Real-time single-shot qubit-state discrimination on FPGA with a parameter-efficient Trace–IQ fusion network

실용적인 양자 컴퓨터를 구축하기 위한 경쟁에서, 기계의 가장 취약한 부분은 프로세서 자체가 아니라 우리가 그것의 소리를 들으려고 시도하는 순간입니다. 이 컴퓨터들의 두뇌 역할을 하는 작은 회로인 초전도 큐비트는 매우 섬세한 중첩 상태로 존재하며, 너무 거칠게 방해받으면 사라져 버리는 정보를 보유하고 있습니다. 큐비트가 무엇을 하고 있는지 읽기 위해, 과학자들은 큐비트에 마이크로파 신호를 쏘고 희미한 메아리를 듣습니다. 이 메아리는 데이터 포인트의 흐름, 즉 시간이 지남에 따라 변하는 노이즈 섞인 속삭임으로 전달됩니다. 과제는 큐로가 바닥 상태(ground state)에 있는지 아니면 들뜬 상태(excited state)에 있는지를 아주 짧은 순간 내에 결정하는 것입니다. 이 결정은 큐비트가 여전히 살아있는 동안 즉각적으로 일어나야 하며, 그래로 컴퓨터가 오류가 퍼지기 전에 이를 수정할 수 있어야 합니다. 만약 듣는 과정이 너무 느리거나 서투르면 정보는 손실되고 계산은 실패합니다. 수년 동안, 듣기의 표준 방식은 신호를 정적인 스냅샷으로 취급하여 신호가 전개됨에 따라 발생하는 미묘한 변화를 무시하는 단순하고 경직된 방법이었습니다.

한 연구자가 이제 더 똑똑하게 듣는 방법을 시양했습니다. 이는 양자 컴퓨터를 제어하는 하드웨어에서 직접 실행되는 방식입니다. 그들은 이러한 신호를 읽는 더 새로운 방법을 개발했는데, 이는 더 정확할 뿐만 아니라 이전의 시도들보다 훨씬 적은 컴퓨팅 파워를 요구할 정도로 믿을 수 없을 만큼 효율적입니다. 신호의 진화 과정을 인식하도록 작고 특화된 컴퓨터 프로그램을 훈련시킴으로써, 그들은 오랜 기간 업계 표준을 능가하는 수준의 정확도를 달amel했습니다. 이 돌파구는 복잡한 의사결정이 시스템의 제한된 자원을 압도하지 않으면서도, 양자 프로세서 바로 옆에서 실시간으로 일어날 수 있음을 증명했다는 점에서 중요합니다. 연구자는 단순히 신호의 평균값을 보는 것이 아니라 신호가 시간에 따라 변하는 구체적인 방식에 집중함으로써, 0.9962라는 충실도(fidelity, 올바를 확률을 나타내는 숫자)를 가지고 두 상태를 구별할 수 있음을 보여주었습니다.

문제의 핵심은 물리적 세계의 불완전함에 있습니다. 큐비트를 측정할 때, 큐비트는 항상 시작했던 상태를 유지하는 것은 아닙니다. 큐비트는 에너지를 누출하며 붕괴할 수 있고, 측정 창(measurement window) 중간에 자신의 정체성을 바꿀 수 있습니다. 또한 표준적인 읽기 방식이 예상하지 못한 세 번째의 원치 않는 상태로 누출될 수도 있습니다. 게다가 장비 자체도 시간이 지남에 따라 약간씩 드리프트(drift)되어 신호의 위치를 이동시키기도 합니다. 매칭 필터(matched filter)라고 알려진 전통적인 방식은 신호가 완벽하고 정적인 데이터 클라우드일 때는 잘 작동합니다. 하지만 신호가 측정 중에 형태나 위치가 변하는 움직이는 표적일 때는 실패합니다. 이 방식은 본질적으로 전체 신호를 하나로 평균화하여, 신호가 순간순간 어떻게 변했는지에 대한 결정적인 정보를 버려버립니다. 이러한 한계는 잠재적인 정확성의 상당 부분이 낭비되고 있었음을 의미했습니다.

이를 해결하기 위해, 연구자는 붕괴와 드리프트를 포함하여 양자 측정의 실제 세계적 노이즈와 불완전함을 모방한 시뮬레이션을 구축했습니다. 그는 이 시뮬레이션을 사용하여 4만 개의 개별 측정 이벤트를 생성했습니다. 그런 다음 네 가지 전통적인 수학적 방법과 데이터로부터 패턴을 학습하도록 설계된 컴퓨터 시스템인 신경망 기반의 새로운 접근 방식을 테스트했습니다. 매칭 필터와 단순 적분 기술을 포함한 전통적인 방법들은 시뮬레이션의 무질서한 현실을 따라가는 데 어려움을 겪었습니다. 이들은 대략 0.97에서 0.98 사이의 충실도를 달성했는데, 이는 약 2~3%의 경우에 실수를 했음을 의미합니다.

연구자는 이후 '트레이스-IQ 퓨전 네트워크(Trace–IQ Fusion Network)'라고 부르는 새로운 아키텍처를 도입했습니다. 이 시스템은 함께 작동하는 두 개의 뚜렷한 경로로 설계되었습니다. 한 경로는 신호의 전체 이력을 살펴보며, 파동의 형태가 시간에 따라 어떻게 변하는지 분석하여 측정 중 발생하는 붕괴와 누출을 포착합니다. 다른 경로는 단순히 신호의 평균 위치를 계산하는데, 이는 기존 방식들이 의존했던 방식입니다. 이 두 가지 관점을 융합함으로써, 네트워크는 두 세계의 장점을 모두 갖게 됩니다. 즉, 전체적인 위치를 알면서도 그곳에 도달하기까지의 이야기를 이해하게 되는 것입니다. 놀랍게도, 이 새로운 네트워크는 0.9962의 충실도를 달성하여 최고의 전통적 방법을 명확한 차이로 앞질렀습니다. 이 네트워크는 표준적인 방식보다 오류를 적게 범하며, 거의 모든 경우에 상태를 정확하게 식별해 냈습니다.

이 발견을 특히 강력하게 만드는 것은 정확성뿐만 아니라 극도로 효율적인 설계입니다. 이 새로운 네트워크는 학습을 위해 단 686개의 조정 가능한 숫자, 즉 파라미터만을 필요로 했습니다. 반면, 유사한 정확도를 달성한 표준 신경망은 7,000개 이상의 파라미터를 필요로 했습니다. 이는 새로운 시스템이 약 10배 더 효율적이며, 메모리와 컴퓨팅 파워를 아주 적게 사용한다는 것을 의미합니다. 이러한 효율성은 결정이 양자 프로세서 바로 옆에 위치하며 추가 소프트웨어를 위한 공간이 매우 제한적인 필드 프로그래머블 게이트 어레이(FPGA) 상에서 이루어져야 하기 때문에 매우 중요합니다. 연구자는 자신들의 설계가 훨씬 더 작게 축소되어도 효과적으로 작동할 수 있음을 보여주었으며, 이는 시스템의 나머지 부분을 느리게 만들지 않고도 하드웨어에서 실행될 수 있게 합니다.

이 설계가 실제 하드웨어에 실제로 구축될 수 있는지 확인하기 위해, 연구자는 특정 기술적 장애물을 극복해야 했습니다. 소프트웨어 설계를 하드웨어 칩이 이해하는 언어로 번역할 때, 데이터를 단순화하는 '풀링(pooling)'이라는 일반적인 단계가 종종 숫자를 잘못 스케일링하여 네트워크의 논리를 깨뜨리곤 했습니다. 연구자는 표준 풀링 단계를 동일한 작업을 수행하지만 하드웨어 번역 시 올바르게 작동하는 고정된 불변 계산으로 교체함으로써 이 문제를 해결했습니다. 이 작지만 영리한 조정 덕분에 전체 시스템을 학습된 지능의 손실 없이 작동하는 칩 설계로 합성할 수 있었습니다. 연구자는 디지털 칩 시뮬레이션을 실행하여 원래의 소프트웨어 모델과 거의 완벽하게 일치함을 확인함으로써, 설계가 의도한 대로 작동할 것임을 검증했습니다.

결과는 양자 컴퓨팅의 미래가 이러한 작고 지능적인 리스너(listeners)들에 달려 있음을 시사합니다. 경직된 일률적 방식에서 벗어나, 양자 신호의 무질서하고 변화하는 성격에 적응할 수 있는 시스템을 수용함으로써, 과학자들은 기기로부터 더 많은 정보를 추출할 수 있습니다. 새로운 네트워크는 큐비트가 붕괴하거나 드리프트되는 상황에서도 실시간으로 높은 충실도의 읽기를 달성할 수 있음을 입증했습니다. 비록 이 연구가 물리적인 양자 컴퓨터가 아닌 매우 현실적인 시뮬레이션을 사용하여 수행되었지만, 결과는 차세대 제어 시스템을 위한 명확한 로드맵을 제공합니다. 이러한 정교한 판별기를 작은 칩에서 실행할 수 있다는 능력은, 양자 컴퓨터가 이제 그 어느 때보다 빠르고 더 신뢰할 수 있게 스스로의 오류에 반응할 수 있음을 의미하며, 안정적이고 대규모인 양자 기계라는 꿈을 실현하는 데 한 걸음 더 다가가게 합니다.