기술 요약: 양자 코드의 거리 예측 (BB-Net)

문제 정의

양자 오류 정정 코드(QECC)의 최소 거리($d$)는 해당 코드의 오류 정정 능력을 결정하는 핵심 지표이다. 양자 저밀도 패리티 검사(qLDPC) 코드, 특히 Bivariate Bicycle (BB) 계열과 그 확장형인 Perturbed (PBB) 계열에서 이 거리를 계산하는 것은 상당한 계산적 병목 현상을 야기한다. 특정 임계값 미만의 거리를 가진 코드가 존재하는지 결정하는 결정 문제는 NP-완전(NP-complete)이며, 정확한 계산은 NP-난해(NP-hard)이다.

현재의 접근 방식은 다음을 기반으로 한다:

1. 정확한 솔버(Exact Solvers): (예: 혼합 정수 선형 계획법, MILP) 이는 중간 규모 이상의 코드 크기에 대해 계산적으로 다루기 어렵다.
2. 휴리스틱 탐색(Heuristic Searches): (예: QDistRnd, QDistEvol, BP-OSD) 이는 거리 상한(upper bounds)을 제공하지만, 타이트한 상한에 도달하기 위해 상당한 계산 예산(종종 수천 번의 시도)이 필요하다.

이러한 계산 비용은 후보 코드의 방대한 설계 공간을 스크리닝하는 능력을 심각하게 제한하며, 이는 확장 가능한 결함 허용 양자 컴퓨팅에 필요한 최적의 qLDLD 코드를 발견하는 데 걸림돌이 된다.

방법론: BB-Net

저자들은 반복적인 탐색 없이 대수적 명세로부터 BB 및 PBB 코드의 거리를 직접 예측하도록 설계된 어텐션 기반 신경망 아키텍처인 BB-Net을 소개한다.

1. 데이터 구축

• 데이터셋: 블록 길이 $n \le 360$인 58,704개의 코드 사례(CSS BB 및 비-CSS PBB 유형)로 구성된 코퍼스.
• 레이블: 고비용 휴리스틱 탐색(코드당 10,000회의 BP-OSD, QDistRnd, QDistEvol 사용)을 통해 얻은 거리 상한값.
• 그라운드 트루스(Ground Truth): MILP 솔버를 사용하여 2시간의 시간 제한 내에 거리가 정확하게 인증된 2,366개의 테스트 코드 서브셋.

2. 입력 표현 (토큰화)

대규모 패리티 검사 행렬을 생성하는 것을 피하기 위해, 저자들은 BB 코드의 순환적 대수 구조를 활용하는 압축된 토큰화 기법을 제안한다:

• 다항식 토큰(Polynomial Tokens): 국소적 대수 관계를 나타낸다. 희소한 정의 다항식($A, B, C, D$)의 각 단항식은 원-핫 다항식 항등식과 순환 좌표의 푸리에 조화 함수(Fourier harmonics)를 이용한 위치 임베딩과 함께 토큰화된다.
• 태너 스펙트럴 토큰(Tanner Spectral Tokens): 전역적 구조적 특성을 나타낸다. 이는 이원 군(dual group) $\mathbb{Z}_\ell \times \mathbb{Z}_m$의 각 문자에 대한 전체 다항식의 응답을 인코딩한다. 특징으로는 정규화된 다항식 크기, 스펙트럼 에너지, 그리고 다항식 간의 상호 작용이 포함된다.

3. 아키텍처

BB-Net은 듀얼 브랜치 인코더와 그에 따른 퓨전 메커니즘을 채택한다:

• 다항식 인코더(Polynomial Encoder): 멀티 헤드 셀프 어텐션을 사용하여 다항식 토큰을 처리한다. 이는 FiLM(Feature-wise Linear Modulation) 레이어를 통해 전역 코드 파라미터($\ell, m, n, k$)에 의해 조건화된다.
• 태너 스펙트럴 인코더(Tanner Spectral Encoder): 병렬 어텐션 스택을 사용하여 스펙트럴 토큰을 처리한다.
• 퓨전(Fusion): 두 브랜치의 잠재 표현(latent representations)은 학습된 게이트형 잔차 연결(learned gated residual connection)을 통해 결합된다: $h_{fuse} = h_{poly} + \tanh(g) \odot h_{tanner}$.
• 헤드(Head): 분류 헤드는 가능한 거리 값들에 대한 범주형 분포(categorical distribution)로서 거리를 예측한다.

4. 훈련 증강(Training Augmentation)

순환 이동(cyclic shifts) 및 대칭성에 대한 불변성을 보장하기 위해:

• 정준화(Canonicalization): 입력을 순환 이동 동치 클래스의 결정론적 대표값으로 매핑한다.
• 증강(Augmentation): 훈련 중에 기저 군의 무작위 자기동형(automorphisms)과 순환 평행 이동이 다항식 서포트에 적용된다.

주요 결과

정확도 및 효율성

5,870개의 코드 벤치마크 테스트에서 BB-Net은 최신 휴리스틱과 비교하여 우수한 효율성과 경쟁력 있는 정확도를 보여준다:

• 정확도: BB-Net은 전체 테스트 세트에 대해 **96.39%**의 정확도(참조 거리 대비 $\pm 2$ 이내)를 달성했다. 이는 QDistEvol이 최대 $10^4$배 더 많은 계산 시간을 사용했음에도 불구하고, 최상의 휴리스틱 베이스라인인 QDistEvol의 **94.86%**보다 높은 성능을 보인다.
• 인증된 서브셋: 정확한 거리가 인증된 2,366개의 코드 서브셋에 대해 BB-Net은 **98.94%**의 정확도를 달ato했다.
• 속도: BB-Net은 단일 코드를 0.005초 만에 평가하는 반면, QDistEvol은 1.0초, QDistRnd는 3.3초, BP-OSD는 19.1초가 소요된다.

거리 스크리닝 성능

스크리닝 파이프라인(거리 임계값 $t$에 의해 후보를 필터링하는 맥락)에서, BB-Net은 중간 임계값에서 최상의 휴리스틱과 비슷하거나 약간 낮은 AUC 점수를 기록하면서도 무시할 수 있을 정도의 짧은 추론 시간을 보여준다. 높은 거리 임계값($d \ge 20$)에 대해 BB-Net은 0.990의 AUC를 유지하며, 이는 QDistEvol(0.991)과 대등한 수준이다.

절제 연구(Ablation Studies)

실험을 통해 특정 아키텍처 구성 요소의 필요성을 확인했다:

• 태너 스펙트럴 브랜치를 제거하면 음의 로그 가능도(NLL)가 0.683에서 1.039로 증가한다.
• 증강, 이동 정준화 또는 FiLM 컨디셔닝을 제거하면 성능이 크게 저하되며, 이는 대칭성 처리와 파라미터 컨디셔닝의 중요성을 강조한다.

의의 및 주장

본 논문은 BB-Net을 반복적이고 계산 비용이 많이 드는 거리 추정의 실질적인 대안으로 자리매김한다. 주요 기여는 다음과 같다:

1. 최초의 학습된 모델: 비싼 휴리스틱 레이블을 사용하여 학습된 모델을 통해 직접 양자 코드 거리를 예측하는 최초의 연구이다.
2. 병목 현상 완화: 거리 추정 비용을 수십 배 이상 줄임으로써, BB-Net은 특히 ML 기반 탐색 파이프라인 내에서 방대한 코드 공간의 신속한 스크리닝을 가능하게 한다.
3. 발견 가속화: 저자들은 BB-Net이 거리 계산의 병목 현상을 완화함으로써 새로운 고품질 양자 오류 정정 코드를 찾는 과정을 가속화할 수 있다고 주장하며, 이는 확장 가능한 결함 허용 양자 컴퓨팅 발전에 필수적인 능력이다.

저자들은 휴리스틱이 상한값을 제공하지만, BB-Net은 이러한 상한을 효과적으로 예측하여 연구자들이 가장 유망한 후보에만 비용이 많이 드는 정확한 솔버를 집중할 수 있도록 하는 "빠른 필터(fast filter)" 역할을 한다고 언급한다.