonQ Aria 1 아키텍처를 위한 노이즈 모델.
이상적인 시뮬레이터(Ideal Simulators): 기준 비교를 위한 AerSimulator 및 IonQ Simulator.

실험은 회로 깊이와 노이즈 축적에 대한 민감도를 테스트하기 위해 탐색 공간 크기( $N$ )와 타겟 상태의 수( $M$ )를 변화시키며 진행되었습니다.

주요 결과

실험 결과, GroverFigureOfMerit는 노이즈, 토폴로지 및 트랜스파일링 오버헤드에 민감하게 반응함을 입증했습니다:

소규모 규모 ( $N=8, n=3$ ): 이상적인 시뮬레이터는 최적의 반복 횟수( $M=2$ )에서 1.0의 완벽한 점수를 달랐습니다. 노이즈가 있는 모델(IBM Fake Providers)은 저하된 점수(0.495에서 0.792 사이)를 보였습니다. 알고리즘 한계점( $M=4$ )에서 모든 노이즈가 있는 하드웨어 점수는 고전적인 무작위 추측을 반영하며 0.5로 붕괴되었습니다.
중규모 규모 ( $N=32, n=5$ ): 더욱 심각한 저하가 관찰되었습니다. 이상적인 시뮬레이터는 높은 충실도를 유지한 반면, IBM 모델은 결맞음(decoherence)으로 인해 점수가 완전히 붕괴되어 고전적 무작위 추측 확률( $\approx 0.25$ ) 수준으로 떨어졌습니다. 반면, IonQ Aria 1 모델은 우수한 회복력을 보여주며 무작위 한계보다 상당히 높은 점수를 유지했습니다.
확장성 ( $N=8$ ~ $N=128$ ): 탐색 공간이 확장됨에 따라 IBM 프로세서는 급격한 점수 하락을 보였습니다 (예: $N=32$ 에서 $\approx 0.040$ 으로 붕괴). 이러한 저하는 단순한 정적 게이트 오류뿐만 아니라, 멀리 떨어진 큐비트를 연결하기 위해 다중 제어 게이트(mcx)를 분해할 때 발생하는 토폴로지 비용 때문이며, 이는 회로 깊이를 급격히 증가시켰습니다.

의의 및 주장

본 논문은 GroverFigureOfMerit가 물리적으로 서로 다른 하드웨어 아키텍처 간에 통합되고 비교 가능한 점수를 제공한다고 주장합니다. 이 연구의 주요 의의는 다음과 같습니다:

불가지론적 특성화: 이질적인 백엔드 간의 직접적인 비교를 가능하게 하며, 독점적인 API 호출과 고유한 게이트 세트를 추상화합니다.
총체적 평가: 정적 지표와 달리, 트랜스파일링, 노이즈 및 토폴로지 제약의 누적 효과를 포함한 엔드 투 엔드(end-to-end) 성능을 포착합니다.
자원 최적화: Qonscious와 통합됨으로써, 실행을 조건부로 트리거하거나 취소할 수 있어 클라우드 양자 컴퓨팅 환경에서 비용을 절감할 수 있습니다.

저자들은 그로버 알고리즘의 선택이 현재의 노이즈가 있는 하드웨어에서 알고리즘적 우위를 입증하기 위함이 아니라, 라우팅 능력과 결맞음을 평가하기 위한 "스트레스 테스트"로서의 유용성에 근거한 것임을 명시했습니다. 또한, 노이즈 모델이 완전히 재현하지 못할 수 있는 크로스토크(crosstalk) 및 열적 변동과 같은 동적 현상을 포착하기 위해 실제 물리적 프로세서에서의 검증이 다음 단계의 필수 과제임을 밝히고 있습니다. 나아가, 저자들은 복잡한 게이트 분해를 제공자별 컴파일러에 위임할 때 발생하는 높은 트랜스파일링 비용이라는 생태계의 병목 현상을 강조하며, 토폴로지 오버헤드를 완화하기 위한 더 스마트한 추상화 또는 중간 표현(intermediate representation)의 필요성을 제안했습니다.