Google Research, 멈추지 않고 오류로부터 학습하는 양자 컴퓨터를 지향하다

Google Research는 오류 보정 양자 프로세서가 작동하는 동안 강화학습으로 이를 안정화해, 장시간 양자 계산의 근본적인 한계에 도전했다. 이 시스템은 오류 신호로부터 학습하고, 과학자들이 재보정을 위해 계산을 중단하지 않아도 수천 개의 제어 파라미터를 조정한다.

이 차이는 중요하다. 유용한 양자 알고리즘은 며칠 또는 몇 달 동안 연속 실행돼야 할 수 있기 때문이다. 현재 프로세서는 큐비트를 제어하는 주파수, 진폭, 위상의 드리프트에 여전히 민감하다. 운영자는 일반적으로 계산과 보정을 분리하므로, 해당 설정을 수정하기 전에 기계를 멈춰야 한다.

7월 8일 Nature에 게재되고 7월 22일 Google이 자세히 공개한 이번 연구는 이러한 유지보수 문제를 새롭게 정의한다. 제어기는 양자 오류를 단지 복호화해야 할 손상으로 다루는 대신, 프로세서 자체에 관한 피드백으로 활용한다. Google은 제어 드리프트를 의도적으로 도입한 뒤 자사의 초전도 양자 프로세서 Willow에서 이 접근법을 시험했다.

이 결과가 상용 워크로드에 즉시 투입할 수 있는 자가 치유형 내결함성 컴퓨터를 의미하지는 않는다. 오류 보정 시스템을 목표 작동 상태에 더 가깝게 유지하는 메커니즘이다. 이제 핵심적인 긴장은 정적인 모델 기반 보정과, 계산이 계속되는 동안 학습하는 적응형 제어 사이에 놓여 있다.

Google Research, 오류 감지를 제어 신호로 전환하다

중요한 변화는 오류 데이터가 이제 두 가지 역할을 한다는 점이다. 논리 정보를 복구하는 동시에 프로세서 제어기에 미래 오류를 줄이는 방법을 가르친다.

양자 하드웨어는 완벽하게 디지털화된 스위치로 명령을 실행하지 않는다. 대신 취약한 양자 상태를 조작하는 정교하게 설계된 아날로그 신호에 의존한다. 온도, 전자 장치, 재료 또는 주변 환경의 작은 변화만으로도 프로세서는 보정된 작동점에서 벗어날 수 있다.

이러한 변화를 드리프트라고 한다. 드리프트는 제어 신호의 주파수, 진폭 또는 위상에 영향을 주며, 기계가 양자 연산을 수행하는 정확도를 바꿀 수 있다. 잘 보정된 프로세서도 긴 계산이 진행되는 동안 드리프트할 수 있다.

양자 오류 보정, 즉 QEC는 하나의 논리 큐비트를 여러 물리 큐비트에 인코딩해 정보를 보호한다. 반복적인 패리티 검사는 보호된 양자 상태를 직접 읽지 않고도 오류와 연관된 패턴을 드러낸다. 직접 측정하면 계산이 의존하는 중첩 상태가 붕괴하기 때문이다.

이후 디코더는 이러한 감지 이벤트를 분석해 논리 정보를 보존하는 데 필요한 보정을 추정한다. Google은 신경망을 오류 복호화 데이터에 적용하는 AlphaQubit research를 통해 학습 기반 디코더를 이미 연구해 왔다.

복호화는 프로세서가 특정 패턴을 생성한 이유를 식별하지는 않는다. 일부 오류는 디코히런스로 알려진 과정, 즉 환경과의 불가피한 상호작용에서 발생한다. 다른 오류는 불완전한 보정이나 하드웨어 드리프트를 반영하며, 이는 제어 소프트웨어가 해결할 수 있다.

새로운 adaptive control system은 동일한 QEC 감지 이벤트를 강화학습 에이전트로 보낸다. 강화학습은 미리 정해진 프로그래밍 응답 목록이 아니라, 행동의 피드백을 통해 에이전트를 훈련하는 방식이다.

계산이 실행되는 동안 에이전트는 오류 감지 스트림의 변화를 관찰한다. 그런 다음 추론된 드리프트를 상쇄하도록 아날로그 제어를 조정한다. 디코더는 계속해서 논리적 보정을 처리하고, 제어기는 추가 오류의 발생을 막으려 한다.

이 역할 분담은 Google의 양자 오류 보정에서 핵심적이다. 디코더는 물리적 오류가 발생한 뒤 정보를 보호한다. 강화학습 제어기는 제어 가능한 오류가 더 적게 발생하도록 작동 조건을 바꾼다.

Google은 이를 연주가 계속되는 동안 오케스트라를 조율하는 일에 비유한다. 이 비유는 운영 방식의 변화를 잘 포착하지만, 실제 피드백은 그보다 덜 직접적이다. QEC 이벤트는 회로의 제한된 영역 안에서 발생한 오류를 식별할 뿐, 정확히 어떤 부품에 문제가 생겼는지는 알려주지 않는다.

따라서 에이전트는 분산된 오류 패턴과 제어 설정 사이의 연관성을 학습해야 한다. 특정 큐비트가 알려진 잘못된 주파수로 이동했다는 단순한 메시지를 받는 것이 아니다. 대신 시스템 전반의 논리 성능을 개선하는 조정을 탐색한다.

이것이 이 글의 핵심 갈등을 만든다. 전통적인 보정은 워크로드가 시작되기 전에 물리 모델, 통제된 실험, 전문가 개입에 의존한다. 적응형 보정은 실시간 오류 데이터를 하드웨어에 관한 지속적인 정보원으로 취급한다.

연속 보정이 진정한 병목이 된 이유

프로세서가 기술자의 재조정을 위해 상태를 반복해서 폐기해야 한다면, 장시간 계산은 유용한 결과를 낼 수 없다.

양자 프로세서는 매우 엄격한 허용 오차 아래에서 작동하는 아날로그 장치다. 그 거동은 제어 전자 장치, 극저온 조건, 제조 차이, 인접 부품 간 상호작용에 좌우된다. 프로세서가 커질수록 이러한 변수를 표현하기는 더 어려워진다.

기존 보정 절차는 선택된 하드웨어 응답을 측정하고, 이를 모델에 맞춘 뒤 제어 설정을 업데이트한다. 자동화 절차가 예외적인 상황을 만나면 과학자들은 물리적 직관을 적용할 수 있다. 이 과정은 실험 준비에는 충분히 잘 작동하지만, 계산과는 여전히 분리돼 있다.

계산이 장시간 논리 상태를 보존해야 할 때 이러한 분리는 비용이 커진다. 일반적인 진단 측정이 인코딩된 양자 정보를 교란할 수 있으므로 재보정을 위해 계산을 종료해야 할 수 있다. 새 설정을 적용한 뒤에는 다음 실행을 처음부터 시작해야 한다.

Google Research는 미래의 유용한 알고리즘이 며칠 또는 몇 달에 걸친 중단 없는 작동을 요구할 것이라고 주장한다. 모든 가치 있는 워크로드가 실제로 그 정도 기간에 도달할지는 아직 불확실하다. 그러나 모든 내결함성 아키텍처는 오늘날의 짧은 시연보다 훨씬 오랫동안 안정적인 논리 연산을 유지해야 한다.

이 부담은 다수의 제어 부품을 통해 확장되는 초전도 시스템에 먼저 집중된다. 모든 큐비트에는 보정된 펄스, 판독 동작, 인접 큐비트와의 상호작용이 필요하다. 더 큰 프로세서는 더 많은 파라미터와 더 많은 국지적 드리프트 가능성을 만든다.

하드웨어 개선이 이러한 제어 부담을 자동으로 없애지는 않는다. 더 나은 제조 공정은 눈에 띄는 결함을 줄이고 평균 오류율을 낮출 수 있다. 이런 문제가 줄어들면 복잡한 잔여 효과가 주요 실패 원인이 될 수 있다.

이러한 효과에는 크로스토크, 느린 파라미터 변화, 단순화된 물리 모델로는 정확하게 포착하기 어려운 상호작용이 포함될 수 있다. 방정식을 더 추가한다고 항상 문제가 해결되는 것은 아니다. 상세한 모델은 업데이트 비용이 커질 수 있으며, 특정 장치에만 나타나는 거동을 여전히 놓칠 수 있다.

학습 제어기는 또 다른 경로를 제시한다. 엔지니어가 모든 인과관계를 사전에 명시할 필요 없이 측정된 결과를 기준으로 최적화할 수 있다. 이 접근법은 상호작용하는 변수가 많은 환경에서 학습된 정책이 사람이 만든 규칙보다 뛰어난 성능을 보이는 머신러닝 응용 사례와 닮았다.

그렇다고 적응형 제어가 양자 물리학을 대체하는 것은 아니다. 연구자들은 여전히 프로세서를 설계하고, 안전한 행동을 선택하며, 실패를 해석하고, 에이전트를 제약하기 위해 물리 모델이 필요하다. 강화학습은 사람이 구축한 설명을 유지하기 어려워지는 시스템 영역을 다룬다.

이 때문에 이번 실험은 보고된 오류율 개선을 넘어 중요하다. 머신 인텔리전스를 오류 보정 양자 하드웨어의 작동 루프에 직접 연결한다. 에이전트는 완료된 실험 후 결과를 분석하는 것이 아니다. 보호된 정보가 활성 상태로 남아 있는 동안 프로세서에 영향을 미친다.

이러한 구조는 엔지니어링 목표도 바꾼다. 팀은 더 이상 벤치마크 시작 시점에 낮은 오류율을 보이는 프로세서만 필요로 하지 않는다. 워크로드 전반에 걸쳐 논리 성능을 안정적으로 유지할 수 있는 완전한 제어 스택이 필요하다.

개발자에게 미치는 즉각적인 영향은 여전히 간접적이다. 이 연구가 새로운 프로그래밍 인터페이스를 제공하거나 기존 양자 서비스를 내결함적으로 만드는 것은 아니다. 그 중요성은 미래의 응용 프로그램이 신뢰할 수 있는 답을 낼 만큼 충분히 오래 실행될 수 있는지를 결정하는 보정 계층에 있다.

강화학습, Willow에서 전문가 보정을 능가하다

Google은 과학자들이 Willow를 집중적인 인간 주도 보정으로 이미 조정한 뒤에도 강화학습이 논리 성능을 개선했다고 밝혔다.

연구팀은 2024년에 공개된 초전도 프로세서인 Google’s Willow chip에서 제어기를 평가했다. 연구자들은 제어 파라미터에 의도적으로 드리프트를 주입해, 에이전트가 안정적인 작동을 복원할 수 있는지 시험했다.

Google에 따르면, 강화학습 기반 제어는 이러한 인위적 드리프트 조건에서 오류 보정 코드의 논리적 안정성을 3.5배 개선했다. 이 개선은 프로세서가 신뢰할 수 있는 양자 메모리처럼 작동한 기간을 늘렸다. 즉, 완전한 응용 프로그램을 실행한 것이 아니라 인코딩된 정보를 보존했다는 뜻이다.

연구진은 전문가 보정 이후에도 이 시스템이 가치를 제공하는지 시험했다. 인간 전문가들은 물리 지식과 어려운 사례에 대한 수동 개입을 활용해 이미 프로세서를 조정한 상태였다. Google은 이후 강화학습 미세 조정이 논리 오류율을 추가로 20% 낮췄다고 밝혔다.

두 번째 결과는 의도적으로 주입한 드리프트에서의 복구보다 더 많은 것을 보여준다고 볼 수 있다. 의도적으로 저하시킨 설정을 복구하는 제어기는 더 나은 파라미터를 탐색할 수 있음을 입증한다. 전문가가 조정한 시스템을 개선하는 제어기는 숙련된 운영자나 기존 모델이 놓친 관계를 찾아낼 수 있음을 시사한다.

이 결합 실험은 표면 코드에서 오류 보정 사이클 1,000회당 논리 오류가 1건 미만이라는 결과를 냈다. 표면 코드는 물리 큐비트를 배열해 반복적인 국지 검사로 논리 정보를 보호할 수 있게 한다. Google은 실험에 사용된 컬러 코드에서 100사이클당 논리 오류 1건을 보고했다.

이 수치는 신중하게 해석해야 한다. 이는 수개월간 유용한 알고리즘을 실행하는 범용 내결함성 컴퓨터가 아니라, 정의된 실험 조건에서의 양자 메모리 테스트를 설명한다. 코드, 연산, 장치 레이아웃, 워크로드가 달라지면 결과도 달라질 수 있다.

동료 심사를 거친 Nature paper는 회사의 설명에 대한 기술적 근거를 제공한다. 논문 게재는 외부 연구자들이 주장 내용을 평가할 수 있는 명확한 방법과 데이터세트를 제공한다. 다른 프로세서에서의 독립적 재현은 별개의 단계로 남아 있다.

이 접근법은 디코더와 경쟁하기보다 이를 보완한다. AlphaQubit 및 Tesseract decoding 같은 알고리즘 시스템은 감지 이벤트로부터 보정을 추정한다. 강화학습 에이전트는 이러한 이벤트를 사용해 미래 오류율에 영향을 미치는 제어를 수정한다.

그 조합은 여러 층으로 이루어진 피드백 시스템을 만든다. 물리 큐비트는 검출 이벤트를 생성한다. 디코더는 논리 상태를 보호하고, 컨트롤러는 하드웨어 파라미터를 업데이트한다. 이후 다음 사이클은 그러한 변경이 도움이 되었는지에 대한 새로운 증거를 만들어 낸다.

기존의 캘리브레이션 시스템도 피드백을 활용할 수 있다. 차이는 정책이 관측값을 조정으로 연결하는 방식에 있다. Google의 에이전트는 명시적으로 프로그래밍된 물리 모델에만 의존하지 않고 경험을 통해 그 매핑을 학습한다.

이 실험이 양자 컴퓨터가 자신의 실수를 이해한다는 뜻은 아니다. 이 시스템은 통계적 신호를 바탕으로 제어 목표를 최적화한다. “오류로부터 학습한다”는 표현은 추론이나 자의식이 아니라 적응형 피드백 과정을 설명한다.

이러한 단서를 감안하더라도, 이 메커니즘은 의미 있는 변화를 나타낸다. 오류 정정은 일반적으로 잡음이 있는 하드웨어를 방어하는 수단으로 여겨져 왔다. 여기서는 오류 스트림이 하드웨어의 더 정확한 동작을 돕는 진단 채널 역할도 한다.

적응형 제어가 정적 물리 모델에 도전한다

핵심 경쟁은 Google과 다른 양자 컴퓨팅 기업 간의 대결이 아니다. 이는 적응형 데이터 기반 제어와, 연산 중 고정된 상태로 남는 캘리브레이션 간의 경쟁이다.

물리 기반 캘리브레이션은 출발점에서 우위를 갖는다. 연구자들은 양자 게이트, 공진기, 커플러, 판독 시스템이 의도한 대로 어떻게 동작해야 하는지 이해하고 있다. 모델은 그 지식을 효율적으로 인코딩하고, 학습 에이전트가 무제한적인 시행착오를 통해 발견해서는 안 되는 안전 한계를 부과할 수 있다.

모델링되지 않은 효과가 누적되면 정적 모델의 신뢰성은 떨어진다. 한 큐비트에서 작동하는 펄스가 다른 큐비트에 영향을 줄 수 있다. 파라미터는 동작 중에 천천히 드리프트할 수 있다. 제조 편차는 명목상 동일한 부품도 서로 다르게 동작하게 만들 수 있다.

인간 전문가들은 흔히 표적 실험을 통해 이러한 예외 상황을 해결한다. 이들의 직관은 낯선 신호를 그럴듯한 물리적 원인과 연결할 수 있다는 점에서 가치가 있다. 그러나 전문가는 모든 장시간 연산 내내 상호작용하는 수만 개의 파라미터를 수동으로 모니터링하고 조정할 수는 없다.

강화학습은 제어를 지속적인 최적화 문제로 전환함으로써 균형을 바꾼다. 에이전트는 장비가 작동하는 동안 국소적 증거를 추적하고 선택된 파라미터를 업데이트할 수 있다. 행동에 나서기 전 모든 패턴에 대해 완전한 설명을 갖출 필요는 없다.

Google은 수백 개의 큐비트와 수만 개의 제어 파라미터를 포함한 수치 시뮬레이션을 통해 확장성 문제를 시험했다. 회사는 해당 시뮬레이션에서 훈련 반복 횟수가 시스템 규모에 따라 증가하지 않았다고 보고했다.

제시된 이유는 국소성이다. QEC 검출 이벤트는 인근 오류에 가장 강하게 반응하므로, 에이전트는 프로세서 전체를 포괄하는 하나의 전역 관계를 추론할 필요가 없다. 전체 시스템이 커져도 국소적 피드백은 국소적 제어 조정을 안내할 수 있다.

이 특성이 더 큰 하드웨어에서도 유지된다면, 학습 기반 캘리브레이션에 대한 중대한 우려 하나를 해소하게 된다. 큐비트 수가 늘어날수록 훈련이 기하급수적으로 더 많이 필요한 방법은 실용적 가치가 거의 없다. 규모와 무관한 반복 횟수는 이 접근법이 더 큰 프로세서에 적용될 가능성을 높인다.

시뮬레이션 결과는 물리적 확장성과 동일하지 않다. 실제 프로세서에는 지연 시간, 상관 잡음, 예기치 않은 하드웨어 동작, 제어 설정 변경 속도에 대한 제약이 존재한다. 수치 환경에서 효율적으로 수렴하는 정책도 극저온 시스템 내부에서는 다른 제약에 부딪힐 수 있다.

강화학습 루프에는 빠른 통신도 필요하다. 검출 이벤트는 양자 프로세서에서 고전 컴퓨팅 하드웨어로 이동해야 한다. 에이전트는 드리프트가 더 큰 손상을 일으키기 전에 이를 평가하고 업데이트된 제어값을 반환해야 한다.

Google은 이 방법의 완전한 이점을 얻으려면 더 긴밀한 통합과 더 빠른 통신이 필요하다고 인정한다. 이는 고전 제어 스택을 양자 확장성 문제의 일부로 만든다. 특수 프로세서, 저지연 연결, 신중하게 스케줄링된 업데이트는 학습 알고리즘만큼 중요할 수 있다.

경쟁 양자 플랫폼도 관련된 안정성 문제에 직면하지만, 각 하드웨어는 서로 다른 제어 과제를 만들어 낸다. 이온 트랩, 중성 원자, 광자 및 기타 시스템은 Willow와 정확히 같은 캘리브레이션 요구 사항을 공유하지 않는다. 초전도 하드웨어에서 검증된 정책이 이들 플랫폼으로 자동 이전될 수는 없다.

이는 단순한 기업 대 기업 비교의 유용성을 제한한다. 더 광범위한 경쟁은 어떤 아키텍처가 물리 큐비트, 오류 정정, 디코딩, 캘리브레이션, 고전 제어를 신뢰할 수 있는 시스템으로 결합할 수 있는가에 관한 것이다.

Google의 결과는 이 경쟁에서 적응형 제어 측의 입지를 강화한다. 이는 프로세서 동작이 고정된 절차로 다루기에는 지나치게 복잡해질 때 머신러닝이 물리 모델링을 보완할 수 있음을 시사한다. 다만 학습 기반 제어가 모든 계층에서 기존 캘리브레이션을 대체할 것이라고 입증하지는 않는다.

하이브리드 시스템이 여전히 더 신뢰할 만한 방향이다. 물리학은 아키텍처, 제약 조건, 초기 캘리브레이션을 제공한다. 인간 전문가는 익숙하지 않은 실패를 진단한다. 학습 에이전트는 승인된 동작 범위 내에서 파라미터를 지속적으로 최적화한다.

이러한 구성은 많은 복잡한 공학 시스템이 자동화를 활용하는 방식과 닮아 있다. 컨트롤러는 빠르고 반복적인 조정을 처리하며, 사람은 목표를 정의하고 훈련 경험 밖의 조건을 조사한다. 양자 하드웨어에서는 잘못 선택된 행동이 대체할 수 없는 논리 상태를 손상시킬 수 있으므로 그 위험이 더 크다.

이 실험이 여전히 입증하지 못한 것

주입된 드리프트 조건에서 성공한 메모리 실험은 유용한 알고리즘을 실행하는 대규모 오류 내성 양자 컴퓨터의 지속적 제어를 입증하지 않는다.

첫 번째 불확실성은 워크로드의 복잡성이다. 양자 메모리에서 논리 정보를 보존하는 일은 근본적이지만, 연산에는 논리 게이트, 상태 준비, 측정, 인코딩된 큐비트 간 조정도 필요하다. 각 작업은 새로운 오류와 제어 상호작용을 초래할 수 있다.

메모리 사이클을 안정화하는 컨트롤러는 실제 논리 연산 중에는 상당한 수정이 필요할 수 있다. 게이트가 실행되고 큐비트가 상호작용하며 제어 스케줄이 더 촘촘해지면 오류 분포가 변할 수 있다. Google은 현재 실험이 이러한 모든 조건을 해결한다고 주장하지 않았다.

두 번째 불확실성은 물리 하드웨어에서의 규모다. 시뮬레이션에는 수백 개의 큐비트와 수만 개의 파라미터가 사용됐지만, 보고된 확장성 동작은 모델링된 조건에 의존했다. 더 큰 실제 장치는 국소성에 대한 가정을 깨뜨리는 상관 효과를 만들어 낼 수 있다.

상관 오류는 오류 정정이 실패가 충분히 드물고 독립적일 때 가장 잘 작동하기 때문에 특히 주목할 필요가 있다. 하나의 국소 지표를 개선하는 제어 행동이 여러 인접 구성 요소에 영향을 줄 수 있다. 에이전트는 눈에 보이는 오류 감소와 덜 명확한 상관 실패를 맞바꾸지 않도록 해야 한다.

세 번째 불확실성은 적응 속도다. 드리프트는 소프트웨어 파이프라인을 기다려 주지 않는다. 검출, 추론, 제어 업데이트에 너무 오랜 시간이 걸리면 에이전트의 응답이 도착하기 전에 프로세서는 다시 변할 수 있다.

Google은 통신 속도를 개선이 필요한 영역으로 지목한다. 이는 사소한 구현 세부사항이 아니다. 저지연 고전 처리 시스템은 양자 워크로드를 방해하지 않으면서 디코딩, 스케줄링, 판독과 함께 작동해야 한다.

네 번째 불확실성은 안전한 탐색에 관한 것이다. 강화학습은 보통 행동을 시험하고 그 효과를 관찰하며 개선된다. 실제 양자 연산은 인코딩된 상태를 불안정하게 만드는 광범위한 실험을 감당할 수 없다.

따라서 시스템에는 제약된 행동, 보수적인 업데이트 규칙 또는 배포 전에 훈련된 신뢰할 수 있는 정책이 필요하다. 연구자들은 적응 기능이 낯선 드리프트에 대응하면서도 그에 못지않게 심각한 불안정성 원인을 만들지 않는다는 점을 보여야 한다.

다섯 번째 질문은 이식성이다. 정책은 기기별 동작을 학습할 수 있으며, 이는 이 접근법의 매력 중 하나다. 그러나 이러한 특수화는 하드웨어가 교체되거나 수리되거나 새로운 조건에서 작동할 때 이전을 어렵게 만들 수도 있다.

재훈련이 빠르고 안전하게 이뤄진다면 일상적인 절차가 될 수 있다. 하지만 각 프로세서가 신중하게 제어된 조건에서 광범위한 데이터 수집을 요구한다면 비용이 커질 수 있다. 보고된 규모 독립적 반복 횟수는 고무적이지만, 모든 배포 관련 질문에 답하지는 못한다.

측정 문제도 존재한다. 에이전트는 기저의 물리적 결함에 대해 불완전한 정보만 담고 있는 QEC 검출 이벤트에서 학습한다. 유용한 컨트롤러는 지속적인 드리프트를 무작위 환경 잡음, 그리고 연산 자체가 유발한 오류와 구분해야 한다.

무작위 잡음에 반응하면 불필요한 조정이 발생할 수 있다. 미묘한 드리프트 패턴을 무시하면 논리 성능이 저하될 수 있다. 연구자들은 의도적으로 주입한 파라미터 변화뿐 아니라 여러 잡음원 아래에서 정책이 어떻게 작동하는지 보여 주는 평가가 필요하다.

독립적인 재현은 이 주장을 강화할 것이다. Nature 게재 논문은 다른 연구자들이 방법을 검토할 수 있게 하지만, 다른 프로세서에서의 재현은 성능 향상이 Willow의 설계나 Google의 주변 인프라에 의존하는지를 시험하게 된다.

이러한 한계 중 어느 것도 실험을 사소한 것으로 만들지는 않는다. 이는 통제된 시연과 운영 가능한 오류 내성 시스템 사이의 거리를 보여 준다. Google Research는 신뢰할 수 있는 제어 메커니즘을 제시했지만, 더 어려운 시스템 통합 시험은 아직 남아 있다.

Google Research가 이를 확장할 수 있는지 보여 줄 세 가지 신호

다음 증거는 더 나은 양자 메모리에서 더 긴 연산, 더 큰 물리 시스템, 더 빠른 폐루프 제어로 나아가야 한다.

첫 번째 신호는 메모리 보존뿐 아니라 논리 연산 중의 시연이다. 연구자들은 여러 논리 큐비트에 걸쳐 인코딩된 게이트가 실행되는 동안 적응형 캘리브레이션이 작동함을 보여야 한다. 변화하는 게이트 스케줄에서도 안정적인 성능을 보인다면 컨트롤러가 유용한 워크로드를 지원할 수 있다는 Google의 주장은 더욱 강해질 것이다.

논리 연산 중에 우위를 유지하지 못한다면 결과의 범위는 좁아진다. 이는 현재 정책이 동적인 연산보다 안정적인 메모리 사이클을 더 잘 다룬다는 뜻일 수 있다. 그런 결과도 양자 저장에는 도움이 되겠지만, 더 광범위한 지속적 연산 주장은 약화될 것이다.

두 번째 신호는 현재 실험을 넘어선 물리적 확장이다. 더 큰 프로세서는 더 많은 파라미터를 제어하고 더 많은 상호작용을 처리하면서도 보고된 학습 효율을 유지해야 한다. 결과는 하드웨어 개선, 디코더 변경, 강화학습으로 인한 성과를 구분해 제시해야 한다.

핵심 지표는 단순히 물리 큐비트 수가 아니다. 연구자들은 비교 가능한 조건에서 적응형 제어의 유무에 따라 더 긴 실행 동안 측정한 논리 오류율을 제시해야 한다. 훈련 부담이 관리 가능한 수준으로 유지된다는 증거는 시뮬레이션 결과를 뒷받침할 것이다.

세 번째 신호는 양자 하드웨어와 고전 컨트롤러 간의 더 긴밀한 통합이다. Google은 이미 통신 속도를 한계로 지목했다. 향후 시연에서는 루프가 드리프트를 감지하고, 조정을 선택하고, 이를 적용하는 데 걸리는 시간을 보고해야 한다.

더 낮은 지연 시간은 더 빠른 변화에 대응하는 적응 기능의 유용성을 높인다. 또한 강화학습이 디코딩 및 다른 실시간 제어 작업과 공존할 수 있음을 보여 줄 것이다. 고전 루프가 병목이 된다면 양자 프로세서는 개선된 정책의 이점을 충분히 빠르게 얻을 수 없다.

이러한 신호는 양자 전문가에게만 중요한 것이 아니다. 개발자와 기업 구매자는 공급업체들이 고립된 물리 큐비트 벤치마크 대신 지속적인 논리 연산을 보고하기 시작하는지 지켜봐야 한다. 시간이 지나도 유지되는 신뢰성이 양자 시스템이 까다로운 과학 및 산업 작업에 적합해지는 시점을 결정할 것이다.

이 분야를 추적하는 지식 노동자들 역시 점점 커지는 증거 문제에 직면하고 있다. 양자 분야 발표에는 장치 지표, 코드별 결과, 시뮬레이션, 그리고 기업의 해석이 함께 담긴다. 원 논문을 기술 노트와 함께 검색 가능한 지식 베이스에 보관하면 이후의 비교를 더욱 체계적으로 수행할 수 있다.

Google Research는 오류 감지를 지속적 제어를 위한 피드백 채널로 전환했다. 이제 다음 질문은 구체적이다. 더 큰 규모의 장치가 통제된 실험에서 메모리를 보존하는 데 그치지 않고 며칠 동안 논리 연산을 수행하는 동안에도, 그 루프가 안전하고 빠르며 효과적으로 유지될 수 있을까?