Quantum error correction well below the color code threshold

오늘날의 기계가 도달할 수 없는 문제를 해결할 수 있는 컴퓨터를 구축하기 위해, 과학자들은 양자 물리학의 기묘한 법칙에 주목하고 있습니다. 이 양자 컴퓨터는 정보를 보유하기 위해 큐비트라고 불리는 아주 작은 입자를 사용하지만, 이들은 믿을 수 없을 정도로 취약합니다. 미세한 열기, 떠도는 자기장, 또는 기계 자체의 제어 시스템에서 발생하는 아주 작은 결함조차도 큐비트가 데이터를 잃게 만들 수 있습니다. 이러한 취약성은 유용한 양자 컴퓨터를 구축하는 데 있어 오랫동안 가장 큰 장애물이었습니다. 이를 극복하기 위해 연구자들은 양자 오류 정정이라는 전략을 사용합니다. 하나의 취약한 큐비트에 의존하는 대신, 정보를 여러 개의 물리적 큐비트에 분산시켜 중복된 안전망을 만드는 것입니다. 만약 그물망의 한 부분이 실패하더라도, 다른 부분들이 실수를 감지하고 정보를 파괴하지 않고 수정할 수 있습니다. 하지만 이 안전망에는 대가가 따릅니다. 오류를 고치기 위해 더 많은 큐비트를 추가하는 것은 새로운 오류가 발생할 수 있는 지점 또한 늘린다는 점입니다. 목표는 더 많은 중복성을 추가하는 것이 시스템을 더 신뢰할 수 없게 만드는 것이 아니라, 실제로 더 신뢰할 수 있게 만드는 지점을 찾는 것입니다. 이 변곡점을 "임계값(threshold)"이라고 부릅니다. 만약 컴퓨터의 물리적 구성 요소가 이 임계값 아래로 유지될 만큼 충분히 훌륭하다면, 컴퓨터를 더 크고 복잡하게 만드는 것이 오류를 기하급수적으로 사라지게 하여, 실패 없이 몇 시간 동안 작동할 수 있는 기계로 가는 길을 열어줄 것입니다.

Quantinuum의 연구팀은 이제 이 임서적인 임계값보다 훨씬 낮은 수준에서 양자 프로세서를 작동시킬 수 있음을 입증했으며, 이는 실제로 현실 세계의 문제를 해결할 수 있는 기계를 구축하는 데 있어 중요한 진전입니다. 진공 상태에서 바륨 원자를 개별적으로 가두고 전기장으로 고정하는 Helios라는 프로세서를 사용하여, 연구팀은 삼각형 컬러 코드(triangular color code)로 알려진 특정 유형의 오류 정정 코드를 테스트했습니다. 그들은 13개의 큐비트로 이루어진 작은 블록부터 73개의 큐비트로 이루어진 더 큰 블록에 이르기까지 세 가지 다른 크기의 코드를 사용하여 실험을 진행했습니다. 결과는 놀라웠습니다. 코드의 크기를 키울수록 컴퓨터가 논리적 오류를 범하는 비율이 급격히 감소했습니다. 테스트한 가장 큰 코드의 경우, 오류율은 약 100만 번의 시도당 5회 정도로 떨어졌습니다. 이는 크기가 한 단계 높아질 때마다 오류 억제력이 10배 이상 증가했음을 나타내며, 시스템이 규모를 키울수록 안정성이 높아지는 영역에서 실제로 작동하고 있음을 증명합니다.

연구진은 양자 컴퓨터를 괴롭히는 두 가지 구체적인 문제인 누설(leakage)과 회로 복잡성(circuit complexity)을 해결함으로써 이 성공을 거두었습니다. 완벽한 세상이라면 큐비트가 지정된 상태에 영원히 머물러 있겠지만, 현실에서는 큐비트가 정상적으로 작동하지 않는 다른 에너지 준위로 "누설"되어 나갈 수 있습니다. 만약 누설된 큐비트가 계산에 사용된다면, 이는 이웃한 큐비트로 오류를 퍼뜨려 연쇄적인 실패를 일으킬 수 있습니다. 이를 막기 위해 연구팀은 두 가지 접근 방식을 사용했습니다. 첫째, 정교하게 조절된 빛의 펄스를 사용하여 누설된 원자를 올바른 작동 상태로 다시 펌핑하는 리셋 버튼 역할을 하는 하드웨어 수준의 기술을 사용했습니다. 둘째, 데이터 큐비트가 문제를 일으키기 전에 새로운 큐비트로 교체하는 회로 수준의 방법을 설계하여, 누설된 입자를 계산에서 효과적으로 제거했습니다. 이러한 방법들을 결합함으로써, 연구진은 오류가 관리 가능한 수준으로 유지되고 코드에 의해 수정될 수 있도록 보장했습니다.

연구팀은 또한 서로 다른 방법들이 오류 신호를 얼마나 잘 읽고 실시간으로 실수를 수정할 수 있는지 테스트했습니다. 그들은 전통적인 규칙 기반 컴퓨터 프로그램과 합성곱 신경망(convolutional neural network) 및 트랜스포머 기반 모델(transformer-based model)이라는 두 가지 새로운 인공지능 기반 접근 방식을 비교했습니다. 이 신경망들은 Helios 프로세서의 시뮬레이션 데이터로 훈련되었으며, 추가적인 조정 없이 실제 하드웨어에 직접 적용되었습니다. 놀랍게도, 전통적인 프로그램과 두 AI 모델은 거의 동일하게 작동하며 오류 신호를 성공적으로 해독하고 논리적 오류를 수정했습니다. 특히 신경망은 데이터를 수백 마이크로초 만에 처리할 수 있어 양자 프로세서의 속도를 따라잡을 수 있을 만큼 빨랐다는 점에서 매우 인상적이었습니다. 이는 향에서 이러한 빠르고 지능적인 디코더들이 계산이 끝날 때까지 기다리는 대신, 오류가 발생하는 즉시 이를 수정하는 데 사용될 수 있음을 시사합니다.

이 실험은 단순히 오류를 고치는 것을 넘어, 양자 프로세서의 내부 작동 방식에 대한 깊은 통찰을 제공했습니다. 연구진은 오류 패턴을 분석함으로써 기계가 정확히 어디에서 어려움을 겪고 있는지 식별할 수 있었습니다. 그들은 가장 흔한 실수 원인이 두 큐비트 간의 상호작용이며, 그 다음으로는 이온을 이동시키는 것과 관련된 오류, 그리고 측정 시 도입되는 노이즈임을 발견했습니다. 이러한 상세한 진단은 엔지니어들에게 기계의 어느 부분을 가장 우선적으로 개선해야 하는지 정확히 알려주기 때문에 매우 중요합니다. 또한 이 연구는 누설이 관리되는 한, 물리적 구성 요소가 완벽하지 않더라도 오류 정정 코드가 효과적으로 작동한다는 것을 보여주었습니다. 그들이 달성한 논리적 오류율은 과학자들이 "메가큐옵(megaquop)" 규모의 계산이라고 부르는 수준에 근접하고 있는데, 이는 양자 컴퓨터가 현재로서는 불가능한 화학, 재료 과학, 암호학 분야의 문제들을 다룰 수 있는 규모를 의미합니다.

이 연구가 오류 정정이 작동하고 있음을 증명하기는 하지만, 연구진은 여 still 여정이 아직 끝나지 않았다고 언급합니다. 다음 주요 과제는 가장 강력한 계산에 필요한 특수한 "매직 상태(magic states)"의 준비를 포함한 전체 과정 또한 오류 임계값 아래로 유지할 수 있음을 입증하는 것입니다. 현재의 연구는 컴퓨터의 메모리와 기본 논리 게이트에 초점을 맞추었지만, 완전한 범용 양자 컴퓨터는 더 다양한 종류의 연산을 수행해야 합니다. 연구팀은 다음 논리적 단계가 자신들이 개발한 빠른 실시간 디코딩 방법을 사용하여, 더 복잡한 연산을 포함한 완전한 계산을 실행하는 것이라고 제안합니다. 만약 성공한다면, 이는 통제된 실험에서 오류를 수정하는 기계를 넘어, 실패 없이 길고 복잡한 프로그램을 실행할 수 있는 기계로의 전환을 의미하게 될 것입니다. 이번 결과는 이 연구에 사용된 것과 같은 트랩 이온(trapped-ion) 프로세서가 이전에 생각했던 것보다 더 작은 규모의 코드 블록만으로도 응용 가능한 성능에 도달할 잠재력이 있음을 나타내며, 실용적인 양자 컴퓨팅의 시대가 현실에 더 가까워지고 있음을 보여줍니다.