구글 Willow 오류 감소 성과, 매직 스테이트와 상용화 과제

구글 Willow의 이번 성과는 양자컴퓨터 전체의 오류가 40배 줄었다는 뜻이 아닙니다. Willow 초전도 양자 프로세서에서 계산에 필요한 매직 스테이트를 준비하는 실험을 진행했고, 단순 상태 주입과 비교해 해당 논리 상태의 오류를 약 40분의 1로 낮춘 결과입니다.

핵심은 물리 큐비트 하나의 성능 개선이 아니라 오류를 검출하고 문제가 발견된 시도를 버리는 프로토콜에 있습니다. 높은 충실도를 얻은 대신 전체 시도의 약 8%만 남았기 때문에, 실제 계산에 활용하려면 성공률과 처리 비용까지 함께 개선해야 합니다.

구글 Willow에서 무엇이 40배 개선됐나

실험의 대상은 매직 스테이트입니다. 매직 스테이트는 오류정정 양자컴퓨터가 더 폭넓은 계산을 수행할 때 필요한 특수한 논리 상태입니다. 연구진은 거리 3 컬러 코드에서 T 상태를 주입한 뒤, 오류를 찾아내는 배양 과정을 추가했습니다.

배양 전 T 상태 주입의 논리 오류 확률은 4.4(2)×10^-3이었습니다. 배양을 포함한 전체 회로에서는 약 1×10^-4에서 2×10^-4 수준으로 낮아졌습니다. 이 비교에서 약 40배라는 개선 폭이 나온 것입니다.

따라서 40배라는 숫자는 Willow가 수행하는 모든 양자 계산의 오류율이나 계산 성공률을 나타내지 않습니다. 특정 코드와 회로를 이용해 매직 스테이트를 준비한 실험의 전후 차이로 이해해야 합니다.

매직 스테이트 배양이 오류를 줄이는 구조

매직 스테이트 배양은 상태를 만든 뒤 오류 여부를 검사하고, 문제가 감지된 실행 결과를 제외하는 방식입니다. 논문이 보고한 배양 후 충실도는 0.9999(1), 오류 상한은 1(1)×10^-4였습니다. 충실도는 목표한 양자 상태와 실제로 만든 상태가 얼마나 가까운지를 나타냅니다.

높은 충실도에는 분명한 대가가 따랐습니다. 오류가 검출된 시도를 버리고 나면 전체 시도의 약 8%만 유지됐습니다. 다시 말해 상태의 품질은 크게 높였지만, 많은 실행 결과를 사용하지 못했습니다.

이 수치들은 오류 감소 성과뿐 아니라 실제 운용상의 부담도 보여줍니다. 상용 시스템에서는 정확한 상태를 만드는 것과 함께 충분한 속도로 상태를 계속 공급할 수 있어야 합니다.

216개 게이트와 54회 측정이 보여주는 의미

40배 개선을 확인한 거리 3 컬러 코드 회로에는 물리적 2큐비트 게이트 216개와 측정 54회가 포함됐습니다. 여러 연산과 측정을 거치면서도 낮은 논리 오류를 달성했다는 점이 중요합니다.

연구진은 컬러 코드 오류정정 사이클 네 번을 추가했을 때 논리 성능이 약 100배 개선됐다고 보고했습니다. 해당 사이클을 제거하면 오류가 약 100배 커졌습니다. 이는 결과가 단순한 물리 큐비트 성능 향상만으로 나온 것이 아니라, 오류 검출과 후선택을 포함한 전체 프로토콜에 의존한다는 점을 보여줍니다.

투자 관점에서도 개별 오류 수치 하나보다 어떤 회로, 코드, 후선택 조건에서 나온 결과인지 함께 살펴야 합니다. 같은 프로세서라도 오류정정 절차와 결과 채택 기준에 따라 실용적인 처리량은 크게 달라질 수 있습니다.

작은 코드에서 큰 코드로 옮긴 그래프팅

연구진은 거리 3 컬러 코드에서 만든 상태를 거리 5 표면 코드와 호환되는 더 큰 인코딩으로 옮기는 그래프팅도 시연했습니다. 그래프팅은 한 코드에서 준비한 논리 상태를 다른 오류정정 코드로 이전하는 과정입니다.

이 단계가 필요한 이유는 작은 코드에서 배양한 상태를 그대로 오래 유지하면 반복되는 오류정정 사이클의 유휴 오류가 충실도 개선을 잠식할 수 있기 때문입니다. 상태 준비에 유리한 코드와 장기 보존 및 계산에 유리한 코드를 연결할 수 있다면 각 방식의 장점을 나눠 활용할 수 있습니다.

다만 이번 그래프팅 결과는 비클리퍼드 상태를 더 유리한 코드로 옮길 수 있음을 보여준 원리 증명 수준입니다. 대규모 계산에서 지속적으로 작동하는 생산 체계가 완성됐다는 의미는 아닙니다.

상용화까지 남은 네 가지 과제

이번 실험은 중요한 병목을 좁혔지만, 실제 양자 계산으로 연결하려면 다음 조건이 해결돼야 합니다.

• 실시간 T 게이트 구현: 준비한 매직 스테이트를 실제 계산 흐름에서 즉시 사용할 수 있어야 합니다.
• 더 큰 코드 거리로 그래프팅: 더 많은 오류를 견딜 수 있는 큰 코드로 상태를 안정적으로 옮겨야 합니다.
• 그래프팅 코드용 디코더 개선: 측정 결과를 해석해 오류 위치와 수정 방식을 결정하는 디코더의 성능이 뒷받침돼야 합니다.
• 매칭 가능한 코드 구현: 상태 준비 코드와 계산용 코드가 실제 하드웨어에서 효율적으로 연결돼야 합니다.

여기에 약 8%였던 유지 비율도 중요한 판단 지표입니다. 낮은 오류율을 유지하면서 버려지는 시도를 줄이지 못하면, 필요한 매직 스테이트를 충분한 속도로 공급하기 어렵습니다.

양자컴퓨팅이 실제 산업에 어떻게 연결되는지 더 넓은 맥락이 궁금하다면 금융계의 양자컴퓨팅 사례와 관련 기업도 함께 살펴보실 수 있습니다.

윗글들을 정리해보면

구글 Willow는 매직 스테이트 준비 과정의 논리 오류를 단순 상태 주입 대비 약 40분의 1로 낮췄습니다. 배양 후 충실도는 0.9999(1)에 도달했지만, 오류가 감지된 시도를 제외한 뒤 남은 비율은 약 8%였습니다.

이번 성과의 의미는 양자컴퓨터 전체가 곧 상용화된다는 데 있지 않습니다. 오류정정 회로와 후선택을 통해 고품질 매직 스테이트를 만들고, 이를 더 큰 코드로 이전할 가능성을 실험으로 보였다는 데 있습니다.

앞으로는 실시간 T 게이트, 더 큰 코드 거리로의 그래프팅, 디코더 개선, 상태 공급 효율을 확인해야 합니다. 낮은 상태 오류율과 충분한 처리량이 동시에 구현되는지가 연구 성과와 실제 계산 능력을 가르는 기준이 될 것입니다.