Google Quantum AI는 양자 컴퓨팅의 가장 완고한 리소스 문제 중 하나에 대한 솔루션을 하드웨어에서 시연했습니다. 10월 15일 Science 저널에 발표된 논문에서 Google의 Willow 프로세서 팀은 2년 전에 이론상 처음 제안된 기술인 "마법 상태 배양"이 실제로 작동하여 미개척 상태에 비해 오류를 약 40배 줄이고 기록적인 논리적 충실도 99.99%의 T 상태를 생성한다고 보고했습니다.

연구 과학자 Emma Rosenfeld와 양자 소프트웨어 엔지니어 Craig Gidney가 Google의 공식 블로그에 발표한 결과는 실제 양자 하드웨어에서 마법 상태가 효율적으로 생성될 수 있다는 최초의 실험적 시연입니다. 이는 연구자들이 20여년 전 처음으로 병목 현상을 발견한 이후 엔지니어들이 해결해 왔던 병목 현상을 해결합니다. 컴퓨팅 최전선의 혁신에 대한 자세한 내용은 AI 연구 보도를 참조하세요.

매직 상태가 중요한 이유

진정으로 유용한 프로그램을 실행할 수 있는 범용 양자 컴퓨팅에는 오류 수정 큐비트가 기본적으로 수행할 수 있는 것 이상의 특정 양자 연산 세트가 필요합니다. 표준 해결 방법은 이러한 작업을 가능하게 하는 매직 상태라고 하는 특수 리소스 상태를 준비하는 것입니다. 문제는 비용입니다. 일부 추정에 따르면 양자 컴퓨터 전체 용량의 최대 95%를 제조에 전념해야 하므로 실제 계산을 위한 공간이 거의 남지 않습니다. 매직 상태는 소모성이기도 합니다. 한 번 사용하면 재사용할 수 없기 때문에 대규모 시스템에서는 부족하고 값비싼 입력이 됩니다.

2024년 Google Quantum AI 연구원인 Craig Gidney, Noah Shutty, Cody Jones는 이론 논문에서 배양 접근 방식을 개발했습니다. 이 아이디어는 필터처럼 작동합니다. 잡음이 있는 상태가 양자 칩의 작은 영역에 주입된 다음 고도로 조정된 일련의 측정을 통해 오류를 확인하고 결함이 있는 시도를 삭제합니다. 프로세스에서 살아남는 것은 더 크고 유용한 인코딩에 동시에 적용할 수 있는 매우 순수하고 오류가 낮은 양자 상태입니다. 하드웨어에서 작동한다면 실제 작업에 필요한 양자 컴퓨터의 크기가 크게 줄어들 것입니다.

이론에서 하드웨어까지

Willow에서 프로토콜이 작동하도록 하려면 일련의 엔지니어링 혁신이 필요했습니다. 한 에피소드는 어려움을 보여줍니다. 연구 과학자 Emma Rosenfeld가 재배 프로토콜을 처음 테스트했을 때 그녀의 데이터는 물리학 법칙을 무시하는 것으로 나타났습니다. 수개월에 걸친 시뮬레이션, 토론 및 일관성 확인 끝에 팀은 측정 기술에서 잘못된 가정에 대한 이상 현상을 추적했습니다. 즉, 실험실의 전기 장비 드리프트 및 온도 변화가 벤치마크의 유효성을 방해하고 있었습니다.

수정에는 이론적 측면과 엔지니어링 측면 모두에서 변경이 필요했습니다. 팀은 소음을 억제하기 위해 시스템에 추가 제어 기능을 추가하고 재배 자체를 측정 도구로 사용하는 새로운 벤치마킹 기술을 발명했습니다. 회사는 이 솔루션이 양자 계측 분야에서 새로운 최첨단을 확립했다고 말합니다. Willow에서 개선된 프로토콜은 미개척 상태에 비해 오류를 약 40배 감소시켰으며 T 상태는 99.99%의 논리적 충실도에 도달했습니다.

Google의 오류 수정 로드맵과의 호환성

또한 팀은 이 기술이 Google의 광범위한 내결함성 아키텍처에 적합한지 보여주기 위한 첫 번째 단계를 수행했습니다. 양자 오류 수정에는 재배에 이상적인 새로운 유형인 '색상 코드'와 Google의 장기 로드맵을 뒷받침하는 보다 확립된 방법인 '표면 코드'가 있습니다. 연구원들은 원래 2024년 이론 논문에서 개발된 접목 프로토콜을 시연했습니다. 이 프로토콜은 둘 사이를 전환하여 거리 3 색상 코드에서 거리 5 표면 코드로 정제된 상태를 전송합니다. 주정부는 이전에서 살아남았는데, 이는 재배가 Google이 확장할 계획인 오류 수정 계획과 공존할 수 있다는 증거입니다.

아직 해결되지 않은 사항

Google에서는 주의사항에 대해 주의를 기울이고 있습니다. 마법 상태 재배는 소규모로 시연되었습니다. 실용적인 양자 컴퓨팅에 필요한 규모로 이를 보여주는 것은 향후 과제로 남아 있으며, 현재 결과와 상업적으로 유용한 기계 사이에는 상당한 기술적 과제가 있습니다. 회사는 유용하고 오류가 수정된 양자 컴퓨터라는 명시된 목표를 달성하는 과정에서 "주요 이론적 아이디어를 실험적으로 입증된 현실로 전환"하는 것으로 결과를 구성합니다.

실질적인 중요성은 자원 예산에 관한 것입니다. 지배적인 오버헤드를 통해 제조하는 대신 고품질의 마법 상태를 저렴하게 배양할 수 있다면 Shor의 인수분해 루틴이나 복잡한 양자 화학 시뮬레이션과 같은 알고리즘을 실행하기 위한 하드웨어 요구 사항도 그에 따라 줄어듭니다. 기계가 수행하는 모든 작업에 걸쳐 마법 상태 단계에서 오류가 40배 감소합니다.

더 큰 그림

IBM, Quantinuum 및 학계 그룹이 모두 오류 수정 기계를 추구하고 더 광범위한 기술 산업의 AI 구축이 대부분의 헤드라인과 자본을 끌어들이는 등 양자 하드웨어 경쟁이 심화되는 가운데 결과가 나왔습니다. 양자적 진보는 더 느리고 예측하기 어렵습니다. 그러나 이와 같은 이정표(생산 하드웨어에서 20년 동안 이론적 병목 현상이 해결되고 동료 검토 저널에 재현 가능한 충실도 수치로 게시됨)는 타임라인을 조용히 재설정하는 일종의 복합 단계입니다.

AI 관찰자에게는 접선적 관련성도 있습니다. 현대 양자 실험실의 알고리즘 및 제어 시스템 도구 중 상당수는 교정 및 오류 디코딩을 위한 기계 학습에 점점 더 의존하고 있습니다. 이는 AI가 인접 과학 분야를 가속화하는 작지만 성장하는 예입니다.

---

AI보다 앞서 나가세요

최신 AI 뉴스, 분석, 획기적인 소식을 모두 한 곳에서 받아보세요.

AI 뉴스 자세히 보기 →