유용한 양자 컴퓨터를 구축하려는 여정에서 과학자들은 지속적인 장애물에 직면해 있습니다: 바로 노이즈(noise)입니다. 거의 완벽한 신뢰도로 정보를 처리하는 고전적 컴퓨터와 달리, 양자 기계는 믿을 수 없을 정도로 취약합니다. 큐비트(qubit)라고 불리는 이들의 섬세한 물질 상태는 주변 환경에 의해 쉽게 방해를 받으며, 이로 인해 계산이 진실로부터 벗어나게 됩니다. 이 노이즈는 단순한 작은 결함이 아닙니다. 이는 현재의 양자 컴퓨터가 고전적 기계가 쉽게 처리할 수 있는 문제들을 해결하는 데 어려움을 겪는 주요 원인입니다. 유용한 답을 얻기 위해 연구자들은 이러한 기계들이 생성하는 노이즈 섞인 데이터를 "정화"하는 기술을 개발해 왔으며, 종종 동일한 계산을 약간씩 다른 설정으로 여러 번 실행한 다음 그 결과들을 수학적으로 결합하여 완벽하고 노이즈가 없는 정답이 무엇이었을지 추측하는 방식을 사용합니다. 그러나 이러한 계산이 더 크고 복잡해짐에 따라, 데이터를 정화하는 데 필요한 데이터의 양이 압도적으로 많아져, 종종 양자 컴퓨터 자체가 제공할 수 있는 것보다 더 많은 시간과 자원을 요구하게 됩니다.

한 연구팀은 이제 이 문제에 대해 새로운 접근 방식을 도입했는데, 이는 양자 하드웨어의 힘과 고급 고전 시뮬레이션 기술을 영리하게 결합한 것입니다. 그들은 이 방법을 '린드블라드 멀티프로덕트 공식(Lindblad Multiproduct Formulas)'이라고 부릅니다. 양자 컴퓨터에만 의존하여 데이터를 생성하거나 고전 컴퓨터에만 의존하여 전체 시스템을 시뮬레이션하는 대신, 그들은 업무를 분담합니다. 양자 기계는 노이즈가 섞인 결과를 측정하고, 정교한 고전 알고리즘은 그 노이즈 섞인 측정값들을 하나의 정확한 예측값으로 결합하는 데 필요한 특정 가중치를 계산합니다. 연구진은 이 하이브리드 방법을 65개의 큐비트를 가진 양자 프로세서를 사용하여, 에너지를 잃지 않고 시간에 따라 진동하는 기묘한 물질 상태인 '이산 시간 결정(discrete time crystal)' 모델에 테스트했습니다. 그들의 결과는 이 기술을 사용함으로써, 고전 시뮬레이션을 더 빠르게 실행하기 위해 단순화했을 때조차 양자 컴퓨터나 고전 컴퓨터가 단독으로 달성할 수 있었던 것보다 훨씬 더 명확한 시스템의 거동 이미지를 복구할 수 있음을 보여주었습니다.

이 새로운 방법의 핵심은 노이즈가 있는 양자 기계와 고전 컴퓨터 사이의 관계를 다루는 방식에 있습니다. 보통 과학자들이 복잡한 양자 시스템을 고전 컴퓨터로 시뮬레이션하려고 할 때, 관리가 가능하도록 수학을 단순화해야 합니다. 이러한 단순화는 '절단 오차(truncation errors)'라고 불리는 자체적인 오류를 도입합니다. 만약 시스템이 너무 복잡하면, 이러한 오류는 너무 커져서 고전 시뮬레이션이 무용지물이 됩니다. 그러나 연구진은 양자 컴퓨터의 오류를 수정하는 데 필요한 특정 수학적 양들이 최종 정답 자체보다 계산하기 훨씬 쉬울 수 있다는 점을 깨달았습니다. 그들은 '루프 교정 벨리프 프로파게이션(loop-corrected belief propagation)'이라는 방법으로 수축(contract)되는 2차원 네트워크의 수학적 객체들을 사용하는 기술을 사용했습니다. 이를 통해 고전 컴퓨터가 전체 정답을 직접 계산하는 것이 너무 어려웠음에도 불구하고, 높은 정밀도로 필요한 교정 계수들을 계산할 수 있었습니다.

이 작업을 수행하기 위해 연구팀은 예측 가능한 방식으로 변화하는 노이즈 섞인 측정값 세트를 양자 컴퓨터로부터 생성해야 했습니다. 전통적으로 이는 노이즈를 인위적으로 증폭시켜 수행되는데, 이 과정은 신뢰할 수 있는 평균을 얻기 위해 실험을 매우 많이 반복해야 합니다. 이는 느리고 비용이 많이 듭니다. 대신 연구진은 '에르고딕 증폭(ergodic amplification)'이라고 부르는 기술을 도입했습니다. 노이즈를 높이는 대신, 그들은 양자 회로 자체의 파라미터, 구체적으로는 큐비트 간의 상호작용 강도를 미세하게 조정했습니다. 이러한 변화는 시스템이 마치 더 노이즈가 많은 것처럼 행동하게 만들었으며, 실제로 노이즈를 증가시키거나 양자 기계에 추가적인 시간을 요구하지 않았습니다. 이를 통해 연구진은 필요한 데이터 포인트를 훨씬 더 빠르게 수집할 수 있었고, 전체 과정을 현저히 효율적으로 만들었습니다.

연구진은 이 워크플로우를 2차원 이산 시간 결정의 특정 모델에 대해 테스트했는데, 이는 복잡성 때문에 정확하게 시뮬레이션하기 어려운 시스템입니다. 그들은 특정 헤비-헥사고날(heavy-hexagonal) 패턴으로 배열된 65개의 큐비트를 갖춘 'ibm_basquecountry'라는 실제 양자 컴퓨터에서 실험을 진행했습니다. 그들은 답을 얻는 세 가지 다른 방법을 비교했습니다: 빠르게 실행되도록 단순화된 순수 고전 시뮬레이션, 극도로 높은 정밀도로 실행된 순수 고전 시뮬레이션(참조용 역할), 그리고 새로운 하이브리드 방법입니다. 결과는 놀라웠습니다. 단순화된 고전 시뮬레이션은 연구진이 수학적으로 오류를 교정하려고 시도했음에도 불구하고 올바른 거동을 예측하는 데 실패했습니다. 양자 컴퓨터의 가공되지 않은 데이터 또한 노이즈로 인해 부정확했습니다. 그러나 노이즈 섞인 양자 데이터와 고전적 교정 계수를 결합한 하이브리드 방법은 고정밀 참조 시뮬레이션과 일치하는 결과를 만들어냈습니다.

이 연구의 핵심 발견 중 하나는 단순화된 고전 계산에서 도입된 오류가 최종 결과에 영향을 미치지 않았다는 점입니다. 이것은 직관에 어긋나 보일 수 있습니다: 만약 고전적인 부분이 불완전하다면, 왜 최종 답은 그렇게 깨끗하게 나오는가? 연구진은 교정 계수의 오류가 노이즈 섞인 양자 데이터에 적용될 때 서로 상쇄되는 경향이 있다고 설명합니다. 더욱이, 오류가 작동하는 특정 방식 덕분에 교정 계수가 약간 틀리더라도 최종 결합된 답은 안정적으로 유지됩니다. 이를 통해 고전 컴퓨터가 전체 시스템을 완벽하게 시뮬레이션할 만큼 강력하지 않더라도 이 방법이 작동할 수 있게 합니다. 또한 연구진은 그래픽 처리 장치(GPU)에서 고전적인 계산 부분을 실행함으로써 프로세스 속도를 5.6배 높일 수 있었으며, 이는 더 큰 문제들에 대해 이 방법을 더욱 실용적으로 만듭니다.

이 연구는 또한 결과에 대해 얼마나 확신할 수 있는지 아는 것의 중요성을 강조합니다. 연구진은 최종 답에 대한 오차 막대(error bars), 즉 불확실성의 범위를 추정하는 방법을 개발했습니다. 그들은 자신들의 방법이 참값에 대한 신뢰할 수 있는 추정치를 제공하며, 오차 막대가 유용할 정도로 충분히 작다는 것을 발견했습니다. 이와 대조적으로, 노이즈가 섞인 데이터를 곡선에 맞추는(fitting) 데 의존하는 다른 방법들은 특히 데이터가 희소하거나 노이즈가 복잡할 때 그러한 신뢰할 수 있는 추정치를 제공하는 데 어려움을 겪습니다. 양자 측정값과 고전적 계산을 결합함으로써, 연구진은 더 정확할 뿐만 아니라 그 자체의 신뢰성에 대한 명확한 척치를 동반한 결과를 만들어낼 수 있었습니다.

이 방법이 특정 유형의 양자 시스템에 대해 큰 유망함을 보여주었지만, 연구진은 이것이 모든 가능한 양자 회로에 작동할 수는 없다는 점을 주의 깊게 언급했습니다. 이 기술의 성공은 필요한 데이터 포인트를 생성하기 위해 회로 파라미터를 조정하는 적절한 방법을 찾는 데 달려 있습니다. 만약 조정이 너무 극단적이면 수학적 교정이 불안정해지고 오차 막대가 유용하지 않을 정도로 커집니다. 테스트한 특정 모델의 경우, 연구진은 완벽하게 작동하는 일련의 조정 값을 찾아냈지만, 이를 완전히 다른 유형의 회로에 적용하려면 새로운 규칙을 찾아야 한다는 점을 인정했습니다. 그들은 어떤 회로의 경우에는 전통적인 노이즘 증폭 방식이 여전히 필요할 수도 있지만, 그것은 더 느리다는 점을 시사했습니다.

이 작업은 양자 오류 완화 분야에서 중요한 진전을 나타내며, 가장 효과적인 경로가 양자 컴퓨터를 완벽하게 만들거나 고전 컴퓨터를 무한히 강력하게 만드는 것이 아니라, 그들이 협력하는 방법을 찾는 것임을 입증합니다. 고전 컴퓨터가 교정 계수를 계산하는 무거운 작업을 수행하고, 양자 컴퓨터가 시뮬레이션이 불가능한 가공되지 않은 데이터를 제공하게 함으로써, 연구진은 부분의 합보다 더 큰 결과를 내는 워크플로우를 만들어냈습니다. 이 접근 방식은 이전에 도달할 수 없었던 복잡한 양자 시스템을 연구할 수 있는 문을 열어주며, 스마트한 고전적 파트너의 도움을 받아 실제 문제를 해결할 수 있는 양자 컴퓨터의 미래를 보여줍니다.

연구진은 결론적으로, 자신들의 방법인 린드블라드 멀티프로덕트 공식이 노이즈가 있는 양자 장치로부터 정확한 정보를 추출하는 견고한 방법을 제공한다고 밝힙니다. 이는 양자 컴퓨팅 시대에 가장 강력한 도구는 서로 다른 계산적 접근 방식의 강점을 결적으로 섞는 능력이라는 아이디어의 증거입니다. 양자 하드웨어가 계속 발전함에 따라, 이러한 기술은 과학자들이 이전에는 불가능했던 명확함으로 양자 세계의 기묘하고 놀라운 거동을 탐구할 수 있도록 하여 양자 기계의 잠재력을 완전히 끌어내는 데 필수적일 것입니다.