Non-Stationary Decoherence in Superconducting Qubits:Memory Multi-Fractional Brownian Motion and a Time-Dependent Quantum Brownian Motion Extension

양자 컴퓨터를 구축하려는 여정에서, 과학자들은 오늘날의 기계로는 불가능한 문제를 해결하기 위해 아원자 세계의 기이한 규칙들을 활용하려고 노력하고 있습니다. 이 기계들의 핵심에는 정보의 기본 단위 역할을 하는 초전도 큐비트라고 불리는 아주 작은 회로가 있습니다. 작동을 위해 이 회로들은 여러 상태에 동시에 존재할 수 있는 상태인 양자 결맞음(quantum coherence)의 섬세한 상태를 유지해야 합니다. 하지만 현실 세계는 소란스럽습니다. 전기장과 자기 환경의 보이지 않는 변동이 끊임없이 이 회로들을 몰아치며, 이로 인해 큐비트는 양자 정보를 잃고 일반적인 상태로 붕괴하게 됩니다. 결맞음 상실(decoherence)이라고 알려진 이 과정은 현재의 기술과 강력한 양자 컴퓨터 사이를 가로막는 주요 장애물입니다. 수십 년 동안 연구자들은 노이즈가 라디오의 정전기처럼 무작위적이고 변하지 않는다고 가정하는 표준 통계 도구를 사용하여 이 노이즈를 모델링하려고 시도해 왔습니다. 그러나 최근의 측정 결과들은 이 회로의 노이즈가 훨씬 더 복잡하며, 오래된 모델로는 설명할 수 없는 방식으로 긴 기억력을 가지고 시간이 지남에 따라 그 특성이 변화한다고 보여줍니다.

Mahboob Ul-Haq의 새로운 연구는 이 고집스러운 노이즈를 이해하고 예측하는 신선한 방법을 제시합니다. 연구자는 주변 환경을 단순하고 정적인 배경이 아니라, 진화하는 기억을 가진 동적인 시스템으로 취급하는 통합 모델을 제안합니다. 이 프레임워크에서 노이즈는 메모리 다중 분수 브라운 운동(memory multi-fractional Brownian motion)이라는 수학적 개념을 사용하여 설명됩니다. 경로가 단순히 무작위적인 것이 아니라, 길을 따라 걸을 때 경로의 거칠기가 서서히 변하는 모습을 상상해 보십시오. 큐비트의 맥락에서 이는 노이즈의 '거칠기' 또는 강도가 시간이 지남에 따라 변화하여, 표준 모델이 놓치는 패턴을 만들어낸다는 것을 의미합니다. 이 연구는 이러한 고전적 설명을 양자 역학적 확장과 결합하여, 노이즈가 있는 환경을 큐비트와 상호작용하는 미시적인 입자 욕조(microscopic bath of particles)와 연결합니다. 이러한 연결을 통해 모델은 노이즈가 다양한 온도에서 어떻게 행동하는지, 그리고 어떻게 양자적 행동에서 고전적 행동으로 전이되는지를 설명할 수 있습니다.

연구자는 이 새로운 프레임워크를 사용하여 초전도 전하 큐비트가 에너지를 잃고 결맞음을 잃는 과정을 수행하는 상세한 컴퓨터 시뮬레이션을 실행했습니다. 그들은 노이즈가 오래된 이론들이 예측했던 것처럼 매끄럽고 예측 가능한 곡선을 그리며 단순히 사라지는 것이 아님을 발견했습니다. 대신, 큐비트의 결맞음은 환경의 변화하는 기억을 반영하여 느려지거나 빨라지는 늘어진(stretched) 패턴으로 붕괴합니다. 시뮬레이션은 이러한 조건 하에서 큐한 큐비트가 정보를 얼마나 오래 유지할 수 있는지에 대한 구체적인 수치를 밝혀냈습니다. 모델은 큐비트가 에너지 상태를 유지하는 시간인 이완 시간(relaxation time)을 약 500만 나노초로 예측했습니다. 위상 정보를 잃는 데 걸리는 시간인 디페이징 시간(dephasing time)은 약 418,000 나노초로 계산되었습니다. 이러한 결과는 노이즈가 전하 변동에 의해 지배될 때, 노이즈의 독특하고 시간 가변적인 특성을 고려한다면 큐비트가 놀라울 정도로 긴 기간 동안 상태를 유지할 수 있음을 시사합니다.

가장 중요한 발견 중 중 하나는 노이즈 지수(noise exponent), 즉 노이즈 전력이 주파수에 따라 어떻게 변하는지를 설명하는 숫자가 고정된 상수가 아니라는 점입니다. 이전 모델들에서는 이 값이 항상 동일하다고 가정되었습니다. 그러나 본 연구는 이 지수가 천천히 표류한다는 것을 보여주며, 이는 실제 장치에서의 관측 결과와 고정된 값보다 훨씬 더 정확하게 일치합니다. 연구자는 이 지수가 변하도록 허용함으로써, 모델이 많은 게이트 사이클 동안 지속되는 노이즈의 장거리 상관관계를 포착할 수 있음을 입증했습니다. 이는 환경이 과거의 변동을 기억하고 미래의 변동에 영향을 미친다는 것을 의미하며, 표준 모델은 이를 무시합니다. 또한 연구는 에너지의 이완과 노이즈 진폭이 큐비트의 에너지 붕괴에 독립적으로 작용한다는 점을 보여주었으며, 이 구분은 더 나은 오류 수정 전략을 설계하는 데 도움이 됩니다.

논문은 더 나아가 이 노이즈가 정보를 처리하는 연산인 양자 게이트의 성능에 어떻게 영향을 미치는지 탐구합니다. 에너지 손실과 디페이징 사이의 경쟁을 분석함으로써, 연구는 이러한 연산을 수행하기 위한 잠재적인 최적의 시간 창(optimal time window)을 식려냈습니다. 게이트가 너무 빠르면 노이즈가 방해하고, 너무 느리면 큐비트가 이완으로 인해 상태를 잃습니다. 모델은 총 오류가 최소화되는 특정 지속 시간을 제안하여, 이 회로를 구축하는 엔지니어들에게 가이드를 제공합니다. 그러나 저자는 이 최적화가 가우시안 디페이징을 가정하는 오류 모델에 의존하며, 아직 고차 효과에 대한 완전한 동적 검증을 포함하지 않는다고 언급했습니다. 연구자는 또한 다양한 유형의 메모리 커널(환경이 과거를 어떻게 기억하는지를 설명하는 수학적 함수)에 대해 이론을 테스트했습니다. 그들은 적응형 커널(adaptive kernel)이 진화하는 노이즈에 맞춰 형태를 변화시킴으로써, 고정되고 변하지 않는 모델보다 현실적인 변동을 훨씬 더 잘 재현한다는 것을 발견했습니다.

연구 결과의 견고함을 보장하기 위해, 연구자는 자신의 결과를 확립된 한계치들과 비교했습니다. 연구자는 온도가 충분히 높을 때, 이 복잡한 양자 모델이 처음에 시작했던 고전적 설명으로 자연스럽게 단순화됨을 보여줌으로써 두 접근 방식이 일치함을 증명했습니다. 또한 환경이 단순하고 변하지 않을 때 표준 노이즈의 행동을 올바르게 재현함을 확인했습니다. 그러나 연구는 현재 방법의 한계도 강조합니다. 연구자는 매우 낮은 온도에서 이러한 시스템을 시뮬레이션하는 것이, 특히 매우 낮은 주파수에서의 노이즈의 특이적 거동을 다루는 데 있어 수치적 어려움을 준다고 언급했습니다. 또한 데이터로부터 노이즈 파라미터를 추출하기 위해 머신러닝을 사용하는 것이 표준 신경망으로는 어려웠음을 발견했는데, 이는 모델이 신뢰할 수 있게 일반화하는 데 실패했기 때문이며, 이는 향-기반 알고리즘(sequence-aware algorithms)이 미래에 이러한 복잡한 패턴을 완전히 해독하는 데 필요할 것임을 시사합니다.

궁극적으로, 이 작업은 초전도 큐비트가 헤쳐 나가야 하는 노이즈가 많은 풍경에 대한 더 유연하고 현실적인 지도를 제공합니다. 노이즈가 시간에 따라 변하는 기억을 가지고 있다는 점을 인정함으로써, 이 연구는 오래된 정적 모델의 한계를 넘어섭니다. 이는 결맞음 시간과 게이트 오류를 더 높은 정밀도로 예측할 수 있는 방법을 제공하며, 이는 차세대 양자 하드웨어를 설계하는 데 필수적입니다. 모델은 새로운 물리적 실험보다는 시뮬레이션과 이론적 도출에 의존하지만, 향후 테스트를 위한 명확한 경로를 제공합니다. 연구자는 실제 장치에서 식별된 특정 붕괴 패턴과 온도 의존성을 측정하는 것이, 이 시간 의존적이고 기억이 풍부한 양자 세계의 관점이 옳은지 확인하는 다음 단계라고 제안합니다.