Lifting: Quantum State Discrimination Framework for Mid-Circuit Measurements

양자 컴퓨터는 고전적 컴퓨터가 수천 년 걸릴 문제를 해결할 것을 약속하지만, 매우 취약합니다. 제대로 작동하려면 복잡한 연산 과정을 수행하는 동시에 끊임없이 오류를 점검해야 합니다. 이 과정의 핵심적인 부분은 전체 계산을 파괴하지 않고 계산 중간에 양자 비트, 즉 큐비트를 측정하는 능력입니다. 이를 미드 서킷 측정(mid-circuit measurement)이라고 합니다. 큐비트를 측정하면 0 또는 1 상태인지 결정하기 위해 해석되어야 하는 희미한 마이크로파 신호가 생성됩니다. 그러나 오늘날 사용되는 초전도 칩에서는 이 신호가 종종 노이즈가 섞이고 왜곡됩니다. 계산이 진행됨에 따라 큐비트가 반복적으로 측정되면 하드웨어의 물리적 상태가 저하되어 신호를 읽기가 더욱 어려워집니다. 만약 컴퓨터가 신호를 잘못 해석하면 잘못된 교정을 적용하게 되어 전체 계산이 실패할 수 있습니다.

연구자들은 지저도한 데이터에서 패턴을 찾는 데 능숙한 인공지능, 특히 신경망을 사용하여 이 판독 과정을 개선하려고 노력해 왔습니다. 하지만 이러한 네트워크가 단일 큐비트의 신호만을 보고 있다면 성능에 명확한 한계가 존재합니다. 만약 노이즈로 인해 0과 1의 신호가 너무 많이 겹치게 되면, 아무리 소프트웨어를 학습시켜도 이를 확실하게 구분할 수 없습니다. 게다가, 계산이 시작되기 전에 컴퓨터에게 신호를 읽는 법을 가르치는 표준 보정(calibration) 방식은 장기간 진행되는 복잡한 계산 중에 실제로 발생하는 상황과 일치하지 않는 경우가 많습니다. 회로가 실행됨에 따라 신호가 변하기 때문에, 소프트웨어는 구식 정보로 학습된 상태로 남게 됩니다.

이러한 난관을 극복하기 위해 인디애나 대학교와 로런스 버클리 국립연구소의 연구진은 '리프팅(Lifting)'이라 불리는 새로운 프레임워크를 개발했습니다. 리프팅은 단일 큐비트의 판독을 완벽하게 만드는 대신, 정보를 수집하는 방식을 바꿉니다. 대상 큐비트를 측정하기 전, 시스템은 이를 하나 이상의 보조 큐비트와 일시적으로 연결합니다. 이는 동일한 상태를 공유하는 큐비트 그룹을 생성합니다. 그 후 시스템은 이들을 정확히 동시에 측정하여 대상 큐비트와 보조 큐비트가 포함된 결합된 신호를 포착합니다. 개별적인 단일 신호가 아닌 이 공동의 그림을 봄으로써, 시스템은 노이즈가 심한 상황에서도 0과 1의 상태를 분리하는 데 도움이 되는 추가적인 정보를 얻게 됩니다.

연구진은 이 접근 방식을 세 가지 서로 다른 IBM 양자 프로세서에서 테스트했습니다. 그들은 단순히 보조 큐비트를 추가하고 함께 측정하는 것만으로도 상태 간의 혼동을 크게 줄일 수 있다는 것을 발견했습니다. 그러나 연구팀은 훈련의 타이밍 또한 하드웨어만큼이나 중요하다는 사실을 발견했습니다. 그들은 회로가 실제로 실행되는 동안 판독 소프트웨어를 보정하는 방법을 만들어, 컴퓨터가 실제 과업 중에 직면하게 될 정확한 조건 하에서 신호를 해석하는 법을 배우도록 했습니다. 이 '인 시투(in situ, 현장)' 보정은 계산이 진행됨에 따라 하드웨어가 어떻게 변화하는지를 반영했습니다.

연구진이 결합 측정 기술과 실시간 보정을 결합했을 때, 결과는 상당했습니다. 오래된 보정 방식에 의존하는 표준 시스템은 반복 측정 테스트에서 작업을 올바르게 완료하는 데 약 54%의 성공률만을 보였습니다. 결합된 신호와 실시간 훈련을 사용하는 새로운 리프팅 프레임워크는 가장 모호한 결과들을 걸러냈을 때 성공률을 거의 62%까지 끌어올렸습니다. 오류 수정 및 데이터 텔레포테이션을 포함한 다른 테스트에서도 새로운 방식은 표준적인 접근법들을 일관되게 능가했습니다. 이 연구는 양자 컴퓨터를 읽는 최선의 방법은 단순히 더 나은 디코더를 만드는 것이 아니라, 가용한 정보를 변화시키고 실제 세계에서 마주할 것과 동일한 조건으로 컴퓨터를 가르치는 것이라는 점을 시사합니다. 이 접근 방식은 완전히 새로운 하드웨어를 요구하지 않고도 양자 컴퓨터를 더 신뢰할 수 있게 만드는 실질적인 경로를 제시합니다.