⚛️ quantum physics

OmniQEC: discovering practical quantum error-correcting codes by an AI scientist

OmniQEC는 대규모 언어 모델과 시너지 효과를 내는 slow-fast 탐색 워크플로우를 활용하여 코드 구조, 증후 추출(syndrome extraction), 디코딩을 공동 설계함으로써 기존 벤치마크를 능가하는 실용적이고 하드웨어 친화적인 양자 오류 정정 코드를 발견하는 AI 과학자 프레임워크입니다.

원저자: Ge Yan, Shanchuan Li, Pengyue Ma, Qixin Zhang, Pingchuan Ma, Jianping Wang, Min-Hsiu Hsieh, Yuxuan Du

게시일 2026-07-29

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Ge Yan, Shanchuan Li, Pengyue Ma, Qixin Zhang, Pingchuan Ma, Jianping Wang, Min-Hsiu Hsieh, Yuxuan Du

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 양자 세계의 기묘하고 흔들리는 규칙에 따라 생각하는 초강력 컴퓨터를 만들려고 한다고 상상해 보십시오. 문제는 이 양자 비트(큐비트)들이 믿을 수 없을 정도로 취약하다는 점입니다. 아주 작은 열기나 떠도는 자기장조차도 그들이 무엇을 하고 있었는지 잊게 만들어, 찬란한 계산을 엉터리로 바꿀 수 있습니다. 이를 해결하기 위해 과학자들은 **양자 오류 정정(Quantum Error Correction, QEC)**이라는 기술을 사용합니다. 이것은 마치 비밀 메시지를 보호하는 탐정 팀과 같습니다. 메시지를 찢어질 수 있는 종이 한 장에 쓰는 대신, 메시지를 여러 명의 팀원에게 나누어 쓰는 것과 같습니다. 만약 한 사람이 주의가 산만해지거나 실수를 하더라도, 다른 사람들이 원래 전달하려던 메시지가 무엇이었는지 알아내어 바로잡을 수 있습니다.

하지만 이 "탐정 팀"을 설계하는 것은 악몽과 같습니다. 그들이 어떻게 서 있고, 대화하며, 서로를 확인하는지에 대한 규칙은 당신이 사용하는 특정 하드웨어, 대화를 엿들을 수 있는 도구, 그리고 메시지를 해독하는 수학적 방법론에 따라 달라집니다. 만약 당신이 종이 위에서는 완벽해 보이지만 실제 배치할 공간에는 맞지 않는 팀을 설계한다면, 전체 시스템은 실패하게 됩니다. 오랫동안 과학자들은 수동으로 완벽한 팀 구조를 찾으려 노력해 왔지만, 가능성의 수가 너무 방대하여 마치 사막에서 특정한 모래알 하나를 찾는 것처럼 느껴졌습니다. 바로 여기서, 단순히 추측만 하는 것이 아니라 실제 컴퓨터를 구축하는 메마른 현실로부터 학습하는 새로운 종류의 조력자가 등장합니다.

OmniQEC를 만나보세요: 양자 안전의 AI 설계자

양자 세계의 최적의 오류 정정 코드를 발견하기 위해 설계된 새로운 "AI 과학자", OmniQEC를 소개합니다. OmniQEC는 단순히 화이트보드 위의 수학을 보는 것이 아니라, 양자 안전 팀을 구축하고, 테스트하고, 정제하는 데 끊임없이 스스로를 개선하는 숙련된 설계자처럼 행동합니다.

이 논문은 OmniQEC를 "생성, 테스트, 개선"이라는 게임의 형태로 코드를 발견하는 시스템으로 소개합니다. 이 시스템의 핵심에는 2단계 워크플로를 조정하는 "지휘자"(고급 대규모 언어 모델)가 있습니다. 완벽한 수프를 만들려는 요리사를 상상해 보십시오.

빠른 루프(The Fast Loop): 맛보기 주방
먼저, AI는 "빠른 루프"를 실행합니다. 이것은 빠른 맛보기 테스트와 같습니다. AI는 수천 개의 잠재적인 레시피(코드 구조)를 생성하고 간단하고 저렴한 지름길을 사용하여 이를 검사합니다. AI는 "이 레시피에 적절한 재료의 수가 들어있는가?" 또는 "수학적으로 균형이 잡혀 있는가?"와 같은 질문을 던집니다. 이러한 검사는 단 몇 초 만에 끝납니다. 만약 어떤 레시피가 이러한 빠른 검사를 바탕으로 유망해 보인다면, 다음 라운드로 가는 티켓을 얻게 됩니다. 이를 통해 AI는 복잡한 과정에 빠지지 않고도 방대한 라이브러리를 빠르게 스캔할 수 있습니다.

느린 루프(The Slow Loop): 전체 시뮬레이션
그다음은 "느린 루프"가 등장하며, 이것이 진짜 실전입니다. 여기서 AI는 빠른 루프에서 선별된 최고의 후보들을 가져와 상세한 시뮬레이션 속에서 구현합니다. AI는 오류를 감지하는 데 사용되는 복잡한 기계 장치인 실제 "증후 추출 회로(syndrome extraction circuits)"를 구축하고, 이를 노이즈가 있고 불완전한 환경에서 실행하여 얼마나 자주 실패하는지 확인합니다. 이것은 수프를 요리하여 비평가들에게 대접하고, 실제 식당에서 정말 맛이 있는지 확인하는 과정과 같습니다. 이 단계는 후보 하나당 몇 분 또는 몇 시간이 걸릴 수 있으므로, AI는 매우 신중하게 선발된 후보만을 이 단계로 보냅니다.

피드백의 마법
OmniQEC의 진정한 천재성은 어떻게 학습하느냐에 있습니다. "느린 루프"(실제 세계의 시뮬레이션)의 결과가 AI 지휘자에게 다시 전달됩니다. 만약 어떤 레시피가 빠른 맛보기 테스트에서는 훌륭해 보였지만 실제 주방에서 실패했다면, AI는 왜 그랬는지를 배우고 미래의 추측을 조정합니다. AI는 스스로의 추론을 진화시키며, 매 사이클마다 더 똑똑해집니다. 이는 AI가 넓게 탐색하기 위해 저렴한 지름길을 사용하면서도, 진정으로 최선의 솔루션을 향해 나아가기 위해 값비싸고 정확한 테스트를 사용하는 "느리고 빠른 시너지 워크플로"를 만들어냅니다.

발견한 것: 기존의 챔피언들을 이기다

연구진은 네 가지 다른 양자 코드 계열과 세 가지 다른 AI "두뇌"(Claude, GPT, DeepSeek)를 대상으로 OmniQEC를 테스트했습니다. 연구진은 사용할 수 있는 물리적 큐비트(하드웨어 조각)의 예산을 소규모 설정부터 최대 288 큐비트에 이르는 대규모 설정까지 엄격하게 제한했습니다.

결과는 인상적이었습니다. OmniQEC는 자원이 추가될수록 오류 억제 능력이 일관되게 향상되는 코드를 발견했습니다. 하지만 가장 흥//미로운 발견은 이 새로운 코드들이 현재의 "골드 스탠다드"로 알려진 BB 코드(이변량 바이시클 코드)와 비교했을 때의 성과였습니다.

팀이 OmniQEC에게 98개의 물리적 큐비트 예산을 주었을 때, AI는 72개의 물리적 큐비트를 필요로 하는 기존 BB 코드(구체적으로 [[72, 12, 6]] 코드)보다 뛰어난 성능을 보이는 코드를 발견했습니다.
더욱 놀랍게도, 예산이 240개의 물리적 큐비트로 늘어났을 때, Claude AI가 찾아낸 가장 강력한 코드는 거대한 BB 벤치마크 코드인 144개의 물리적 큐비트를 사용하는 [[144, 12, 12]] 코드를 능가했습니다.

이는 노이즈가 있는 회로에서 실제로 어떻게 작동하는지를 최적화함으로써(단순히 추상적인 수학 점수만을 보는 것이 아니라), OmniQEC가 정보를 보호하는 더 효율적인 방법을 찾을 수 있음을 시사합니다.

"충분히 좋은" 수학의 함정

이 논문의 가장 중요한 교훈 중 하나는 전통적인 지름길에 의존하는 것에 대한 경고입니다. 과학자들은 종 often $\Phi_{code} = kd^2/n$ 이라는 간단한 수학 점수를 사용하여 코드를 빠르게 순위 매깁니다. 이 논문은 이 점수가 오해를 불러일일 수 있음을 보여줍니다.

실험에서 OmniQEC는 유명한 BB 코드보다 수학 점수는 낮지만, 실제 시뮬레이션에서는 오히려 더 잘 작동하는 코드들을 발견했습니다. 이것은 객관식 연습 시험에서는 낮은 점수를 받았지만, 개념을 더 잘 이해했기 때문에 결국 기말고사에서 A를 받는 학생과 같습니다. 논문은 만약 당신이 빠른 수학 점수만을 최적화한다면, 진정으로 최선의 솔루션을 놓칠 수 있다고 주장합니다. 노이즈와 디코딩을 포함한 전체 그림을 보아야 합니다.

발견의 비용

연구진은 이 AI를 실행하는 데 드는 "가격표"도 확인했습니다. 그들은 AI를 사용하는 비용(AI가 처리하는 단어 단위인 "토큰"으로 측정됨)이 코드가 커진다고 해서 급격히 치솟지는 않는다는 것을 발견했습니다. 비용은 주로 어떤 AI 두뇌를 사용하느냐에 따라 결정되었습니다. 예를 들어, Claude 백엔드는 성능과 비용 사이에서 최적의 균형을 제공한 반면, DeepSeek는 가장 저렴했지만 약간 약한 코드를 찾아냈습니다. 이는 AI의 능력은 단순히 설계하는 코드의 크기보다는, 자신의 실수를 통해 추론하고 학습하는 능력에 달려 있음을 시사합니다.

이것이 왜 중요한가

논문은 결론적으로 OmniQEC가 양자 컴퓨터를 위한 "공동 설계(co-designing)"의 강력한 새로운 도구라고 밝힙니다. 코드를 설계한 다음, 기계를 만들고, 나서 그것들이 서로 맞지 않는다는 것을 깨닫는 방식이 아니라, OmniQEC는 기계와 함께 코드를 설계합니다. 이는 추상적인 수학과 하드웨어의 복잡한 현실 사이의 간극을 메워줍니다.

비록 이 결과는 실제 물리적 양자 컴퓨터가 아닌 시뮬레이션에 기반하고 있지만, 그 결과는 명확한 방향을 제시합니다. 코드 구조, 하드웨어 한계, 오류 디코딩 사이의 복잡한 트레이드오프를 탐색하기 위해 AI를 사용함으로써, 우리는 실제로 작동하는 결함 허용(fault-tolerant) 양자 컴퓨터를 구축하는 데 더 가까이 다가갈 수 있습니다. 이 논문은 이러한 접근 방식이 훨씬 더 많은 유형의 하드웨어와 코드 계열로 확장될 수 있으며, 이를 통해 전 세계 모두를 위한 양자 컴퓨팅의 잠재력을 완전히 끌어낼 수 있다고 제안합니다.

기술 요약: OmniQEC

문제 정의
양자 오류 정정(QEC)은 확장 가능한 결함 허용 양자 컴퓨팅의 핵심이지만, 현대 하드웨어에서 효과적으로 작동하는 코드를 발견하는 것은 매우 어려운 과제입니다. 전통적인 발견 패러다임은 "코드 중심(code-centric)"으로, 대수적 성질(예: $[[n, k, d]]$ 파라미터)이나 저렴한 대리 지표인 $\Phi_{code} = kd^2/n$ 에 의존합니다. 이러한 접근 방식은 하드웨어 연결성 제약, 신드롬 추출 오버헤드, 디코더 효율성과 같은 실제적인 성능 결정 요인을 포착하지 못하는 경우가 많습니다. 결과적으로, 대수적 수준에서는 최적으로 보이는 코드들이 실제 물리 회로로 구현되었을 때 낮은 논리적 오류율(LER)을 기록하지 못하는 현상이 발생합니다. 핵심 과제는 막대한 계산 비용을 들이지 않으면서 코드 생성과 회로 수준의 성능 평가 사이의 간극을 메우는 것입니다.

방법론: OmniQEC 프레임워크
저자들은 실제 회로 수준의 논리적 오류율을 직접 최적화하여 실용적인 QEC 코드를 발견하도록 설계된 AI 과학자인 OmniQEC를 소개합니다. 이 시스템은 대규모 언어 모델(LLM)에 의해 조율되는 자가 진화형 이중 루프 워크플로를 채택합니다:

오케스트레이터(Orchestrator): LLM 기반 에이전트로서 사용자 정의 목표(예: 대상 코드 제품군, 큐비트 예산, 연결성)를 해석하고 발견 메모리를 관리합니다. 이는 코드 구성 프로그램을 생성하고 두 루프 간의 정보를 라우팅하는 역할을 수행합니다.
Fast Loop (코드 수준 스크리닝): 생성형 탐색 에이전트가 다양한 qLDPC 제품군(Bivariate-Bicycle, Trivariate-Bicycle, Lifted-Product, Generalized Lifted-Product)에 대한 실행 가능한 구성 프로그램을 제안합니다. 이 후보들은 코드 수준의 속성(유효성, 논리 큐비트 $k$ , 거리 $d$ , $\Phi_{code}$ )을 사용하여 빠르게 스크리닝됩니다. 이 루프를 통해 저렴한 대리 지표를 사용하여 방대한 후보군을 탐색할 수 있습니다.
Slow Loop (회로 수준 평가): Fast Loop에서 선별된 유망한 후보들은 특정 하드웨어 제약(네이티브 게이트, 연결성)을 반영한 신드롬 추출 회로로 컴파일되는 회로 합성 모듈로 전달됩니다. 이후 회로 평가 모듈은 노이즈 샘플링과 설정 가능한 디코더(예: BP+OSD, BP+LSD, Relay-BP)를 사용하여 논리적 오류율을 추정합니다.
피드백 메커니즘: 회로 수준의 증거(LER)와 관련 추론 궤적이 오케스트레이터로 피드백됩니다. 이를 통해 시스템은 탐색 전략을 정교화하며, 우수한 물리적 성능을 내는 설계 영역을 우선시하도록 후보 생성 과정을 반복적으로 진화시킵니다.

주요 기여

패러다임 전환: OmniQEC는 QEC 발견의 중심을 대수적 대리 지표 최적화에서 구현 수준의 논리적 오류율 직접 최적화로 이동시킵니다.
이중 루프 아키텍처: 이 시스템은 저렴한 대리 지표 기반의 빠른 탐색과 물리적 근거를 가진 느린 검증 루프를 결합함으로써, 방대한 탐색 공간과 높은 물리적 평가 비용 사이의 문제를 해결합니다.
자가 진화형 추론: LLM 오케스트레이터는 과거 반복의 메모리를 활용하여 구성 제안을 반복적으로 개선하며, 회로 수준의 실패와 성공으로부터 효과적으로 학습합니다.
하드웨어 인지형 공동 설계(Co-Design): 본 프레임워크는 코드 생성, 신드롬 추출 합성, 디코더 선택을 단일 프로세스로 통합하여 발견된 코드가 특정 하드웨어 제약과 호환되도록 보장합니다.

실험 결과
저자들은 네 가지 qLDPC 구성 제품군, 세 가지 LLM 백엔드(Claude, GPT, DeepSeek), 14개의 물리 큐비트 예산( $N$ )에 대해 OmniQEC를 평가했습니다.

성능 스케일링: 발견된 코드들은 명확한 자원-성능 경계면을 보여주며, 물리 큐비트 예산이 증가함에 따라 논리적 오류 억제 능력이 향м상됩니다.
벤치마킹: 시스템은 표준 Bivariate-Bicycle (BB) 벤치마크를 능가하는 코드를 발견했습니다. 구체적으로, $N=98$ 물리 큐비트로 발견된 코드는 BB $[[72, 12, 6]]$ 코드를 능가했으며, Claude 백엔드에서 $N=240$ 일 때 얻은 가장 강력한 결과는 BB $[[144, 12, 12]]$ 코드를 능가했습니다.
대리 지표 불일치: 연구 결과, 코드 수준의 대리 지표와 회로 수준의 성능 사이에 상당한 불일치가 있음이 드러났습니다. 더 낮은 $\Phi_{code}$ 점수를 가진 많은 발견된 코드들이 높은 점수의 참조 코드보다 우수한 LER을 달 기록했는데, 이는 회로 수준 최적화의 필요성을 입증합니다.
강건성: 발견된 코드의 성능 우위는 탐색 시 사용된 특정 오류율뿐만 아니라, 다양한 물리적 오류율 범위( $p \in [0.002, 0.01]$ )에서도 지속되었습니다.
절제 연구(Ablation Studies): Slow-loop 피드백(코드 수준 랭킹에만 의존)을 제거하거나 모든 피드백을 제거했을 때 성능이 크게 저하되고 변동성이 증가하였으며, 이는 이중 루프 시너지의 결정적인 역할을 확인시켜 줍니다.

의의 및 주장
본 논문은 OmniQEC가 자원 효율적인 프로세서 수준 구현을 허용하는 qLDPC 코드를 발견하기 위한 물리적으로 근거 있는 프레임워크를 구축한다고 주장합니다. AI 기반의 회로 수준 공동 설계가 전통적인 전문가 주도의 대수적 최적화를 능가할 수 있음을 입증함으로써, 본 연구는 더 실용적인 결함 허용 양자 컴퓨팅 아키텍처를 위한 길을 열어줍니다. 저자들은 OmniQEC를 최종적인 해결책이 아닌, 자율적인 QEC 발견을 향한 확장 가능한 경로로 규정하며, 더 효율적인 과학적 도구의 통합, 엔드 투 엔드 공동 설계를 위한 멀티 에이전트 시스템으로의 확장, 특정 하드웨어 캘리브레이션 데이터로의 적응 등 미래 방향을 제시합니다. 연구 결과는 "코드 중심" 패러다임이 초기 결함 허용 프로세서 시대에는 불충분하며, 물리적 성능의 직접적인 최적화가 필수적임을 시사합니다.

OmniQEC를 만나보세요: 양자 안전의 AI 설계자

발견한 것: 기존의 챔피언들을 이기다

"충분히 좋은" 수학의 함정

발견의 비용

이것이 왜 중요한가

유사한 논문