Towards a quantum computer that learns from its errors

🖼️ 인포그래픽

Towards a quantum computer that learns from its errors 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

💡 한 줄 요약

구글 연구진은 양자 오류 정정의 탐지 데이터를 강화학습 신호로 재활용해, 계산을 중단하지 않고 제어 변수를 지속적으로 조정하며 하드웨어 변동을 억제하는 양자 제어 방식을 입증했다.

📌 핵심 요약

양자 컴퓨터는 아날로그 제어 신호의 주파수·진폭·위상이 시간에 따라 변하기 때문에 반복적인 재보정이 필요하며, 기존 방식은 이를 위해 전체 계산을 중단해야 했다.
양자 오류 정정은 여러 물리 큐비트로 논리 큐비트를 구성하고 오류 탐지 사건을 생성하지만, 기존 디코더는 오류를 교정할 뿐 오류가 발생한 제어상의 원인까지 해결하지는 못한다.
연구진은 오류 탐지 사건을 강화학습의 피드백으로도 활용해, 자율 에이전트가 계산 도중 수천 개의 제어 변수를 조정하고 변동에 대응하도록 했다.
윌로 초전도 프로세서 실험에서 이 방식은 인위적으로 주입된 변동 아래 논리적 안정성을 3.5배 높였고, 전문가 보정 이후에도 논리 오류율을 추가로 20% 낮췄다.
수백 개 큐비트와 수만 개 제어 변수를 사용한 시뮬레이션에서는 필요한 학습 반복 횟수가 시스템 크기와 무관했으며, 연구진은 더 빠른 통신과 고도화된 학습 기법을 다음 과제로 제시했다.

🧩 주요 포인트

오류 탐지 데이터의 역할을 사후 교정에서 실시간 제어 학습까지 확장해, 계산과 보정을 분리하던 운영 병목을 줄였다.
물리 모델과 전문가 직관으로 처리하기 어려운 복잡한 변동을 데이터 기반 미세 조정으로 보완했으며, 이미 정밀하게 보정된 장치에서도 추가 개선을 확인했다.
오류 탐지의 국소성 덕분에 학습 반복 횟수가 장치 규모에 따라 늘지 않는 결과를 얻었지만, 실제 대규모 적용에는 에이전트와 프로세서의 긴밀한 통합이 필요하다.

🧠 상세 정리

1. 계산을 멈춰야 했던 양자 보정의 병목

양자 컴퓨터는 본질적으로 아날로그 장치이므로 큐비트를 조종하는 신호의 주파수·진폭·위상이 시간에 따라 변하는 현상에 민감하다. 현재는 안정적인 작동을 유지하려면 이러한 제어 변수를 계속 재보정해야 하는데, 보정을 수행하려면 진행 중인 양자 계산 전체를 종료해야 한다. 이는 계산과 보정이 완전히 분리되어 있음을 뜻하며, 며칠 또는 몇 달 동안 연속으로 실행되어야 할 유용한 양자 알고리즘에는 근본적인 병목이 된다. 연구진은 이를 연주 도중 악기가 계속 음정에서 벗어나 오케스트라 전체가 매번 연주를 중단하고 조율해야 하는 상황에 비유했다. 이번 연구의 목표는 계산을 멈추지 않은 채 변동을 추적하고 제어 상태를 조정해, 연주가 계속되는 동안 악기를 조율하는 것과 같은 운영 방식을 만드는 것이었다.

2. 양자 오류 정정이 제공하는 정보와 한계

양자 상태는 직접 측정하면 중첩이 붕괴하므로, 고전적인 장치처럼 내부 상태를 그대로 관찰해 문제를 찾을 수 없다. 양자 오류 정정은 여러 물리 큐비트에 정보를 중복 저장해 논리 큐비트를 만들고, 특수한 패리티 검사를 통해 아날로그 잡음을 이진 오류 탐지 사건으로 변환한다. 그러나 탐지 사건은 회로의 제한된 시공간 영역 어딘가에서 오류가 발생했다는 사실만 알려 줄 뿐, 정확한 위치를 직접 지목하지는 않는다. 알파큐비트나 테서랙트 같은 디코더는 이 데이터를 분석해 가능성이 높은 오류 위치와 필요한 논리적 교정을 계산하며, 오류가 충분히 드물면 논리 정보를 복원할 수 있다. 다만 디코더는 오류를 사후에 교정할 뿐, 환경과의 상호작용에 따른 불가피한 결맞음 상실과 완화 가능한 제어 보정 오류·하드웨어 변동을 구분해 그 원인을 제거하지는 못한다.

3. 물리 모델과 전문가 직관을 넘어선 데이터 학습

전통적인 양자 보정은 수십 년간 축적된 양자 제어 연구와 물리 모델에 크게 의존해 왔다. 연구진은 컴퓨터 시각, 로봇공학, 단백질 구조 예측에서도 사람이 만든 규칙이나 물리 모델이 복잡한 현실을 충분히 표현하지 못해 성능 한계에 부딪혔으며, 데이터에서 직접 학습하는 접근이 돌파구를 제공했다고 설명한다. 양자 오류 정정에서도 실제 데이터로 학습한 알파큐비트가 강력한 알고리즘형 디코더의 정확도를 넘어선 사례가 제시됐다. 양자 프로세서의 제작 기술과 하드웨어가 개선될수록 남는 오류는 전통적인 모델링과 보정으로 다루기 어려운 복잡한 현상에 더 크게 좌우된다. 따라서 이번 연구는 물리 모델과 인간의 전문성을 폐기하는 대신, 그 방식으로 처리하기 어려운 미세한 변동을 강화학습 기반 조정으로 보완할 수 있는지를 시험했다.

4. 오류를 교정하는 데서 오류로부터 학습하는 단계로

강화학습 에이전트는 명시적으로 작성된 모든 규칙을 따르는 대신, 서로 다른 행동을 시험하고 그 결과로 발생한 오류를 관찰하면서 제어 전략을 개선한다. 연구진은 양자 오류 정정 과정에서 이미 지속적으로 생성되는 오류 탐지 사건을 디코딩에만 사용하지 않고, 제어를 위한 능동적인 학습 신호로도 재활용했다. 계산이 진행되는 동안 디코더는 같은 탐지 데이터를 이용해 논리적 교정을 추론하고, 강화학습 에이전트는 이를 바탕으로 수천 개에 이르는 아날로그 제어 변수를 동적으로 조정한다. 이 피드백 과정은 하드웨어 변동을 상쇄하고 새로운 오류가 생기는 것을 줄이면서도 양자 계산을 중단하지 않도록 설계됐다. 결과적으로 하나의 오류 탐지 정보 흐름이 논리 정보의 사후 복원과 물리 제어의 선제적 안정화라는 두 역할을 동시에 담당하게 됐다.

5. 윌로 프로세서에서 확인한 안정성 개선

연구진은 구글의 윌로 초전도 프로세서에 제어 변수의 인위적인 변동을 주입한 뒤 강화학습 제어의 효과를 검증했다. 에이전트의 지속적인 조정은 오류 정정 코드의 논리적 안정성을 3.5배 높였고, 프로세서가 신뢰할 수 있는 양자 메모리로 작동하는 시간을 연장했다. 기존의 최고 성능 보정은 자동화하기 어려운 예외 상황을 과학자들이 물리적 직관으로 처리하는 전문가 참여 방식에 크게 의존했다. 그러나 이러한 정밀한 전문가 보정이 끝난 뒤에도 강화학습 미세 조정은 논리 오류율을 체계적으로 추가 20% 낮췄다. 실험에 사용된 기술을 종합한 결과, 오류 정정 주기당 논리 오류는 표면 코드에서 1천 회당 1회 미만, 색상 코드에서 100회당 1회 수준으로 낮아졌다.

6. 대규모 확장 가능성과 남은 통합 과제

대규모 양자 컴퓨터에서도 같은 접근이 작동하는지 확인하기 위해 연구진은 수백 개의 큐비트와 수만 개의 제어 변수를 포함한 수치 시뮬레이션을 수행했다. 초기에는 잘못 보정된 시스템의 물리 오류율이 높았지만, 에이전트는 더 나은 제어 변수를 학습하면서 이를 꾸준히 낮췄고 양자 오류 정정은 시스템 크기가 커질수록 논리 오류율을 지수적으로 억제했다. 특히 강화학습이 물리 오류율을 줄이는 속도와 필요한 학습 반복 횟수는 시스템 크기에 좌우되지 않는 것으로 나타났다. 연구진은 그 이유를 오류 탐지 사건이 주변의 오류에 국소적으로 민감하기 때문이라고 설명하며, 이 특성이 더 큰 장치로의 확장 가능성을 뒷받침한다고 보았다. 다만 에이전트와 양자 프로세서 사이의 통신 주기를 단축하고 더 발전된 기계학습 방법을 적용하는 등 긴밀한 통합이 필요하며, 이를 통해 계산을 중단하지 않고 자신의 오류에서 계속 학습하는 양자 컴퓨터를 지향한다.

🧾 핵심 주장 / 시사점

기존 오류 정정 장치가 생성하던 탐지 사건을 추가 센서 없이 학습 신호로 재사용함으로써, 동일한 데이터가 논리적 교정과 제어 안정화를 함께 지원할 수 있음을 보여 줬다.
전문가가 수행한 고도 보정 이후에도 논리 오류율이 추가로 감소했다는 결과는 강화학습이 기존 물리 모델과 인간의 직관을 대체하기보다 그 한계를 보완하는 단계로 기능했음을 나타낸다.
학습 반복 횟수가 시스템 크기와 무관하다는 시뮬레이션 결과는 확장성의 핵심 근거지만, 실제 성능 향상의 폭은 에이전트와 프로세서 사이의 통신 속도 및 학습 방식의 추가 개선에 달려 있다.