⚛️ 양자물리학

Random encoders and expurgation improve 1,873 entries of the Grassl qubit code tables

이 논문은 AI 에이전트가 무작위 클리포드 인코더(Clifford encoder)를 제거(expurgation)와 결합하여 사용하여 Grassl의 테이블에 기재된 최소 거리 상한을 초과하는 192개의 명시적 이진 안정화 부호(binary stabilizer codes)를 발견하였으며, 이를 통해 1,873개의 항목을 개선하고 제거된 무작위 부호(expurgated random codes)가 특정 파라미터 영역에서 일반적인 무작위 부호를 크게 능가한다는 것을 입증했다고 보고한다.

원저자: Marin Girard

게시일 2026-11-09

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Marin Girard

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

양자 컴퓨터를 구축하기 위한 경주에서 가장 큰 장애물은 정보의 취약성뿐만 아니라, 그것을 보호하는 것 자체의 엄청난 어려움입니다. 양자 비트, 즉 큐비트는 아주 미세한 노이즈에도 쉽게 방해를 받아, 순식간에 계산을 망가뜨리는 오류를 일으킵니다. 살아남기 위해 이 섬세한 상태들은 오류 정정 코드라고 알려진 보호 계층으로 둘러싸여야 합니다. 이 코드들은 단 하나의 정보를 여러 물리적 큐비트에 분산시킴으로써 작동하며, 시스템이 데이터를 직접 들여다보지 않고도 실수를 감지하고 수정할 수 있게 하는 안전망을 만듭니다. 이러한 코드의 효과는 오류를 잡아내는 능력, 즉 정보가 손실되기 전에 얼마나 많은 오류를 잡아낼 수 있느냐에 따라 측정됩니다. 수십 년 동안 과학자들은 모든 가능한 크기와 강도에 대한 최선의 알려진 코드들을 담은 거대한 참조 가이드를 유지해 왔으며, 이는 미래를 건설하려는 엔지니어들에게 지도 역할을 해왔습니다.

최근 한 연구가 그 지도의 상당 부분을 다시 그렸습니다. 무작위성과 표적화된 정제 과정을 결함 없이 결합함으로써, 연구진은 기존 가이드의 최선 기록들을 능가하는 192개의 새로운 양자 코드를 발견했습니다. 이 새로운 코드들은 단순한 이론적 가능성이 아닙니다. 이들은 정확히 주장하는 대로 작동함을 엄격하게 테스트하여 입증한 명시적이고 작동 가능한 설계도입니다. 이 발견은 많은 규모의 양자 시스템에 있어 가용한 최선의 보호책이 정교하게 제작된 경직된 구조가 아니라, 무작위 배열에서 시작하여 약점을 제거하기 위해 가지치기를 거친 코드라는 점을 시사합니다. 이 결과는 가장 효율적인 코드는 반드시 고도로 구조화되어야 한다는 오랜 가설에 도전하며, 대신 적절히 정제된 혼돈스러운 시작점이 더 우수한 보호를 제공할 수 있음을 보여줍니다.

이 작업은 단순하면서도 강력한 아이디어에서 시작되었습니다: 양자 게이트의 무작위 배열에서 시작하여 체계적으로 결함을 제거하는 것입니다. 연구진은 일련의 큐비트에 무작위 연산 시퀀스를 적용하여 수백 개의 '부모' 코드를 생성했습니다. 전형적인 무작위 코드에서는 작은 물고기를 잡기에 구멍이 너무 큰 그물처럼, 일부 오류가 감지되지 않은 채 빠져나갈 확률이 높습니다. 이를 해결하기 위해 연구팀은 '엑스퍼게이션(expurgation, 정제)'이라 불리는 과정을 사용했습니다. 그들은 현재의 설계로는 포착하기에 너무 가벼운 모든 특정 유형의 오류를 식한 뒤, 해당 특정 오류들을 코드 자체의 규칙의 일부로 승격시켰습니다. 이러한 위험한 오류들을 마치 코드 자체의 구조인 것처럼 취급하도록 강제함으로써, 코드는 효과적으로 구멍을 메우고 실수를 감지하는 능력을 높였습니다. 이 과정은 코드가 보유할 수 있는 정보량을 약간 줄였지만, 강도를 극적으로 높여 이전의 코드들이 놓쳤던 오류들을 잡아낼 수 있게 했습니다.

이 새로운 코드들이 단순히 운 좋은 추측이 아님을 보장하기 위해, 연구진은 이 분야에서 보기 드문 수준의 정밀 검증을 수행했습니다. 통계적 추정이나 부분적인 확인에 의존하는 대신, 그들은 각 코드의 한계를 증명하기 위해 철저한 전수 조사를 실시했습니다. 하한(lower bound)을 위해, 그들은 슈퍼컴퓨터를 사용하여 최대 40조 개의 별개 가능성을 조사해야 하는 과업을 수행하며 특정 가중도까지의 모든 가능한 오류 조합을 체계적으로 점검했습니다. 상한(upper bound)의 경우, 그들은 코드가 수정할 수 없는 특정 오류 사례를 찾아냄으로써, 코드가 보고된 한계보다 더 강해질 수 없음을 증명했습니다. 이러한 이중 인증은 192개 코드 모두에 대해, 즉 오류를 잡아내는 척도인 '거리(distance)'가 절대적인 확실성을 가지고 알려졌음을 의미합니다. 결과는 구체적입니다. 이 중 161개의 코드는 알려진 강도를 1단위 개선했고, 31개는 2단위를 개선했습니다.

이 연구 결과의 영향은 192개의 특정 사례를 훨씬 넘어 확장됩니다. 코드를 확장하거나 축소할 수 있게 하는 표준 규칙 덕분에, 이 새로운 발견들은 전 세계 참조 테이블의 1,873개 항목을 자동으로 개선합니다. 많은 경우, 새로운 코드들은 동일한 수준의 보호를 유지하면서도 훨씬 더 많은 정보를 저장할 수 있게 해줍니다. 예를 들어, 코드 길이가 170에서 250 큐비트 사이이고 높은 강도 요구 사항이 있는 범위에서, 새로운 코드들은 기존의 최선 옵션들보다 최대 9개의 논리적 비트를 더 많이 보유할 수 있습니다. 이는 상당한 이득이며, 사실상 양자 컴퓨터가 동일한 물리적 구성 요소로 더 많은 작업을 수행할 수 있게 합니다. 연구는 이러한 개선이 기존 테이블에 구체적인 작동 코드가 없이 이론적인 하한값만을 기재했던 영역에서 가장 두드러지게 나타났음을 발견했으며, 이는 오래된 테이블이 오랫동안 실질적인 해결책을 놓치고 있었음을 시사합니다.

연구진은 또한 이 접근 방식이 성공할 곳과 실패할 곳을 예측하기 위해 계수법(counting method)을 사용했습니다. 그들은 이 방법이 기존 테이블의 코드들이 무작위 코드가 자연스럽게 달성하는 수준보다 나을 바가 없을 때 가장 잘 작동한다는 것을 발견했습니다. 이러한 영역에서는 무작위 시작점이 이미 강력하며, 정제 과정이 이를 한 단계 더 밀어 올립니다. 그러나 테이블에 이미 고도로 구조화된 순환 코드(cyclic codes)가 존재하는 곳에서는 무작위 접근 방식이 경쟁할 수 없었습니다. 이 차이는 매우 중요합니다. 이는 무작위 코드가 보편적인 해결책은 아니지만, 우리의 지식의 공백을 메우는 데 강력한 도구라는 점을 알려줍니다. 연구는 구조화된 회로를 사용하거나 작은 사전 제작 블록으로부터 코드를 구축하는 것과 같은 대안적 전략들이 테스트되었으나, 시도된 특정 구현 및 매개변수 내에서는 무작위 부모 코드만큼 성능을 내지 못했다고 언급했습니다. 이러한 결과는 해당 방법들에 대한 일반적인 금지가 아니라, 특정 실험에서의 결과입니다.

전체 탐색은 인공지능 에이전트에 의해 수행되었습니다. AI는 소프트웨어를 작성하고, Aurora 슈퍼컴퓨터에서 방대한 계산을 관리하며, 결과를 검증했습니다. 이러한 자동화 덕분에 연구팀은 인간이 수동으로 탐색하는 것이 불가능했을 광범위한 가능성의 풍경을 탐험할 수 있었습니다. AI는 단순히 코드를 찾는 데 그치지 않고, 코드가 작동함을 증명하는 인증서를 생성하고, 발견된 내용을 검증할 독립적인 검사기를 구축했습니다. 그 결과, 수학적 기술과 강도에 대한 증명을 완비한 192개의 명시적 코드 컬렉션이 공개되었습니다. 이 코드들은 단순히 페이지 위의 숫자가 아닙니다. 이들은 더 견고한 양자 시스템을 구축하기 위한 바로 사용 가능한 지침서입니다.

앞으로를 내다보며, 이 연구는 이 접근 방식의 실질적인 한계를 강조합니다. 이 코드들을 인증하기 위해 필요한 전수 검사는 시스템의 규모가 커짐에 따라 계산적으로 불가능해지며, 현재 이 방법은 약 250 큐비트 정도로 제한됩니다. 더 나아가기 위해, 연구진은 미래의 코드들이 모든 가능성을 조사할 필요 없이 효율적인 검증이 가능한 다른 아키텍처를 사용하여 구축되어야 할 수도 있다고 제안합니다. 그때까지, 이 192개의 코드는 해당 크기 범위 내에서 양자 오류 정정의 새로운 벤치마크로 남을 것입니다. 이들은 양자 정보를 보호하려는 노력에서, 때로는 엄격한 질서를 강요하는 것이 아니라, 약간의 혼돈을 수용하고 그것을 정교하게 다듬어 더 강한 것으로 만드는 것이 최선의 길임을 보여줍니다.

기술 요약: 무작위 인코더와 퍼지(Expurgation)를 통한 Grassl의 큐비트 코드 테이블 개선

문제 정의
Grassl의 테이블 [1]은 $n \le 256$ 인 길이에서 큐비트 안정기 코드(stabilizer codes)의 최소 거리에 대한 알려진 최선의 하한(lower bound)과 상한(upper bound)을 제공한다. 그러나 $n > 100$ 인 경우, 해당 항목 중 상당 부분( $k \ge 1$ 일 때 절반 이상)이 명시적인 코드 구성을 제시하지 않은 채 하한만을 나열하고 있다. 기존의 명시적 코드들은 주로 순환형 구조(BCH, 준순환(quasi-cyclic) 등)에 편중되어 있다. 무작위 안정기 코드가 양자 길버트-바탐(Gilbert–Varshamov, GV) 경계에 도달할 수 있음이 알려져 있음에도 불구하고, 테이블에 존재하는 최선의 명시적 코드들은 일반적으로 이 무작위 수준을 상회한다. 과제는 현재 존재 경계만을 제공하거나 순환 구조가 최적의 차원 $k$ 를 제공하지 못하는 영역에서, 현재의 최선 기록을 능가하는 명시적 코드를 찾는 것이다.

방법론
저자는 무작위 클리포드(Clifford) 인코더를 적용한 후 표적화된 퍼지(expurgation) 과정을 거쳐 검증하는 구성을 사용한다.

부모 코드 생성: 부모 코드는 $K$ 개의 논리 입력 큐비트와 $|0\rangle$ 상태의 $n-K$ 개 안실라(ancilla) 큐비트에 16~20개의 무작위 2-큐비트 클리포드 게이트를 적용한 무작위 클리포드 인코더로 정의된다. 이 부모 코드들은 통계적으로 균등 무작위 안정기 코드처럼 행동한다.
퍼지(Expurgation): 거리를 개선하기 위해, 목표 거리 $D$ $D$ 미만의 가중치를 가진 논리 연산자들을 안정기(stabilizer)로 "승격"시킨다.
- $W$ 를 가중치 $< D$ 인 파울리 연산자를 포함하는 0이 아닌 논리 클래스의 집합이라 하자.
- 차원이 $q$ 인 등방성 부분 공간(isotropic subspace) $U \subseteq L$ (논리 그룹)을 선택하여, 모든 $w \in W$ 가 $U$ 의 적어도 하나의 생성자와 반교환(anticommute)하도록 한다.
- $U$ 의 원소들을 안정기 그룹에 추가함으로써, 코드의 차원을 $K$ 에서 $K-q$ 로 줄이면서 새로운 거리 $d(S') \ge D$ 를 보장한다.
- 이 선택은 $\mathbb{F}_2$ 상의 선형 대수를 이용한 무작위 탐색을 통해 수행된다.
펀처링(Puncture) 및 수리(Repair): 보고된 코드 중 두 개는 기존 테이블의 코드를 펀처링(한 큐비트를 제거)한 후, 퍼지 과정을 적용하여 거리를 수리함으로써 도출되었다.
거리 인증:
- 상한(Upper Bound): 무작위 윈도우 탐색을 통해 가중치 $d$ 인 명시적 논리 연산자를 찾아 검증한다.
- 하한(Lower Bound): 전수 조사 방식인 "미트 인 더 미들(meet-in-the-middle)" 열거법을 통해 인증한다. 알고리즘은 가중치 $b = \lfloor (d-1)/2 \rfloor$ 까지의 모든 파울리 연산자를 열거하고, 동일한 신드롬을 갖는 쌍이 있는지 확인한다. 만약 이 쌍의 곱이 비자명한 논리 연산자라면 거리가 부정된다. 이 탐색은 Aurora 슈퍼컴퓨터에서 실행되었으며, 열거 범위는 최대 $4 \times 10^{13}$ 개의 연산자에 달했다.
AI 통합: 검색, 코딩 및 인증 프로세스는 인간의 감독 하에 AI 에이전트에 의해 실행되었다.

이론적 프레임워크
본 논문은 퍼지의 효능를 예측하기 위해 1차 모멘트 계수 산출법(first-moment counting argument)을 활용한다.

"잉여(excess)" $X(n, k, d) = k - k_{rand}(n, d)$ 는 코드가 무작위 코드 수준보다 얼마나 많은 논리 큐비트를 갖는지 측정한다.
부분 공간 $U$ 를 선택하는 "자유도"(대략 $2^{2Kq - \frac{3}{2}q^2}$ 로 스케일링됨)가 저중량 논리 클래스를 모두 제거하는 "비용"( $2^X$ 로 스케일링됨)보다 크다면 퍼지는 성공할 수 있다.
분석 결과, 퍼지는 $K$ 라는 부모 차원에 대해 로그 스케일인 잉여 $X$ 에 도달할 수 있음을 시사한다. 이는 이 방법이 테이블의 최선 코드가 무작위 코드와 다를 바 없는 지점(즉, $X$ 가 작거나 음수인 지점)에서 가장 효과적인 이유를 설명한다.

주요 결과
본 연구는 파라미터 $53 \le n \le 254$ 및 $5 \le d \le 13$ 를 갖는 192개의 명시적 이진 안정기 코드를 보고한다.

테이블 대비 개선 사항: 특정 $(n, k)$ 좌표에서, 161개의 코드는 테이블의 하한을 1만큼 초과하며, 31개는 2만큼 초과한다.
전파(Propagation): 표준 전파 규칙( $[[n, k, d]] \to [[n+1, k, d]]$ 및 $[[n, k, d]] \to [[n, k-1, d]]$ )을 통해, 이 결과들은 $k \ge 1$ 인 Grassl 테이블의 1,873개 항목을 개선하였으며, 구체적으로 1,748개 항목을 1만큼, 125개 항목을 2만큼 높였고, 이 중 485개 항목은 이전에 명시적 코드가 없던 항목이다.
구체적 이득:
- 논리 큐비트 $k$ 의 가장 큰 이득(최대 9)은 $d \ge 9$ 및 $n \gtrsim 170$ 에서 발생하며, 특히 테이블이 명시적 코드 없이 하한만을 나열했던 영역에서 나타난다.
- 예시: $(n, d) = (180, 9)$ 의 경우, 새로운 코드는 $[[180, 131, 9]]$ 이며, 이는 테이블의 $k=122$ 를 개선한 것이다.
- 예시: $(n, d) = (212, 11)$ 의 경우, 새로운 코드는 $[[212, 149, 11]]$ 이며, 이는 테이블의 $k=140$ 을 개선한 것이다.
예측: 1차 모멘트 계수를 기반으로 교정된 예측기는 유사한 개선이 이론적으로 가능한 619개의 추가적인 $(n, d)$ 쌍을 식별하였으며, 이들 중 다수는 현재 테이블에 명시적 구성이 결여되어 있다.

의의 및 주장
본 논문은 무작위 클리포드 인코더가 퍼지를 통해 개선되고 엄격하게 인증될 때, 특히 무작위 코드의 거동이 지배적이고 구조화된 순환형 코드가 아닌 영역에서 Grassl 테이블의 최선 알려진 명시적 코드들을 능가할 수 있다고 주장한다.

본 연구는 "조밀한(dense)" 안정기 코드(non-LDPC)가 특정 길이와 거리에서 최선의 알려진 순환형 코드보다 우수한 파라미터를 달달성할 수 있음을 입증한다.
결과는 완전히 명시적이며 인증되었다. 모든 코드는 안정기 행렬, 상한을 위한 명시적 논리 연산자, 그리고 하한에 대한 완전한 인증서를 제공한다.
본 연구는 복잡한 양자 코드 탐색 및 검증을 자동화하는 데 있어 AI 에이전트의 잠재력을 강조한다.
저자는 이 접근법의 주요 한계가 전수 조사 방식의 거리 인증에 따르는 지수적 시간 복잡도( $O(n^{d/2})$ )이며, 이로 인해 현재는 슈퍼컴퓨터가 가용한 길이로 제한된다는 점을 언급한다. 향-후 연구에서는 더 긴 코드에 대해서도 효율적인 거리 계산을 가능하게 하는 작은 컷(cut)을 가진 텐서 네트워크 구성을 탐구할 수 있을 것이라고 제안한다.

데이터 가용성
192개의 모든 코드, 그 인증서, 그리고 독립적인 체크 스크립트는 공개 저장소 [8]에서 확인할 수 있다. 저장소에는 안정기 행렬, 상한에 사용된 논리 연산자, 그리고 하한 열거 실행 로그가 포함되어 있다.

유사한 논문