⚛️ quantum physics

Hardware-Efficient Error Mitigation and Shot-Efficient Sampling on IBM Quantum Hardware

이 논문은 제한된 실행 예산 하에서 IBM 퀀텀 하드웨어 상의 오차 완화 기술과 유한 샷 샘플링 사이의 트레이드오프를 실험적으로 평가하며, 완화 전략이 추정 정확도를 향상시키는 시점과 샘플링 변동이 그 이점을 상쇄하는 시점에 대한 하드웨어 인지적 특성을 제공한다.

원저자: Sumit Chongder (Indian Institute of Technology Jodhpur)

게시일 2026-08-31

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Sumit Chongder (Indian Institute of Technology Jodhpur)

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

서버실의 고요한 웅성거림 속에서, 새로운 종류의 컴퓨터가 생각하는 법을 배우고 있습니다. 심우주보다 더 차가운 온도로 냉각된 초전도 회로로 만들어진 이 기계들은 오늘날의 슈퍼컴퓨터가 해결하는 데 수천 년이 걸릴 문제들을 해결할 것을 약속합니다. 하지만 함정이 있습니다. 이 양자 컴퓨터들은 믿기 힘들 정도로 취약합니다. 아주 미세한 진동이나 열조차 계산을 잘못되게 만들 수 있습니다. 우리가 아직 이러한 오류로부터 완전히 자유로운 기계를 만들 수 없기 때문에, 과학자들은 '오류 완화(error mitigation)'라고 불리는 일련의 기술들을 개발했습니다. 이 기술들은 기계의 고장 난 부분을 직접 고치는 것이 아니라, 동일한 계산을 여러 번 수행하고 그 실수들 사이에서 패턴을 찾아냄으로써 정답이 무엇이었어야 했는지를 추측하려고 시도하는 것입니다. 이러한 노이즈 섞인 결과들을 결합함으로써, 정적(static) 속에서 명확한 신호를 추출해 낼 수 있다는 것이 희망입니다.

하지만 이러한 기술에는 숨겨진 비용이 따릅니다. 더 나은 추측을 얻기 위해서 컴퓨터는 계산을 더 많이 수행해야 하며, 이는 '샷(shots)'이라고 불리는 제한된 자원을 소모하게 합니다. 샷이란 단순히 기계에 결과를 측정하도록 요청하는 횟수를 의미합니다. 만약 오류를 수정하기 위해 너무 많은 샷을 소비한다면, 단지 계산을 몇 번 실행하고 노이즈를 받아들였을 때보다 오히려 덜 정확한 결과를 얻게 될 수도 있습니다. 오류를 수정하는 것과 시도 횟수가 바닥나는 것 사이의 이러한 긴장은 연구자들이 해결하고자 하는 핵심적인 퍼즐입니다. 그들은 이러한 교정 방법들이 언제 도움이 되고, 언제 실제로 상황을 악화시키는지, 특히 오늘날 사용 가능한 실제 기계들에서 그러한지를 정확히 알아야 합니다.

인도 공과대학교 조드푸르(IIT Jodhpur)의 한 연구자는 실제 작동하는 양자 컴퓨터를 사용하여 이 균형을 테스트하기로 했습니다. 그들은 현재 기술의 최첨단을 상징하는 IBM의 강력한 156-큐비트 프로세서를 사용했습니다. 그들의 목표는 단순히 오류 수정이 작동하는지 확인하는 것이 아니라, 총 시도 횟수를 고정함으로써 이를 공정하게 측정하는 것이었습니다. 움직이는 물체의 사진을 찍기 위해 정해진 시간이 있다고 상상해 보십시오. 당신은 한 번의 긴 노출로 사진을 찍어 흐릿하게 만들 수도 있고, 여러 번의 빠른 스냅샷을 찍어 결합할 수도 있습니다. 연구자는 총 가용 시간이 두 방법 모두 동일할 때, 여러 번의 스냅샷을 찍고 특정 수학적 레시피로 결합하는 것이 단 한 번의 긴 촬영을 하는 것보다 실제로 더 선명한 사진을 제공하는지 알고 싶었습니다.

연구자는 서로 다른 유형의 회로(컴퓨터에 주어지는 명령어들)를 사용하여 일련의 실험을 설계했습니다. 그들은 단순한 큐비트 체인, 반복되는 연산 패턴, 그리고 최적화 문제를 위해 사용되는 특정 유형의 계산을 테스트했습니다. 그들은 가공되지 않은(raw) 결과와 여러 가지 교정 전략을 비교했습니다. 한 전략은 기계가 최종 답을 읽을 때 발생하는 오류를 교정하는 것이었습니다. 또 다른 방식은 인위적인 노이즈를 다양한 수준으로 가하여 계산을 실행한 뒤, 노이즈가 전혀 없을 때의 결과가 무엇일지 수학적으로 추측하는 것이었습니다. 또한 그들은 특정 부분이 얼마나 노이즈가 심한지에 따라 각 계산 부분의 실행 횟수를 결정하려는 스마트하고 적응적인 방법을 테스트했습니다.

결과는 놀랍고도 미묘했습니다. 연구자는 스마트한 방법이 자동으로 승리하지 않는다는 것을 발견했습니다. 실제로, 스마트한 방법과 모든 계산 부분을 동일한 횟수로 실행하는 단순하고 균일한 방법을 비교했을 때, 스마트한 방법은 6가지 서로 다른 시나리오 중 단 2가지 상황에서만 더 우수한 성능을 보였습니다. 나머지 4가지 시나리오에서는 단순하고 균일한 접근 방식이 실제로 더 정확했습니다. 이는 계산의 횟수를 조정하기 위해 끊임없이 노력하는 복잡한 전략이 반드시 개선을 보장하는 것은 아님을 시사합니다. 때로는 어디에 샷을 쓸지 '똑똑하게' 결정하려는 추가적인 노력이 오히려 더 나쁜 최종 답변을 초래하기도 했습니다.

또 다른 주요 발견은 교정 방법들이 과학자들이 기대했던 방식으로 편향(bias), 즉 계통 오차를 항상 해결하지는 못했다는 점입니다. 상향 및 하향 상태의 패턴을 포함하는 특정 유형의 계산에 대해, 노이즈를 제거하기 위해 설계된 방식이 오히려 오류를 이전보다 더 크게 만들었습니다. 연구자는 컴퓨터가 가능한 값의 경계에 매우 근접한 값을 측정하도록 요청받았을 때, 노이즈를 제거하기 위해 사용된 수학적 트릭이 때때로 과하게 계산(overshoot)하여 답을 진실로부터 더 멀리 밀어내는 것을 관찰했습니다. 이는 해당 방법이 널리 사용되고 신뢰받고 있음에도 불구하고 발생한 일이었습니다. 이는 이러한 도구들이 모든 상황에서 작동하는 마법 지팡이가 아니며, 때로는 오래된 문제를 해결하려다 새로운 문제를 일으킬 수도 있음을 보여주었습니다.

이 연구는 컴퓨터 자체의 물리적 배치(layout)의 중요성도 강조했습니다. 연구자는 칩 위의 어떤 배선(wire)을 사용할지를 선택하는 것만으로도 큰 차이가 생긴다는 것을 발견했습니다. 오류가 적은 것으로 알려진 배선 쌍을 사용했을 때의 결과는, 동일한 칩 내의 오류가 높은 배선 쌍을 사용했을 때보다 현저히 좋았습니다. 이 두 배선 쌍 사이의 품질 차이는 계산에 몇 개의 레이어를 추가했을 때 발생하는 차이와 맞먹을 정도로 컸습니다. 이는 소프트웨어로 오류를 수정하기 전에, 코드를 실행할 기계의 가장 좋은 물리적 부품을 신중하게 선택하는 것이 똑같이 중요할 수 있음을 의미합니다.

궁극적으로, 연구자는서 에러 완화를 언제 사용해야 하는지에 대한 단 하나의 보편적인 규칙은 없다고 결론지었습니다. 결정은 전적으로 특정 기계, 실행되는 특정 계산, 그리고 가용한 시도 횟수에 달려 있습니다. 그들이 테스트한 IBM 프로세서에서, 테스트된 적응형 샷 할당 전략은 단순하고 균일한 접근 방식보다 우월하지 않았습니다. 많은 경우, 표준적인 오류 교정 방법들은 결과를 줄이기보다는 불확실성을 증가시켰습니다. 연구자는 다른 이들이 자신의 실험을 재현할 수 있도록 모든 데이터, 코드, 그리고 사용한 정확한 명령어를 공개했습니다. 그들의 연구는 현재의 노이즈가 많은 양자 컴퓨팅 세계에서, 가장 정교한 솔루션이 항상 최선은 아니며, 이러한 강력하지만 비용이 많이 드는 수정 사항들을 적용하기 전에는 신중하고 정직한 테스트가 필요하다는 점을 상기시켜 줍니다.

기술 요약: IBM 양자 하드웨어에서의 샷 효율적 오류 완화(Shot-Efficient Error Mitigation)

문제 정의
Zero-Noise Extrapolation (ZNE) 및 판독 오류 교정(readout-error correction)과 같은 양자 오류 완화(QEM) 기법은 노이즈가 있는 중간 규모 양자(NISQ) 하드웨어에서 기대값 정확도를 향상시키기 위한 표준적인 도구들이다. 그러나 이러한 방법들은 비용이 전혀 들지 않는 것이 아니다. 이들은 일반적으로 통계적 분산(statistical variance)을 증가시키는 대가로 체계적 편향(systematic bias)을 줄인다. 고정된 측정 샷 예산(fixed measurement-shot budget) 하에서, 이러한 트레이드오프는 완화 기법이 개선을 이루지 못하거나, 심지어 원시 추정(raw estimation)보다 오히려 총 평균 제곱 오차(MSE)를 악화시킬 수 있는 "도움-해악(help-harm)" 경계를 생성한다.

기존의 벤치마크 연구들은 종종 샘플링 비용의 증가를 고려하지 않은 채 정확도 개선만을 보고하며, 이로 인해 샷 예산이 제한된 상황에서 완화 기법이 실질적으로 가치가 있는지 판단하기 어렵게 만든다. 또한, 분산을 최적화하기 위해 적응형 샷 할당 전략(예: Neyman 할당)이 제안되기도 했으나, 고정된 예산 하에서 실제 물리적 하드웨어 상에서의 경험적 성능, 특히 이들이 단순 균등 할당(uniform allocation)보다 우수한 성능을 보이는지에 대한 연구는 여전히 미진한 상태이다.

방법론
저자는 총 측정 샷 수를 고정된 실험 변수로 취급하는 하드웨어 검증 벤치마킹 프로토콜을 제시한다. 본 연구는 Qiskit Runtime V2 프리미티브를 사용하여 156 큐비트 IBM Quantum Heron 프로세서(ibm_marrakesh)에서 수행되었다.

주요 방법론적 구성 요소는 다음과 같다:

편향-분산 분해(Bias-Variance Decomposition): 단순히 원시 정확도를 보고하는 대신, 본 연구는 MSE를 편향과 분산 성분으로 분해하여 완화 전략을 평가한다.
하드웨어 특성화: 저자는 특정 캘리브레이션 스냅샷을 활용하여 저오류 큐비트 체인과 의도적으로 높은 오류를 가진 커플링 에지를 선택함으로써 연결성 효과를 연구하였다.
회로 패밀리: 세 가지 유형의 회로가 테스트되었다:
- GHZ 상태 (2, 4, 6 큐비트): 다중 큐비트 상관관계 붕괴를 조사하기 위함.
- 반복 레이어 회로 ( $L \in \{1, 2, 4, 8\}$ ): 깊이 스케일링 및 2-큐비트 게이트 수를 분석하기 위함.
- 4-노드 링 그래프 상의 QAOA MaxCut: 애플리케이션 관련 벤치마크로서 사용.
비교 대상 완화 전략:
- M0: 원시 추정(Raw estimation).
- M1: 판독 완화(Readout-mitigated, 혼동 행렬 교정).
- M2: 균등 ZNE (Unitary folding 및 노이즈 인자 $\lambda \in \{1, 3, 5\}$ , 동일 샷 할당 적용).
- M3: 적응형 ZNE (ASB-ZNE): 소규모 파일럿 실행(인자당 100 샷)을 통해 인자별 분산을 추정하고, 나머지 예산을 Neyman 최적 규칙( $N_i \propto |w_i|\hat{\sigma}_i$ )에 따라 할당한다.
- M4: 동적 디커플링 (XY4 시퀀스, 유휴 시간 오류 억제용).
고정 예산 비교: 핵심 실험은 여섯 개의 매칭된 총 샷 예산( $B \in \{900, \dots, 21000\}$ )에 대해 Uniform ZNE와 ASB-ZNE를 비교하였으며, 이를 통해 두 실험군 간의 총 비용( $N_{shots} \times N_{circuits}$ )이 동일함을 보장하였다.

주요 결과

샷-노이즈 스케일링: 하드웨어 상의 경험적 분산은 중간 및 큰 샷 수에 대해 이론적인 $1/N$ 스케일링과 일치하였으며, 이를 통해 신뢰할 수 있는 통계적 하한선을 확립하였다.
연결성 효과: 큐비트 커플러의 선택은 회로 깊이를 여러 레이어 추가하는 것과 맞먹는 수준의 효과를 나타냈다. 저오류 커플러에서 측정된 2-큐비트 상관 함수 $\langle ZZ \rangle$ 는 $0.909 $였던 반면, 동일한 캘리브레이션 스냅샷 내의 고오류 커플러에서는$ 0.751$로 떨어졌다.
완화 및 편향:
- 판독 완화는 테스트된 관측량들에 대해 무시할 만한 수준의 편향 감소를 제공했다.
- 표준 ZNE는 편향에 민감한 패리티(parity) 관측량에 대해 원시 측정 대비 오히려 편향을 증가시켰는데, 이는 참값이 경계 근처에 있을 때 Richardson 외삽법에서 나타나는 알려진 불안정성과 일치한다.
- 동적 디커플링은 얕은 깊이에서는 약간의 개선을 보였으나, 2-큐비트 게이트 오류가 지배적인 깊은 회로에서는 효과가 없거나 오히려 해로울 수 있었다.
적응형 vs. 균등 할당:
- 적응형 ASB-ZNE 전략이 균등 할당보다 일관되게 우수한 성능을 보이지는 않았다.
- 여섯 번의 테스트된 예산 중, 적응형 할당이 MSE를 감소시킨 경우는 단 두 차례(비율 0.998 및 0.988)뿐이었다. 나머지 네 차례의 경우, MSE 비율이 1.47에서 5.96 사이로 나타나며 성능이 더 나빴다.
- 평균 MSE 비율 (Adaptive/Uniform)은 2.16이었다.
- 실패 원인: 연구는 이 원인을 해당 회로들의 오류가 분산 지배적(variance-dominated)이 아니라 **편향 지배적(bias-dominated)**이었기 때문이라고 분석했다. Neyman 할당은 분산을 최소화하지만, 외삽 모델 자체에서 발생하는 편향을 교정할 수는 없다. 일부 경우, 적응형 규칙이 더 큰 편향을 수반하는 높은 노이즈 인자(큰 $\lambda$ )에 더 많은 샷을 할당함으로써 전체 MSE를 증가시켰다.
QAOA 벤치마크: QAOA MaxCut 관측량에 대해, 원시 하드웨어 실행은 이상적인 에너지를 과대평가했다. 높은 노이즈 인자에서의 ZNE 측정값은 동일한 방향으로 더 멀리 이동했으나, $\lambda \to 0$ 으로의 외삽은 질적으로 이상적인 값을 향하고 있었다. 다만, 시간 제약으로 인해 QAOA에 대한 완전한 고정 예산 비교는 완료되지 않았다.

의의 및 주장
본 논문은 새로운 외삽 알고리즘이나 새로운 적응형 정책을 제안하는 것을 목표로 하지 않는다. 대신, 실제 하드웨어 상에서 엄격한 고정 샷 예산 하에 기존 아이디어들을 실험적으로 근거 있는 방식으로 평가하는 데 기여한다.

저자는 다음과 같이 결론짓는다:

오류 완화 및 적응형 샘플링 전략을 범용적인 기본값(default)으로 적용해서는 안 된다.
완화의 이점은 특정 장치, 회로 패밀리, 샷 예산, 그리고 오류의 성격(편향 vs. 분산)에 따라 매우 조건적이다.
테스트된 장치에서, 단순한 파일럿 분산 기반의 적응형 할당 방식은 편향 지배적 오류 영역에서 문제를 해결하지 못하기 때문에, Uniform 할당보다 열등한 경우가 많다.
하드웨어 인지적(hardware-aware) 큐비트 및 커플러 선택은 사후적인(post-hoc) 오류 완화만큼 효과적이거나 혹은 더 비용 효율적일 수 있다.

이 연구는 "고정 예산, 분산 인지적(fixed-budget, variance-aware)" 관점의 오류 완화를 옹호하며, 실무자들이 특정 사용 사례에 대해 완화 기법을 배포하기 전에 예상되는 오류 감소가 추가되는 샘플링 비용을 상쇄하는지 반드시 검증할 것을 권고한다. 다른 IBM 퀀텀 백엔드에서도 재현이 가능하도록 전체 프로토콜, 캘리브레이션 데이터 및 분석 코드가 공개되었다.

유사한 논문