Google의 매직 상태 배양, 오류 40배 줄였지만 진짜 시험대는 수율

Google은 Willow에서 수행한 매직 상태 배양 실험이 오류를 약 40배 줄였다고 밝혔지만, 평가된 시도 중 유지된 비율은 8%에 그쳤다. 이 조합은 이 결과의 중요성과 한계를 모두 보여준다. Google은 유망한 오류 정정 기법을 이론적 제안 단계에서 초전도 하드웨어로 옮겼다. 그러나 유용한 양자 프로그램을 위한 상태를 생산 가능한 수준으로 공급할 수 있음을 아직 입증한 것은 아니다.

이 결과가 중요한 이유는 오류 정정 양자 컴퓨터가 일반적인 오류 정정 절차만으로는 효율적으로 제공할 수 없는 연산을 필요로 하기 때문이다. 매직 상태는 이러한 연산을 제공하지만, 충분히 깨끗한 상태를 생산하는 데 내결함성 장비 대부분의 자원이 소모될 수 있다. Google의 실험은 바로 이 자원 병목을 정면으로 겨냥한다.

따라서 핵심 경쟁 구도는 Google과 특정 경쟁사 간의 대결이 아니다. 여러 불완전한 상태를 결합해 더 적지만 더 깨끗한 상태를 만드는 기존 매직 상태 증류와 배양 간의 경쟁이다. 배양은 오류를 반복적으로 탐지하면서 하나의 인코딩된 상태를 성장시키려 한다. Google의 실험은 이 경로가 작동할 수 있음을 시사하지만, 처리량과 규모가 승패를 가를 것이다.

Google 매직 상태 배양, 이론에서 Willow로

핵심 변화는 실험적 성과다. Google은 실제 초전도 하드웨어에서 매직 상태 배양을 수행하고 조건부 오류의 큰 감소를 측정했다.

Google Quantum AI는 2026년 10월 15일 이 결과를 발표했다. 연구팀은 같은 날 동료 심사를 거친 논문을 Science에 게재했다. 이전 버전은 2025년 12월 프리프린트로 공개됐다.

Google의 배양 결과에 따르면, 이 프로토콜은 배양되지 않은 상태를 준비하는 경우와 비교해 오류를 약 40배 줄였다. 연구팀은 논리적 T-상태 충실도 99.99%를 보고했다.

매직 상태는 내결함성 비-Clifford 연산을 가능하게 하는 특별히 준비된 양자 자원이다. 이러한 연산은 보호된 양자 컴퓨터가 Clifford 게이트만으로 가능한 제한된 계산을 넘어설 수 있게 한다.

이 구분은 오류 정정이 모든 양자 연산을 자동으로 쉽게 만드는 것은 아니기 때문에 중요하다. 많은 코드는 제한된 논리 게이트 집합을 비교적 깔끔하게 처리한다. 보편 양자 계산에는 그 집합 밖의 연산이 최소 하나 필요하다.

T-상태는 일반적인 비-Clifford 연산인 논리적 T 게이트의 자원을 제공한다. 사용할 때마다 상태가 소모되므로, 실용적인 컴퓨터에는 한 번의 실험실 준비가 아니라 지속적인 공급이 필요하다.

실험은 작은 인코딩 영역에 잡음이 있는 상태를 주입하는 것으로 시작했다. 이후 반복 측정으로 결함의 증거를 찾았다. 의심스러운 측정 패턴을 보인 시도는 제외됐고, 살아남은 상태는 프로토콜을 계속 진행했다.

Google은 배양 과정에서 거리 3 색상 코드를 사용했다. 코드 거리는 정의된 조건에서 오류 정정 코드가 견디거나 탐지할 수 있는 물리적 결함의 수를 나타낸다.

이후 연구팀은 살아남은 상태를 거리 5 표면 코드로 옮겼다. 표면 코드는 인접 큐비트 간의 대부분 국소적인 상호작용을 사용하기 때문에 초전도 프로세서의 대표적인 오류 정정 접근법이다.

코드 전환 또는 그래프팅이라 불리는 이 이전은 시험의 중요한 부분이었다. 배양된 상태가 이후 계산에 사용되는 코드에 들어갈 수 없다면 그 가치는 제한적이다.

동료 심사를 거친 실험 논문은 시도의 8%를 유지하면서 0.9999(1)의 충실도를 보고했다. 이 충실도는 프로토콜에 들어간 모든 시도가 아니라 승인된 출력 상태를 설명한다.

이 단서는 흔한 오해를 막는다. 40배라는 수치는 모든 Willow 연산의 정확도가 40배 높아졌다는 뜻이 아니다. 이는 실험의 특정 비교 및 측정 조건에서 준비된 매직 상태에 적용된다.

실험에서는 벤치마킹 문제도 발생했다. Google은 전기적 드리프트와 온도 변화가 원래 측정 방법의 가정을 무효화하는 잡음을 만들었다고 밝혔다.

연구팀은 하드웨어 제어를 추가하고 내결함성 측정 프로토콜을 설계했다. 또한 배양 과정 자체를 활용해 결과 상태의 충실도 범위를 제한했다.

이 사례는 연구진이 오해를 부를 수 있는 측정 효과를 식별했다는 점에서 실험을 강화한다. 동시에 하드웨어를 운영하는 팀에게조차 이러한 결과를 검증하는 일이 얼마나 까다로운지 보여준다.

Willow는 이 결과의 물리적 플랫폼을 제공한다. Google은 2024년 코드 크기가 커질수록 논리 오류 억제가 개선되는 시험 결과와 함께 105큐비트 초전도 프로세서를 공개했다.

매직 상태 배양은 문제의 다른 계층을 다룬다. Willow의 이전 연구는 저장된 논리 정보 보호와 반복 오류 정정 주기에 집중했다. 새 연구는 보편 논리 계산에 쓰이는 소모성 자원을 준비하는 데 초점을 맞춘다.

따라서 이 결과는 유용한 양자 응용 사례보다 범위가 좁다. 하지만 또 하나의 메모리 시험보다 운용 측면에서는 더 관련성이 높다. 내결함성 컴퓨터에는 보호된 데이터, 신뢰할 수 있는 논리 연산, 그리고 확장 가능한 비-Clifford 자원 공급이 필요하다.

Google은 이제 하나의 하드웨어 플랫폼에서 이 요소들 중 여러 가지를 연결했다. 남은 질문은 이들이 실용적 알고리즘이 요구하는 규모, 속도, 신뢰성으로 함께 작동할 수 있는지다.

매직 상태가 장비를 잠식할 수 있는 이유

매직 상태 생산은 컴퓨터 내부의 공장처럼 작동해, 원래 목표 알고리즘 실행에 쓰일 자원을 소비할 위험이 있다.

양자 오류 정정은 하나의 논리 큐비트를 다수의 물리 큐비트에 걸쳐 저장한다. 측정은 보호된 양자 정보를 직접 읽지 않고 오류 패턴을 드러낸다.

이 보호는 다양한 논리 연산을 지원하지만, 잘 알려진 한계 때문에 하나의 오류 정정 코드가 필요한 모든 연산을 같은 단순한 방식으로 제공할 수는 없다. 따라서 보편 계산에는 추가 기법이 필요하다.

매직 상태 증류는 표준 해법이 됐다. 증류 공장은 여러 잡음 상태를 준비하고 오류 탐지 회로로 처리한 뒤, 오류가 더 적은 상태를 더 적은 수로 출력한다.

이 과정은 여러 단계로 반복할 수 있다. 각 단계는 출력을 개선하지만 더 많은 큐비트, 회로 주기, 라우팅 용량, 제어 연산을 소모한다.

초기 아키텍처 추정에서는 매직 상태 공장이 내결함성 컴퓨터 용량의 최대 95%를 소비할 수 있다고 제시했다. 이 수치는 알고리즘, 하드웨어, 코드, 목표 오류율에 크게 좌우된다.

후속 추정치가 더 낮더라도 근본적인 압박은 남는다. 대규모 양자 알고리즘에는 막대한 수의 T 게이트가 필요할 수 있다. 각 게이트에는 정확한 시점에 제공되는 충분히 정확한 상태가 필요하다.

논리 메모리가 뛰어난 프로세서라도 상태 공장이 속도를 따라가지 못하면 멈출 수 있다. 이때 관련 측정 기준은 고립된 상태의 충실도가 아니라 시스템 처리량이 된다.

원래 배양 제안은 이 비용을 줄이는 것을 목표로 했다. 배양은 다수의 완전한 크기의 인코딩 상태를 결합하는 대신, 작은 규모에서 시작해 결함을 확인하면서 후보 상태를 확장한다.

이 접근법은 점진적 품질 관리와 닮았다. 결함이 있는 후보는 더 큰 인코딩에 필요한 자원을 소비하기 전에 폐기할 수 있다.

배양은 유용한 횡단 연산을 제공하는 색상 코드도 활용한다. 횡단 연산은 하나의 결함이 인코딩 블록 전체로 자유롭게 퍼지지 않도록 대응하는 물리 큐비트들에 걸쳐 게이트를 적용한다.

그다음 상태는 표면 코드로 이동해 더 광범위한 계산에 사용되는 아키텍처에 합류할 수 있다. 이 분업은 배양과 장기 연산을 서로 다른 작업에 적합한 코드에 맡긴다.

이 메커니즘은 Willow 결과가 단순히 더 나은 구성 요소 벤치마크 이상인 이유를 설명한다. 이는 코드 전환, 포스트셀렉션, 물리적 제어, 고충실도 측정이 하나의 프로토콜로 작동할 수 있는지 시험한다.

포스트셀렉션은 지정된 검사를 통과한 결과만 받아들이는 것을 뜻한다. 이는 수율을 품질과 맞바꾸는 방식이며, 거부된 시도를 저렴하게 다시 시작할 수 있다면 합리적이다.

“저렴하게”라는 말에는 핵심 불확실성이 담겨 있다. 각 시도가 적은 공간과 시간만 사용한다면 낮은 승인율도 효율적일 수 있다. 실패한 시도가 부족한 하드웨어를 점유하거나 알고리즘을 지연시키면 비용이 커진다.

Google의 실험은 평가된 시도의 8%를 유지했다. 이는 보고된 조건에서 승인된 결과 하나당 약 12번의 시도가 필요했다는 뜻이지만, 실제 워크로드에는 더 완전한 산정이 필요하다.

따라서 논문의 99.99% 충실도와 8% 유지율은 서로 다른 질문에 답한다. 충실도는 살아남은 상태가 얼마나 깨끗했는지를 묻는다. 유지율은 이 과정이 승인된 상태를 얼마나 자주 생산했는지를 묻는다.

어느 지표 하나만으로는 작동하는 공장의 비용을 확립할 수 없다. 엔지니어는 물리 큐비트, 회로 깊이, 리셋 시간, 고전적 디코딩, 라우팅, 병렬 시도에 필요한 추가 용량도 계산해야 한다.

실용적 시스템은 여러 배양 장치를 함께 운영할 가능성이 높다. 병렬화는 실패한 시도를 보완할 수 있지만, 하드웨어 수요와 제어 복잡성을 높인다.

증류 역시 상당한 오버헤드에 직면한다. 목표 오류율에 도달하려면 여러 인코딩 상태와 여러 처리 단계가 필요한 회로가 될 수 있다.

배양이 의미를 가지려면 모든 형태의 증류를 없앨 필요는 없다. 더 깨끗한 입력을 만들어 이후 증류 단계의 수를 줄일 수 있다.

Google의 더 강한 주장은 유리한 하드웨어 환경에서 배양이 기존의 다단계 공장을 불필요하게 만들 수 있다는 것이다. Willow 실험은 이 주장의 완전한 아키텍처적 결론이 아니라 그 배후 메커니즘을 뒷받침한다.

이 차이는 모든 내결함성 로드맵에 압박을 가한다. 팀들은 단순히 구축할 물리 또는 논리 큐비트 수가 아니라 비-Clifford 연산을 어떻게 공급할지 설명해야 한다.

배양, 표준 증류 공장에 도전하다

Google의 결과는 배양을 증류의 신뢰할 만한 경쟁자로 만들었지만, 승리하는 경로는 총 시스템 비용으로 결정될 것이다.

증류에는 큰 장점이 있다. 연구자들은 그 수학적 동작을 이해하고 있으며, 아키텍트들은 수년간 표면 코드를 중심으로 공장을 최적화해 왔다. 그 비용은 다양한 목표 알고리즘에 걸쳐 추정할 수 있다.

배양은 다른 비용 구조를 제공한다. 불량 상태를 더 작은 구조에 인코딩된 초기 단계에서 제거하려 한다.

2024년 이론 연구는 적절한 물리 오류율 조건에서 배양된 T-상태의 자원 비용이 보호된 CNOT 게이트의 비용에 근접할 수 있다고 주장했다. CNOT 게이트는 한 큐비트의 상태에 따라 다른 큐비트를 조건부로 반전시킨다.

CNOT 연산은 기본적이면서 자주 사용되기 때문에 이 비교는 야심 차다. 비-Clifford 자원이 이와 비슷한 수준으로 부담 없이 제공된다면, 내결함성 아키텍처의 가장 큰 격차 중 하나가 줄어들 것이다.

Willow는 비용 동등성을 입증하지는 않는다. 이는 프로토콜의 핵심 요소가 초전도 프로세서에서 실제 잡음을 견딜 수 있음을 보여준다.

이 구분은 과학적 결과와 엔지니어링 이정표를 가른다. 과학적 질문은 배양이 하드웨어에서 상태 준비 오류를 억제할 수 있는지를 묻는다. 엔지니어링 질문은 유용한 규모에서 대안보다 뛰어난지를 묻는다.

Google의 플랫폼은 cultivation에 중요한 시험 환경을 제공한다. 초전도 큐비트는 빠른 연산을 지원하지만, 제작 편차, 보정 드리프트, 제어 크로스토크, 제한된 연결성이라는 문제에 직면한다.

전기 장비의 드리프트와 온도 변화로 팀이 겪은 문제는 이러한 제약을 보여준다. 공장은 신중하게 특성화된 실험 시간대에만이 아니라 지속적으로 작동해야 한다.

기존 증류 방식도 신뢰할 수 있는 게이트와 측정에 의존한다. 더 규칙적인 구조는 스케줄링을 단순화할 수 있지만, 더 큰 규모는 모든 물리적 오류의 비용을 증폭시킬 수 있다.

하드웨어가 개선되면 비교 결과도 달라질 것이다. cultivation 이론가들은 물리적 오류율이 낮아질수록 필요한 자원이 크게 줄어든다고 주장한다.

증류 프로토콜 역시 더 나은 코드, 최적화된 회로, 더 효율적인 공장 레이아웃을 통해 개선될 수 있다. 이는 발전하는 기술과 고정된 기준선 사이의 경쟁이 아니다.

IBM은 업계의 한 기준점을 제시한다. IBM의 fault-tolerant roadmap은 대규모 오류 허용성을 향한 계획된 발전 과정의 일부로 여러 모듈에 걸친 매직 상태 주입을 제시한다.

이 계획은 공통된 문제를 부각한다. Google, IBM 및 다른 하드웨어 개발업체는 서로 다른 아키텍처를 사용하지만, 모두 허용 가능한 오버헤드로 범용 논리 연산을 지원해야 한다.

중성 원자 시스템은 또 다른 비교 대상을 만든다. 2024년 logical processor study는 재구성 가능한 원자 배열과 논리 큐비트를 사용해 복잡한 비-Clifford 회로를 시연했다.

중성 원자는 이동 가능한 큐비트와 유연한 연결성을 제공한다. 이러한 특성은 고정된 초전도 격자에서 다루기 까다로운 연산을 지원할 수 있다.

초전도 하드웨어는 성숙한 제작 방식과 빠른 게이트 사이클을 비롯한 다른 강점을 제공한다. 단일 실험만으로 유용한 알고리즘을 가장 낮은 비용으로 제공할 플랫폼을 확정할 수는 없다.

Google의 코드 전환 결과는 이 경쟁에서 전략적으로 중요하다. 이는 초전도 시스템이 장비 전체를 하나의 인코딩에 묶지 않고도 작업별 특화 코드를 사용할 수 있음을 시사한다.

이러한 유연성은 서로 다른 프로세서가 각기 다른 워크로드를 처리하는 이기종 고전 컴퓨팅과 닮아 있다. 오류 허용 양자 아키텍처도 마찬가지로 메모리 영역, cultivation 패치, 라우팅 구역, 측정 구역을 활용할 수 있다.

그러나 모든 경계는 위험을 더한다. 논리 상태를 코드 간에 옮기려면 오류 허용성을 유지해야 하는 연산이 필요하다. 또한 스케줄링과 검증도 복잡해진다.

Willow 실험은 distance-3 색 코드에서 cultivation된 상태를 distance-5 표면 코드로 전송했다. 이는 미래의 상용 시스템과 비교하면 여전히 작은 코드 거리다.

더 큰 코드는 더 많은 오류로부터 정보를 보호하지만, 더 많은 물리 큐비트와 더 긴 측정 시퀀스도 필요로 한다. 한 규모에서의 성능이 다음 규모에서 동일한 효율을 보장하지는 않는다.

따라서 가장 중요한 경쟁 지표는 큐비트 수가 아니다. 완전한 계산 안에서 검증된 논리 연산을 제공하는 비용이다.

그 비용에는 공간, 시간, 에너지, 고전 제어, 실패 확률, 출력률이 결합된다. 양자 기업들은 현재 이 지표들의 서로 다른 일부만 보고하고 있어 직접 비교가 어렵다.

cultivation은 비-Clifford 문제에 대해 Google에 더 강력한 해답을 제공한다. 그러나 이것이 초전도 칩, 이온 트랩, 중성 원자, 광자 시스템, 위상학적 접근법 사이의 더 광범위한 경쟁을 끝내지는 않는다.

40배 헤드라인 뒤에 숨은 8% 처리량의 문제

회의적인 해석은 간단하다. 더 우수한 승인 상태가 계산을 위한 효율적인 상태 공급을 보장하지는 않는다.

Google은 이 결과를 심각한 자원 병목을 위한 실용적 해결책으로 설명한다. 이러한 표현은 실험적 실현 가능성 측면에서는 타당하다.

그러나 “실용적”이 유용한 컴퓨터에서의 배치를 뜻한다면 이는 성급한 판단이 된다. 팀은 cultivation에 여전히 더 큰 규모의 시연이 필요하다고 명시적으로 밝혔다.

8% 보존율은 사후선택이 프로토콜을 주도한다는 점에서 주목할 만하다. 오류 검출은 의심스러운 신드롬과 연관된 시도를 제거함으로써 살아남는 상태 집단을 개선한다.

나쁜 결과를 버리는 방식은 재시도가 저렴할 때 유용하다. 대규모 알고리즘을 지원하는 공장은 계산이 상태 부족에 빠지지 않도록 충분한 승인 상태를 계속 생산해야 한다.

여러 cultivation 유닛이 병렬로 작동한다고 가정해 보자. 개별 보존율이 낮더라도 이들의 결합 출력은 충분한 처리량을 제공할 수 있다.

하지만 이 구성은 더 많은 칩 면적을 소비한다. 또한 빠른 리셋, 동기화된 제어, 실시간 디코딩, 사용을 기다리는 상태를 위한 저장 공간이 필요하다.

실험의 보존율에는 충실도를 평가하기 위한 엄격한 검사가 포함된다. Google 연구진은 이 설정이 미래 공장의 수율에 직접 대응하지는 않는다고 밝혔다.

이 단서는 양방향으로 작용한다. 진단 오버헤드를 제거하면 생산 수율은 개선될 수 있다. 반면 cultivation이 라우팅, 저장, 논리 게이트와 연결되면 새로운 손실이 발생할 수도 있다.

별도의 2026년 cost analysis는 유리한 자원 추정치와 계산 중 비파괴적 사후선택 간의 격차를 검토한다. 저자들은 실용적 제약이 논리 오류를 높이거나 더 큰 코드를 요구하는 조건을 제시한다.

이 논문이 cultivation을 무효화하는 것은 아니다. 측정 가정과 최종 단계 처리가 겉으로 보이는 자원 이점을 실질적으로 바꿀 수 있음을 보여준다.

파괴적 측정과 비파괴적 측정의 차이는 결정적이다. 연구자는 실험 상태를 특성화하기 위해 이를 파괴할 수 있지만, 컴퓨터는 나중에 사용할 상태를 보존해야 한다.

따라서 벤치마크는 실제 계산 중에는 얻을 수 없는 정보를 확보할 수 있다. 아키텍처 추정치는 상태가 작동 가능한 상태로 유지되는 동안 얻을 수 있는 더 제한적인 정보를 고려해야 한다.

Google은 충실도에 경계를 설정하는 오류 허용 측정 방식을 개발해 이 문제의 일부를 해결했다. 더 큰 시스템에는 품질과 처리량을 모두 보존하는 비파괴적 승인 규칙이 여전히 필요하다.

보고된 40배 개선 역시 비교 기준선에 따라 달라진다. 이는 특정 조건에서 cultivation된 상태 준비를 cultivation되지 않은 버전과 비교한 수치다.

이는 프로세서 전체의 논리 오류율이 같은 비율로 낮아졌다는 뜻은 아니다. 메모리, CNOT 게이트, 측정, 상태 전송, 고전적 보정은 각각 고유한 오류 특성을 유지한다.

유용한 알고리즘은 많은 연산에 걸쳐 오류를 누적시킨다. 뛰어난 T-state도 신뢰할 수 없는 라우팅이나 부족한 논리 메모리를 보완할 수는 없다.

99.99%라는 수치 역시 많은 애플리케이션이 요구하는 수준보다 완벽에 가까워 보인다. 대규모 오류 허용 프로그램은 연산당 1만 분의 1보다 훨씬 낮은 논리 오류 확률을 요구할 수 있다.

정확한 목표는 회로 규모와 오류 예산에 달려 있다. 수백만 개의 연산을 포함하는 프로그램은 총 실패 확률을 허용 가능한 범위 안에 유지해야 한다.

추가 오류 정정, 더 큰 코드 거리, 추가 정제가 여전히 필요할 수 있다. 각 선택지는 논리 연산에 필요한 물리적 자원을 늘린다.

규모는 또 다른 미해결 문제를 만든다. Willow는 105개의 물리 큐비트를 포함하지만, 유용한 오류 정정 시스템에는 훨씬 더 큰 규모로 조율된 배열이 필요하다.

cultivation은 메모리, 라우팅, 디코딩 지원, 목표 계산과 이들 큐비트를 두고 경쟁한다. 유리한 소규모 시연은 장비 전체에서 유리한 자원 배분으로 이어져야 한다.

제조 일관성도 중요하다. 하나의 연구용 프로세서에서 작동하는 보정 절차는 다수의 상호 연결된 칩이나 모듈 전반에서는 까다로워질 수 있다.

Google은 cultivation된 상태의 흐름을 소비하는 엔드투엔드 알고리즘을 아직 보고하지 않았다. 이러한 시험은 스케줄링 충돌을 드러내고 지속적인 생산 속도를 보여줄 것이다.

회사는 cultivation이 장비 전체 규모를 40배 줄인다는 점도 보여주지 않았다. 측정된 오류 감소를 동등한 하드웨어 감소로 환산해서는 안 된다.

올바른 해석은 더 좁지만 여전히 중요하다. Google은 초전도 프로세서에서 cultivation을 통해 이례적으로 정확한 승인 매직 상태를 만들어냈다.

이 결과는 해당 프로토콜이 물리 하드웨어에서 살아남을 수 있는지에 대한 불확실성을 줄인다. 다만 그 생존성이 최적의 공장 설계로 이어지는지는 아직 열려 있다.

Willow의 결과가 확장되는지 보여줄 세 가지 신호

다음 증거는 상태 품질을 공장 처리량, 더 큰 코드, 실제 논리 워크로드와 연결해야 한다.

첫 번째 신호는 더 큰 코드 거리에서의 cultivation 실험이다. Google은 이번 시연에서 distance-3 색 코드에서 distance-5 표면 코드로 이동했다.

후속 연구는 보호 구조가 커져도 오류 억제가 계속된다는 점을 보여야 한다. 가장 깨끗한 출력만 강조하기보다 충실도와 함께 승인율을 보고해야 한다.

더 큰 코드 전반의 개선은 cultivation이 더 나은 하드웨어의 혜택을 받는다는 Google의 주장을 강화할 것이다. 비용 곡선이 평평해지거나 악화된다면 이 기술이 효율적으로 확장된다는 주장은 약해질 것이다.

두 번째 신호는 비파괴적이고 반복적인 공급 벤치마크다. 유용한 공장은 상태를 준비하고, 이를 승인하거나 거부하며, 살아남은 상태를 라우팅하고, 더 넓은 장비를 멈추지 않은 채 실패한 시도를 재시작해야 한다.

이 벤치마크는 시간과 하드웨어 단위당 승인 상태 수를 보고해야 한다. 리셋 지연 시간, 디코더 성능, 제어 오버헤드, 완료된 상태를 유지하는 비용도 포함해야 한다.

더 높은 보존율은 도움이 되겠지만, 이것만이 유일한 방법은 아니다. 많은 시도가 실패하더라도 빠른 재시도와 병렬 준비는 강력한 처리량을 제공할 수 있다.

핵심은 투명한 산정이다. 연구자들은 동일한 물리 오류 및 논리 오류 목표 아래 cultivation과 증류를 비교할 수 있을 만큼 충분한 정보를 얻어야 한다.

Google이 최적화된 증류 공장을 능가하는 지속 생산 속도를 공개한다면 cultivation은 실험적 선택지가 아니라 아키텍처 선택지가 된다. 그렇지 않다면 유용한 전처리 단계로 남을 수 있다.

세 번째 신호는 cultivation된 T-state를 소비하는 엔드투엔드 논리 회로다. 이 회로는 비-Clifford 연산을 실제로 요구하는 작업을 수행해야 한다.

이 시험은 상태 준비를 주입, 라우팅, 논리 게이트, 오류 정정, 최종 측정과 연결할 것이다. 또한 cultivation이 Willow 아키텍처의 나머지 부분과 원활하게 통합되는지도 드러낼 것이다.

성공에 상업적 가치는 필요하지 않다. 작은 규모의 논리 알고리즘도 파이프라인을 검증하고 오류가 누적되는 지점을 식별할 수 있다.

경쟁사의 로드맵은 추가 맥락을 제공할 것이다. IBM은 모듈형 오류 허용 아키텍처 안에서 매직 상태 주입을 계획하고 있으며, 중성 원자 팀은 대안적인 논리 연산을 계속 시험하고 있다.

다른 플랫폼에서 설득력 있는 결과가 나온다고 해서 Google의 성취가 사라지는 것은 아니다. 이는 cultivation이 보편적 병목을 해결하는지, 아니면 주로 초전도 표면 코드 시스템에 적합한지를 분명히 해줄 것이다.

개발자와 기업 구매자는 이번 발표를 양자 하드웨어로 워크로드를 옮겨야 한다는 신호가 아니라 인프라 연구로 받아들여야 한다. 이 논문에서 새로운 범용 서비스가 바로 나오는 것은 아니다.

실질적 의미는 자원 곡선에 있다. cultivation이 T-state에 투입되는 하드웨어를 크게 줄인다면, 유용한 장비는 증류 비중이 큰 추정치가 제시하는 것보다 더 적은 물리 큐비트를 필요로 할 수 있다.

이 변화는 하드웨어 로드맵, 컴파일러 설계, 알고리즘 선택, 오류 허용 배치에 대한 기대에 영향을 줄 것이다. 하지만 즉시 유용한 컴퓨터를 만들어내지는 않는다.

Google의 매직 스테이트 컬티베이션은 중요한 실험적 검증을 통과했다. 이 프로토콜은 조건부 상태 준비 오류를 줄였고, 두 양자 코드 간 전송에서도 견뎌냈다.

이제 과제는 하나의 고충실도 상태를 입증하는 데서 벗어나, 이를 다수 안정적으로 공급하는 것으로 옮겨갔다. 더 큰 코드 거리, 지속적인 비파괴 처리량, 그리고 그 출력을 소비하는 논리 회로를 주목해야 한다.

이 세 가지 결과는 컬티베이션이 양자 컴퓨터 내부의 팩토리 규모를 줄일 수 있는지 보여줄 것이다. 그때까지 Willow는 메커니즘을 검증했지만, 시스템 수준의 경제성은 여전히 결론이 나지 않았다.