The practical cost of magic state cultivation

오늘날의 기계들이 도달할 수 없는 문제를 해결할 수 있는 컴퓨터를 구축하려면 정보가 저장되고 보호되는 방식에 대한 근본적인 변화가 필요합니다. 양자 세계에서 데이터를 보유하는 섬세한 상태들은 환경으로부터 오는 아주 작은 방해에도 쉽게 산산조각이 납니다. 이를 방지하기 위해 과학자들은 양자 오류 정정이라는 기술을 사용하는데, 이는 정보를 많은 물리적 입자들에 걸쳐 분산시켜 하나의 입자가 실패하더라도 다른 입자들이 그 자리를 지킬 수 있도록 하는 방식입니다. 그러나 가장 강력한 계산을 수행하기 위해서는, 표준적인 오류 정정만으로는 스스로 할 수 없는 특정 유형의 연산을 실행해야 합니다. 이 연산은 '매직 상태(magic states)'라고 불리는 특별하고 고도로 정제된 자원에 의존합니다. 이러한 상태를 만드는 것은 마치 노이즈가 섞인 혼합물에서 순수한 화학 물질을 증류하는 것과 같습니다. 즉, 거칠고 불완전한 버전을 시작으로 하여 복잡한 작업을 수행하는 데 필요한 높은 품질에 도달할 때까지 반복적으로 테스트하고 정제하는 과정입니다. 이 정제 과정을 '배양(cultivation)'이라고 부르며, 이는 유용한 양자 컴퓨터를 구축하는 데 있어 핵심적인 단계로 널리 간주됩니다.

수년 동안 연구자들은 이 배양 과정의 비용을 추정할 때 물리적으로 불가능한 단순화된 가정을 해왔습니다. 그들은 정제 과정의 맨 마지막 단계에서, 최종 결과를 완벽하고 노이즈가 없는 방식으로 측정하여 그것을 유지할지 아니면 버릴지를 결정할 수 있다고 가정했습니다. 실제로 그러한 측정은 그들이 살리고자 했던 바로 그 상태를 파괴하게 됩니다. 실제 과정은 최종 결과물을 직접 들여다보지 않으면서, 상태가 생성되는 동안 수집된 정보에 의존해야 합니다. 이는 심각한 사각지대를 만듭니다. 하버드 대학교와 매사추세츠 공과대학교(MIT) 연구진의 새로운 연구는 이 사각지대가 필요한 자원을 심각하게 과소평가하게 만들었다는 사실을 밝혀냈습니다. 상태를 파괴하지 않고 결정을 내리는 새로운 방법을 개발함으로써, 그들은 많은 경우에서 이러한 필수 자원을 생성하는 비용이 기존에 생각했던 것보다 훨씬 높으며, 오류율 또한 시뮬레이션이 제시했던 것보다 훨씬 더 나쁘다는 것을 발견했습니다.

연구진은 정제된 상태가 오류로부터 보호받기 위해 더 큰 크기로 성장하는 단계인 '탈출 단계(escape stage)'에 집중했습니다. 이전 연구에서 과학자들은 상태가 유지하기에 충분히 좋은지 결정하기 위해 '상보적 간극(complementary gap)'이라는 방법을 사용했습니다. 이 방법은 시뮬레이션에서는 잘 작동했는데, 왜냐하면 시스템이 시스템에 정확히 무슨 일이 일나를 알려주는 완벽한 '닫힌 경계(closed boundary)' 즉, 최종 판독값에 접근할 수 있었기 때문입니다. 하지만 실제 컴퓨터에서 이러한 판독값은 존재하지 않습니다. 시스템은 오직 과정 중에 수집된 신호들의 '가시적 이력(visible history)'에만 접근할 수 있으며, 최종 결과는 숨겨진 채로 남습니다. 연구진이 이 열린 상황에 기존의 방법을 적용하려 했을 때, 그 방법은 효과적으로 양호한 상태와 불량한 상태를 구별하지 못했습니다. 결정 지표가 붕괴되어, 코드가 아무리 커지더라도 신뢰할 수 있는 상태와 결함이 있는 상태를 구분할 수 없을 정도로 너무 좁아졌습니다.

이를 해결하기 위해 연구팀은 '캘리퍼(Caliper)'라고 명명한 새로운 접근 방식을 개발했습니다. 캘리퍼는 최종 결과를 추측하는 대신, 가용한 신호들을 사용하여 가장 가능성 높은 숨겨진 결과를 예측하고, 각 가능성에 대해 실패가 발생할 확률이 얼마나 높은지를 기반으로 점수를 계산합니다. 이는 잠재적인 오류의 지형을 탐색하며, 가장 큰 문제를 일으킬 수 있는 시나리오를 효율적으로 찾아내는 방식으로 작동합니다. 만약 점수가 높은 실패 위험을 나타내면 해당 상태는 폐기되고, 점수가 낮으면 상태를 유지합니다. 이 방법은 시스템이 최종 측정을 하기 전의 정보만을 사용하여 결정을 내릴 수 있게 함으로써, 미래의 사용을 위해 상태를 보존할 수 있게 합니다. 연구진은 두 가지 서로 다른 유형의 양자 오류 정정 코드(데이터를 보호하기 위해 사용되는 프레임워크)에 대한 상세한 컴퓨터 시뮬레이션을 통해 이 방법을 테스트했습니다.

결과는 기존의 가정과 새로운 현실 사이의 극명한 차이를 보여주었습니다. 한 가지 유형의 코드의 경우, 새로운 방법이 이상적이고 불가능한 시나리오와 거의 비슷하게 성능을 발휘하여, 해당 설정에 대한 자원 추정치가 정확할 수 있음을 시사했습니다. 그러나 현재의 설계에서 더 흔히 사용되는 다른 유형의 코드에서는 그 격차가 엄청났습니다. 이 시뮬레이션에서, 최종 판독값 없이 작동하려고 시도했던 기존의 최선책들은 오류를 효과적으로 억제하는 데 실패했으며, 논리적 오류율을 목표치보다 수십 배 더 높게 남겨두었습니다. 연구진이 새로운 캘리퍼 방법을 사용했을 때조차, 이상적인 모델만큼 낮은 오류율에 도달하기 위해서는 훨씬 더 큰 코드를 사용하고 정제 과정을 훨씬 더 길게 실행해야 한다는 것을 발견했습니다. 어떤 경우에는 단 하나의 사용 가능한 상태를 생산하는 데 필요한 시간과 공간이 이전 추정치보다 5배 이상 증가하기도 했습니다.

이 연구는 컴퓨터가 사용할 수 있는 정보와 투입해야 하는 자원 사이의 결정적인 트레이드오프(tradeoff)를 강조합니다. 최종 결과를 볼 수 없다면, 시스템은 자신의 결정을 확신하기 위해 더 많이 노력해야 합니다. 연구진은 단순히 과정을 더 길게 실행하거나 더 큰 코드를 사용하는 것이 성능을 회복할 수는 있지만, 그 대가가 매우 크다는 것을 발견했습니다. 또한 이 문제의 난이도가 코드의 특정 설계에 따라 다르다는 것도 발견했습니다. 어떤 설계는 최종 정보의 부재에 더 강건한 반면, 어떤 설계는 훨씬 더 민감합니다. 이는 결함 허용(fault-tolerant) 양자 컴퓨터를 구축하는 경로가 균일하지 않음을 의미합니다. 즉, 필요한 자원은 어떤 특정 오류 정정 코드를 선택하느냐와 중간 회로 결정(mid-circuit decision making)의 현실에 따라 어떻게 적응하느냐에 크게 좌우될 것입니다.

이 연구 결과의 함의는 미래 양자 컴퓨터의 더 넓은 아키텍처에까지 미칩니다. 대규모 알고리즘을 위해 제안된 많은 설계들은 매직 상태가 기존의 이상적인 모델에 기반한 특정 효율성으로 생성될 수 있다고 가정합니다. 만약 실제 비용이 시뮬레이션이 시사하는 것처럼 5배 더 높다면, 이러한 알고리즘을 실행하기 위해 필요한 총 물리적 구성 요소의 수는 현재 계획된 것보다 훨씬 더 많아질 수 있습니다. 이것이 목표가 도달 불가능하다는 뜻은 아니지만, 엔지니어링 과제가 훨씬 더 심각하다는 것을 의미합니다. 연구진은 미래의 설계가 이러한 새로운 결정 방식과 함께 공동 개발되어야 할 수도 있다고 제안합니다. 예를 들어, 가장 어려운 경우를 위해 추가 자원을 확보하는 적응형 전략을 사용하는 식입니다. 또한 그들은 자신들의 방법인 캘리퍼가 이전의 시도들보다 유의미한 개선이지만 완벽한 해결책은 아니며, 고전 컴퓨팅 능력과 양자 자원 사이의 균형을 최적화하기 위한 추가적인 작업이 필요하다고 지적합니다.

궁극적으로 이 작업은 해당 분야의 기대치에 대한 필수적인 교정 역할을 합니다. 이 연구는 논의의 초점을 이론적 가능성에서 실질적인 제약 조건으로 옮겨, 작동하는 양자 컴퓨터로 가는 길은 어떤 정보를 사용할 수 있고 무엇을 희생해야 하는지에 대한 어려운 선택들로 이루어져 있음을 보여줍니다. 최종 판독값 없이 작동할 때의 진정한 비용을 밝힘으로써, 이 연구는 앞으로 나아갈 여정에 대한 더 현실적인 지도를 제공합니다. 연구진은 시뮬레이션 데이터와 코드를 커뮤니티에 공개하여 다른 이들이 이 결과들을 테스트하고 방법론을 다듬을 수 있도록 초대했습니다. 분야가 발전함에 따라, 이러한 비용을 정확하게 추정하는 능력은 하드웨어를 구축하는 능력만큼이나 중요해질 것이며, 이는 우리가 목표로 하는 야심 찬 기계들이 극복해야 할 물리적 요구를 충족하기 위해 할당된 자원이 충분한지를 보장해 줄 것입니다.