LiftDiff: Guided Discrete Diffusion for Quantum Code Construction

양자 컴퓨터는 복잡한 암호를 해독하는 것부터 새로운 신소재를 시뮬레이션하는 것에 이르기까지, 고전적 컴퓨터가 수천 년이 걸릴 문제를 해결할 것을 약속합니다. 하지만 이 기계들은 매우 취약합니다. 정보를 저장하는 데 사용하는 큐비트라고 불리는 아주 작은 입자들은 주변 환경에 의해 쉽게 방해를 받으며, 이로 인해 정교한 계산이 오류로 인해 무너질 수 있습니다. 유용한 양자 컴퓨터를 구축하기 위해 과학자들은 계산을 파괴하기 전에 오류를 잡아내는 안전망과 같은 시스템인 오류 정정 기술을 사용하여 큐비트를 보호해야 합니다. 이 안전망은 양자 오류 정정 코드라고 알려진 특수한 수학적 패턴으로 만들어집니다. 과제는 이러한 패턴을 오류를 잡아낼 만큼 강력하면서도, 구축하고 효율적으로 사용할 수 있을 만큼 단순하게 설계하는 데 있습니다. 수년 동안 연구자들은 이러한 코드를 만들기 위해 경직된 수학 공식에 의존해 왔으며, 높은 보호 능력과 높은 효율성을 모두 제공하는 설계를 찾는 데 종종 어려움을 겪었습니다.

이스라엘 벤구리온 대학교의 연구팀은 경직된 공식에서 벗어나 학습하고 진화하는 방식으로 접근함으로써 이 문제에 대한 새로운 접근법을 도입했습니다. 그들은 새로운 양자 코드를 발명하기 위해 이산 확산 모델(discrete diffusion model)이라는 일종의 인공지능을 사용하는 '리프트디프(LiftDiff)'라는 도구를 개발했습니다. 이 시스템은 고정된 규칙을 따르는 대신, 혼란스럽고 노이즈가 섞인 패턴에서 시작하여 단계적으로 이를 깨끗하게 정돈하여 명확하고 기능적인 코드가 나타나도록 합니다. 이 방법의 독특한 점은 연구자들이 일련의 목표를 가지고 이 정돈 과정을 안내한다는 것입니다. AI가 패턴을 정교하게 다듬어 나가는 동안, 시스템은 생성된 코드가 얼마나 잘 작동할지를 끊임없이 확인하며, 결과물이 희소하고 견고하며 오류를 효과적으로 정정할 수 있는 설계가 되도록 방향을 잡습니다. 이것은 무작위 탐색이 아니라, AI가 나쁜 코드를 고치는 과정을 통해 좋은 코드가 무엇인지 배우는, 가능성의 광활한 풍경 속을 걷는 가이드가 있는 여정입니다.

연구진은 더 작은 기본 행렬들로부터 구축되는 리프티드 프로덕트 코드(lifted product codes)라고 알려진 특정 코드 군에 대해 시스템을 훈련시켰습니다. 그들은 AI에게 예시를 보여주고 무작위 노이즈를 추가한 후 이를 재구성하도록 요청함으로써, AI가 이러한 행렬들의 구조를 인식하도록 가르쳤습니다. 일단 AI가 기저의 패턴을 학습하자, 연구팀은 생성 단계로 전환했습니다. 여기서 연구진은 생성 중인 코드의 품질을 평가하는 점수 체계인 에너지 함수를 도입했습니다. 이 점수는 몇 가지 결정적인 요소들을 고려합니다: 코드가 얼마나 많은 오류를 감지할 수 있는지, 얼마나 많은 논리적 비트를 보유할 수 있는지, 그리고 비트 간의 연결이 얼마나 복합적인지 등입니다. AI는 이 점수를 사용하여 정돈 과정 중에 자신의 예측을 미세하게 조정하며, 최종 결과물이 단순히 무작위 패턴이 아니라 고도로 최적화된 코드가 되도록 보장합니다.

이러한 가이드 기반 생성의 결과는 놀라웠습니다. 시스템은 인상적인 사양을 가진 다양한 새로운 양자 코드를 생성해 냈습니다. 발견된 것들 중에는 169개의 물리적 큐비트 블록 내에서 13개의 논리적 큐비트를 보호할 수 있는 코드와, 143개의 물리적 큐비트 내에서 15개의 논리적 큐비트를 보호하는 코드가 포함되었습니다. 특히 주목할 만한 한 코드는 높은 수준의 오류 보호를 유지하면서 247개의 물리적 큐비트 내에서 19개의 논리적 큐비트를 관리해 냈습니다. 기존 설계들과 비교했을 때, 이 새로운 코드들은 종종 더 우수한 성능을 보였으며, 전체 크기 대비 유용한 정보의 비율이 더 높았습니다. 실제 환경의 노이즈를 시뮬레이션한 테스트에서, 생성된 코드 중 몇몇은 광범위한 오류율에 걸쳐 잘 알려진 표준 코드를 능가하며 노이즈가 증가하더라도 신뢰성을 유지했습니다.

이 연구는 또한 가이드 메커니즘이 결과물을 어떻게 근본적으로 변화시켰는지 보여주었습니다. 연구진이 가이드 점수 없이 AI를 실행했을 때는 시스템이 종종 더 단순하지만 오류 정정 능력은 떨어지는 코드를 생성했습니다. 반면 가이드를 적용했을 때, AI는 실질적인 사용에 필요한 구조적 단순성을 희생하지 않으면서도 더 복잡하고 강력한 설계로 나아갈 수 있었습니다. 연구팀은 수백만 개의 무작위 오류 시나리오를 대상으로 코드를 테스트하는 엄격한 시뮬레이션을 통해 이러한 발견을 검증했습니다. 정확한 계산의 어려움으로 인해 일부 코드의 거리는 상한값을 사용하여 추정되었지만, 가장 유망한 후보들은 고급 수학적 최적화 기법을 통해 확인되었습니다. 이 결과는 생성 모델이 전통적인 대수적 방법이 놓칠 수 있는 광대하고 어려운 설계 공간을 성공적으로 탐색할 수 있음을 시사합니다.

이 작업은 결함 허용(fault-tolerant) 양자 컴퓨팅을 향한 여정에서 중요한 진전을 의미합니다. 코드 설계를 순수하게 대수적인 과정이 아닌 생성적 과정으로 다룸으로써, 연구진은 발견을 위한 새로운 경로를 열었습니다. 그들이 찾아낸 코드들은 단순히 이론적인 호기심에 그치는 것이 아니라, 미래의 양자 하드웨어에 구현될 수 있는 구체적인 설계들입니다. 높은 효율성과 강력한 오류 보호를 갖춘 코드를 생성하는 능력은 대규모의 신뢰할 수 있는 양자 컴퓨터라는 꿈을 현실에 더 가깝게 만듭니다. 이 분야가 계속 발전함에 따라, LiftDiff와 같은 도구는 보호, 효율성, 그리고 하드웨어 제약 사이의 복잡한 절충안을 탐색하는 데 필수적인 도구가 되어, 내일의 양자 컴퓨터가 견고하고 지능적인 설계라는 토대 위에 세워지도록 보장할 것입니다.