기술 요약: 논리적 양자 회로를 위한 가상 오류 제거 (Virtual Error Cancellation)

문제 정의

초기 결함 허용(fault-tolerant) 양자 프로세서는 중간 정도의 코드 거리(code distance)로 작동할 것이며, 이는 필연적으로 무시할 수 없는 잔류 논리 오류율(residual logical error rates)을 남기게 된다. 코드 거리를 늘리는 것은 이러한 오류를 억제하지만, 막대한 하드웨어 오버헤드를 초래한다. 논리적 양자 오류 완화(Logical quantum error mitigation)는 추가적인 물리 큐비트 없이 이러한 잔류 오류를 억제할 수 있는 경로를 제공하지만, 기존 기술들은 세 가지 주요 제약 조건에 직면해 있다:

1. 노이즈 특성화 (Noise Characterization): 많은 방법들(예: 확률적 오류 제거, PEC)은 상세한 사전 노이즈 토모그래피를 요구한다.
2. 회로 수정 (Circuit Modification): 능동적 PEC와 같은 기술은 실행 중에 준확률 연산(quasi-probability operations)이나 수정된 회로를 삽입해야 한다.
3. 샘플링 오버헤드 (Sampling Overhead): 완화 과정에서 상당한 샘플링 비용이 발생한다. 증후(syndrome) 기반 포스트셀렉션(postselection)은 회로 수정을 피할 수 있지만, 데이터를 폐기함으로써 체계적 편향(systematic bias)을 유발한다. 반대로, 표준 증후 인식형 PEC는 편향되지 않을 수 있으나 종종 높은 샘플링 오버헤드(논리적 PEC의 경우 $\eta \approx 4$, 단일 디코더 접근법의 경우 $\eta \approx 2$)를 겪으며 노이즈 특성화를 요구한다.

본 논문은 사전 노이즈 특성화, 회로 수정, 또는 포스트셀렉션의 체계적 편향 없이 범용 양자 회로의 논리적 편향을 제거하는 과제를 다룬다.

방법론: 가상 오류 제거 (Virtual Error Cancellation, VEC)

저자들은 표준 결함 허용 실행 중에 생성된 증후 기록만을 사용하여 순수하게 클래식 사후 처리(classical post-processing) 단계에서 논리적 오류 완화를 수행하는 방법인 **가상 오류 제거 (V_EC)**를 제안한다.

핵심 원리

1. 사후 처리 재가중치 부여 (Post-Processing Reweighting): 샷(shot)을 폐기(postselection)하거나 회로를 수정(PEC)하는 대신, VEC는 기록된 증후 $s_i$에 따라 각 샷에 클래식 필터 가중치 $w(s_i)$를 할당한다. 추정량은 가중 평균으로 구성된다: $\langle O \rangle_{\text{VEC}} = N^{-1} \sum w(s_i) m_i$.
2. 무편향 조건 (Unbiasedness Conditions): 추정량이 편향되지 않으려면, 증후 평균 논리 채널이 항등 연산(identity)으로 감소해야 한다는 요구 조건으로부터 도출된 두 가지 조건을 만족해야 한다:
   • 트레이스 보존 (Trace Preservation): $E_s[w(s)] = 1$.
   • 오류 제거 (Error Cancellation): 모든 논리적 오류 채널 $\alpha$에 대해 $E_s[w(s)p_\alpha(s)] = 0$ (여기서 $p_\alpha(s)$는 조건부 오류 확률).
   • 이는 평균적으로 양의 기여를 상쇄하기 위해 오류가 발생하기 쉬운 증후에 음의 가중치를 부여할 것을 필요로 한다.
3. 이중 디코더 아키텍처 (Dual-Decoder Architecture): 모든 증후에 대해 정확한 사후 확률을 계산하는 것이 매우 어려운 문제($\#P$-hard)임을 피하기 위해, 저자들은 두 개의 디코더를 사용하는 조립식 프로토콜을 도입한다:
   • 실시간 디코더 ($D_{rt}$): 실험 중에 파울리 프레임(Pauli frame) 결정 및 피드포워드를 위해 사용되는 빠르고 지연 시간이 낮은 디코더 (예: 최소 가중치 완전 매칭, MWPM).
   • 오프라인 디코더 ($D_{off}$): 사후 처리에 사용되는 고복잡도, 고정밀 디코더 (예: 최대 가능도 또는 텐서 네트워크).
   • 섹터 분할 (Sector Partitioning): 증후들을 $D_{rt}$와 $D_{off}$ 사이의 일치 또는 불일치에 따라 섹터로 나눈다. **합의 섹터 (consensus sector, $D_{rt} = D_{off}$)**는 오류가 억제된 대다수의 샷을 포함한다. **불일치 섹터 (disagreement sectors, $D_{rt} \neq D_{off}$)**는 실시간 디코더가 오류를 범했을 가능성이 높은 샷을 식별한다.
4. 노이즈 학습 (Noise Learning): 별도의 교정 회로를 사용하는 대신, VEC는 증후 충실도(fidelity)의 선형 역전(linear inversion)을 사용하여 저장된 증후 기록으로부터 기저의 결함 분포(검출기 오류 모델, Detector Error Model)를 직접 학습한다. 이를 통해 실험 데이터로부터만 완화 가중치를 생성할 수 있다.

이론적 프레임워크

본 논문은 "갭리스(gapless)" 영역(경쟁하는 논리적 오류 체인들이 동일한 최소 가중치를 갖는 영역, 공동 표면 코드 디코딩에서 흔함)에 대해, 최적의 샘플링 오버헤드는 미완화 논리 오류율에 선형적으로 비례함을 입증한다 ($C^* - 1 = O(p_L)$). 이는 큰 코드 거리 극한에서 오버헤드 인자 $\eta \to 1$에 해당하며, 표준 논리적 PEC ($\eta \approx 4$) 또는 단일 디코더 증후 인식형 PEC ($\eta \approx 2$)보다 크게 우수한 성능을 보인다.

주요 기여

1. 가상 오류 제거 프로토콜: 회로 수정이나 사전 노이즈 특성화 없이 순수하게 클래식 사후 처리를 통해 작동하는 완전한 논리적 오류 완화 프레임워크를 구축하였다.
2. 이중 디코더 구현: 실시간 디코더와 오프라인 참조 디코더를 결합하여 조립식 섹터를 정의하는 확장 가능한 스킴을 제공한다. 이 접근 방식은 매 증후마다 베이지안 추론을 수행하는 계산 비용을 피하면서도 거의 모든 최적의 통계적 대비(statistical contrast)를 보존한다.
3. 엔드 투 엔드 노이즈 학습: 증후 이력으로부터 검출기 오류 모델과 논리적 오류율을 직접 학습하는 방법을 제시하여, 별도의 교정 실험 필요성을 제거하였다.
4. 이론적 경계:
   • 최적의 증후 해상형 필터가 샘플링 오버헤드를 최소화함을 증명하였다.
   • 이중 디코더 조립식 프로토콜이 이 이론적 최적치에 근접함을 입증하였다.
   • 샘플링 오버헤드 스케일링을 도출하여, 증후 인식형 PEC에 대한 이차적 이점과 유리한 큰 거리 극한에서의 $\eta \approx 1$로의 감소를 보여주었다.
5. 잔류 오류 분석: 유한 샘플 노이즈 특성화로 인한 잔류 편향이 합의 오류 억제 비율 $\alpha$에 의해 억제됨을 보여주는 이론적 유도를 통해, 이 방법이 물리적 PEC나 포스트셀렉션보다 교정 오류에 더 강건함을 입증하였다.

결과

코드 용량 디폴라이징 노이즈(code-capacity depolarizing noise) 환경의 거리 $d=7$ 회전 표면 코드(rotated surface code)에 대해 수치 시뮬레이션을 수행하였다:

• 오류 억제: 전체 스택 이중 디코더 알고리즘은 실험적으로 달성 가능한 설정에서 디코딩된 논리 오류율에 비해 잔류 논리 오류율을 3개 차수(orders of magnitude) 이상 감소시켰다.
• 포스트셀렉션과의 비교: 두 디코더의 합의에 기반한 포스트셀렉션과 비교했을 때, 2개 차수 이상 더 나은 억제 성능을 달성하였다.
• 샘플링 오버헤드: 과잉 샘플링 오버헤드 비율 $\eta = (C^* - 1)/p_L$은 $d=7$에서 $\approx 1.3$에 근접하였으며, 이는 단일 디코더 증후 인식형 PEC의 상한선인 $\eta=2$ 및 표준 논리적 PEC의 $\eta=4$보다 현저히 낮다.
• 노이즈 학습 정확도: 학습된 물리적 및 논리적 오류율은 여러 노이즈 구현에 대해 높은 충실도(중앙값 상대 오차 $< 0.35\%$)를 보였으며, 이는 증후 데이터만으로 학습하는 것의 타당성을 입증한다.

의의 및 주장

본 논문은 증후 기록을 양자 실행 후 범용 계산 추정치를 교정하기 위한 자원으로 확립했다고 주장한다. VEC는 완화를 순수하게 사후 처리로 이동시킴으로써, 오류 정정 워크플로우를 실시간 하드웨어 지연 제약으로부터 분리한다.

저자들은 VEC가 첫 번째와 두 번째 제약 조건(노이즈 학습 및 회로 수정)을 완전히 우회하는 해결책이라고 위치시킨다. 그들은 증후 기록의 풍부한 정보와 이중 디코더의 차별적 능력을 활용함으로써, 최적에 가까운 샘플링 효율을 달성하는 동시에 포스트셀렉션의 체계적 편향을 제거한다고 주장한다. 결과는 초기 결함 허용 알고리즘이 코드 거리를 확장하는 막대한 하드웨어 오버헤드나 능동적 오류 제거 회로의 실험적 복잡성 없이도 훨씬 높은 충실도를 달성할 수 있음을 시사한다.

이 연구는 확장 가능한 양자 컴퓨팅을 향한 기초적인 단계로 제시된다. 저자들은 본 분석이 파울리 노이즈 모델에 집중되어 있으나, 프레임워크가 회로 수준의 노이즈로 일반화될 수 있으며, 코드 거리, 디코더 쌍, 샘플링 예산을 공동 최적화하기 위해 기존 양자 컴파일러에 통합될 수 있다고 언급하였다.