NVIDIA 양자 시뮬레이션, 율리히에서 더 적은 물리 큐비트로 가는 경로 시험
NVIDIA는 10월 19일 하드웨어 오류가 오류 내성 양자 컴퓨팅의 자원 절감형 접근법에 어떤 영향을 미치는지 시험하는 104큐비트 시뮬레이션을 발표했다. NVIDIA 양자 시뮬레이션은 독일 율리히 슈퍼컴퓨팅 센터의 JUPITER에서 실행됐다. 이 결과의 중요성은 단순히 시뮬레이션한 큐비트 수를 늘린 데 있지 않고, 신뢰할 수 있는 계산에 필요한 자원과 관련된다.
오류 내성 양자 컴퓨팅이란 기반 하드웨어의 오류에도 불구하고 신뢰성 있는 계산을 수행하는 것을 뜻한다. NVIDIA는 이번 연구가 기존 방법보다 물리 큐비트를 90% 적게 필요로 하는 접근법을 뒷받침한다고 말한다. 다만 이 주장은 유용한 양자 컴퓨터의 모든 구성 요소에 걸친 동일한 수준의 감축이 아니라, 특정 준비 방법에 관한 것이다.
핵심적인 긴장은 유망한 자원 추정치와 불완전한 하드웨어의 실제 동작 사이에 있다. Google은 이미 매직 스테이트 배양(magic-state cultivation)이라 불리는 같은 광범위한 접근법을 활용한 물리 실험을 보고했다. NVIDIA의 기여는 이 조사에 상세한 시뮬레이션을 더해, 연구자들이 프로세서 설계에 착수하기 전에 가정을 검토할 또 하나의 방법을 제공한다.
NVIDIA 양자 시뮬레이션이 실제로 모델링한 것
이번에 보고된 진전은 완전한 양자 애플리케이션이 아니라, 까다로운 준비 프로토콜에 관한 것이다.
NVIDIA는 이번 연구를 현재까지 가장 큰 규모의 종합적 오류 내성 양자 프로세서 시뮬레이션으로 설명한다. 회사의 오류 내성 시뮬레이션 발표는 이 주장을 현실적인 노이즈와 계산 중 필요한 자원의 준비에 연결한다. NVIDIA는 이 결과를 미래 하드웨어 설계를 평가하는 방법으로 제시한다.
이 설명은 신중하게 읽을 필요가 있다. 물리 큐비트는 양자 정보를 저장하는 개별 하드웨어 요소다. 논리 큐비트는 물리 큐비트 전반에 걸쳐 인코딩된 보호된 정보다. 발표는 상업적으로 유용한 프로그램을 실행하는, 서로 독립적으로 보호된 104개의 논리 큐비트를 설명하지 않는다.
대신 연구자들은 신뢰성을 확인하고 개선하면서 특수 양자 자원을 준비하는 과정인 매직 스테이트 배양을 모델링했다. 매직 스테이트는 많은 오류 수정 아키텍처가 일반적인 보호 명령만으로는 저렴하게 수행할 수 없는 연산을 제공한다. 유용한 알고리즘이 이를 소비하기 때문에 이러한 상태를 효율적으로 준비하는 일은 중요하다.
기술 설명은 헤드라인에 중요한 경계를 제시한다. 이 프로토콜은 데이터 큐비트와 시퀀스 전반에서 사용되는 보조 큐비트를 포함해 104개의 물리 큐비트에 걸친다. 보조 큐비트는 추가 애플리케이션 데이터를 담당하는 것이 아니라 검사와 측정을 지원한다.
따라서 이 결과는 양자 컴퓨터 시뮬레이션에 대한 포괄적 주장보다 더 구체적이면서도 더 유용하다. 연구자들은 특정 오류가 준비 과정을 훼손하는지 물을 수 있다. 또한 하드웨어 불완전성을 계산에 반영한 뒤에도 제안된 개선안이 여전히 매력적인지 조사할 수 있다.
기록적이라는 주장은 여전히 합의된 비교 기준을 필요로 한다. 시뮬레이션마다 보존하는 세부 정보, 따르는 회로, 사용하는 근사 방식이 다르다. 큐비트 수가 더 많다는 사실만으로 한 시뮬레이션이 다른 시뮬레이션보다 더 관련성 높은 물리를 포착했다고 입증되지는 않는다.
따라서 적절한 해석은 작업 부하를 따라야 한다. NVIDIA는 오류 내성 계산의 까다로운 구성 요소에 관한 상세한 시뮬레이션을 보고했다. 신약 개발 계산, 금융 모델 또는 재료 설계 워크플로를 실행하는 양자 프로세서를 발표한 것은 아니다.
이 구분은 지금 이 실험이 주목받을 만한 이유이기도 하다. 준비 프로토콜을 평가하면 해당 장비가 존재하기 전에 설계 선택지를 조사할 수 있다. 이는 일부 불확실성을 매개변수를 의도적으로 변경할 수 있는 환경으로 옮긴다.
궁극적으로 과학적 가치는 이러한 실험이 어떤 설계 결정을 뒷받침하느냐에 달려 있다. 시뮬레이션은 하드웨어 요구 사항을 식별하거나, 신뢰할 수 없는 지름길을 배제하거나, 엔지니어링 추정치를 개선할 때 특히 유용해진다.
이는 기록이라는 헤드라인을 더 넓은 업계의 질문, 즉 신뢰성 있는 양자 계산에 실제로 얼마나 많은 하드웨어가 필요할지와 연결하는 맥락이다.
자원 추정치가 하드웨어 로드맵에 압박을 가하는 이유
이 압박은 양자 개발사들이 매력적인 자원 절감 효과를 완전하고 사용 가능한 시스템과 연결하도록 만든다.
양자 로드맵은 프로세서 크기만으로 평가할 수 없다. 신뢰성, 명령 지원, 계산 완료에 필요한 시간 역시 아키텍처가 애플리케이션에 적합한지를 결정한다. 한 하위 시스템에서 큐비트를 절약하면 도움이 되지만, 다른 요구 사항까지 사라지는 것은 아니다.
IBM은 오류 내성 요건에 대한 논의에서 관련된 구분을 제시한다. 큐비트를 추가한다고 해서 더 큰 계산 전반으로 오류가 확산되는 문제가 자동으로 해결되지는 않는다. IBM의 논지는 고립된 시연이 아니라 유용한 규모에서의 신뢰성 있는 연산을 강조한다.
이는 NVIDIA의 발표를 기업 간 직접 경쟁으로 만들지 않으면서 맥락을 제공한다. NVIDIA는 프로세서 설계를 조사하기 위한 시뮬레이션 하드웨어와 소프트웨어를 제공하고 있다. IBM은 보호된 양자 프로그램을 실행하기 위한 아키텍처를 개발하고 있다.
두 회사의 연구는 자원 산정에서 교차한다. 어떤 아키텍처든 불완전한 구성 요소가 어떻게 신뢰할 수 있는 명령을 제공하는지에 대한 설득력 있는 설명이 필요하다. 준비 프로토콜은 그 이점이 더 폭넓은 자원 산정에서도 유지될 때 상업적 의미를 갖는다.
하드웨어 팀에 실질적인 질문은 어떤 개선에 우선순위를 둘 것인가다. 엔지니어들은 특정 오류 메커니즘을 줄이는 데 집중해야 할까, 회로 일정을 바꿔야 할까, 아니면 보호를 위해 더 많은 하드웨어를 배정해야 할까? 상세한 시뮬레이션은 제작과 통합 전에 이러한 선택지를 조사하는 방법을 제공한다.
애플리케이션 팀에서는 질문이 다시 달라진다. 이들은 프로세서가 자신의 계산에 필요한 연산을 수용 가능한 신뢰성과 속도로 제공할 수 있는지 알아야 한다. 간결한 준비 루틴은 그 수요를 뒷받침할 수 있을 때만 가치가 있다.
후보 물질을 비교하기 위한 미래의 분자 계산을 생각해 보자. 애플리케이션 팀에는 알고리즘, 정확도 목표, 필요한 보호 연산의 추정치가 필요하다. 자원 개선은 그다음 해당 작업 부하에 맞춰 해석돼야 한다.
이 시나리오는 JUPITER 실험으로 입증된 애플리케이션이 아니라 평가 프레임워크다. 이는 산업 계산이 이미 혜택을 받았다는 인상을 주지 않으면서도, 이 발표가 연구자들에게 중요한 이유를 보여준다.
기업 구매자도 같은 원칙을 적용해야 한다. 더 적은 물리 큐비트에 대한 주장은 작업 부하, 기준 방법, 고정된 가정에 관한 질문으로 이어져야 한다. 또한 비교 범위 밖에 남는 비용이 무엇인지 식별해야 한다.
NVIDIA 양자 시뮬레이션은 보다 상세한 하드웨어 동작을 논의에 반영함으로써 이러한 질문의 중요성을 높인다. 그에 따른 압박은 방법론적이다. 자원 관련 주장은 현실적인 운용 조건에서도 그 장점이 유지되는 방식을 설명해야 한다.
그렇다고 하드웨어 기업이 NVIDIA가 선호하는 도구나 특정 준비 프로토콜을 채택해야 하는 것은 아니다. 이는 아키텍처 선택이 왜 여전히 신뢰할 만한지 설명하는 기준을 높인다.
단기적으로는 연구 의사결정을 위한 더 나은 근거가 제공된다. 배포 일정에 미칠 영향은 그 근거가 하드웨어 엔지니어링과 완전한 애플리케이션 추정치로 어떻게 이어지는지에 달려 있다.
매직 스테이트 배양이 자원 계산을 바꾸는 방식
배양은 오류 수정의 필요성을 없애는 대신, 필요한 계산 자원을 준비하는 비용을 겨냥한다.
기저 아이디어는 이번 발표보다 앞선다. Craig Gidney, Noah Shutty, Cody Jones는 2024년 9월 제출한 논문에서 매직 스테이트 배양 구성을 소개했다. 이 방법은 상태의 크기와 신뢰성을 점진적으로 높인다.
저자들은 명시된 노이즈 모델 아래에서 기존 연구와 비교해 큐비트-라운드를 한 자릿수 규모로 줄였다고 보고했다. 큐비트-라운드는 점유된 큐비트 수와 동작 사이클 수를 결합한 지표다. 이 척도는 시간에 따른 하드웨어 사용의 한 형태를 포착한다.
이는 NVIDIA의 90% 수치를 해석할 때 중요하다. 큐비트-라운드 감소와 물리 큐비트 감소는 관련되어 있지만 서로 다른 자원 차원을 설명한다. 어느 쪽도 전체 양자 컴퓨터가 같은 비율로 축소된다는 주장으로 자동 전환되어서는 안 된다.
논문의 비교 역시 가정에 의존한다. 보고된 성능은 특정 오류 모델과 정의된 준비 과정에 관한 것이다. 연구자들이 이를 다른 접근법과 비교할 때는 이러한 조건이 효율성 결과와 함께 제시돼야 한다.
배양이 매력적인 이유는 준비 품질과 하드웨어 비용을 함께 균형 있게 고려해야 하기 때문이다. 충분히 신뢰할 수 없는 상태를 만드는 작은 루틴은 애플리케이션 문제를 해결하지 못한다. 자원을 과도하게 소비하는 매우 신뢰성 높은 루틴은 또 다른 병목을 만든다.
따라서 유용한 엔지니어링 질문은 조건부다. 프로세서의 오류와 애플리케이션의 신뢰성 목표가 주어졌을 때, 어떤 준비 과정이 필요한 자원을 가장 효율적으로 제공하는가? 그 답은 장치나 작업 부하에 따라 같을 필요가 없다.
바로 이 지점에서 상세한 시뮬레이션은 낙관적인 추정치를 반복하는 것 이상의 가치를 더한다. 연구자들은 오류 메커니즘이 효율성과 신뢰성 사이의 균형을 바꾸는지 조사할 수 있다. 또한 다양한 가정 범위에서 설계가 여전히 매력적인지 시험할 수 있다.
NVIDIA의 매직 스테이트 배양 연구는 이 지속적인 조사 안에 위치한다. 그 역할은 원래의 배양 개념을 확립하는 것이 아니라, 더 풍부한 하드웨어 조건에서 준비 과정을 검토하는 데 있다.
이러한 틀은 고전 컴퓨터가 양자 컴퓨터를 대체한다는 오해의 소지도 막는다. 여기서 고전적 시뮬레이션은 미래 양자 계산에 필요한 구조를 연구하는 데 도움을 준다. 시뮬레이션된 작업 부하와 의도된 애플리케이션은 개발 과정에서 서로 다른 위치를 차지한다.
더 까다로운 시뮬레이션이 모든 양자 설계를 똑같이 평가하기 어렵다는 뜻도 아니다. 연구자들은 질문에 따라 모델을 선택한다. 한계가 이해되고 검증된다면 더 단순한 근사도 계속 유용할 수 있다.
중요한 변화는 선택된 질문에 대해 더 상세한 기준점을 사용할 수 있게 됐다는 점이다. 이러한 기준점은 편의상 둔 가정이 여전히 적절한 곳과, 설계에 영향을 주는 동작을 가리고 있는 곳을 드러낼 수 있다.
발표를 비교하는 독자라면 이 메커니즘을 따라가야 한다. 자원 절감은 프로토콜 수준의 제안으로 시작해 모델링과 실험을 통해 신뢰성을 얻고, 애플리케이션 수준의 자원 산정을 통해 실질적 의미를 갖는다.
JUPITER는 하드웨어 불완전성을 더 이상 무시하기 어렵게 만든다
이 시뮬레이션의 가장 중요한 특징은 헤드라인의 큐비트 수가 아니라 특정 오류를 다룬 방식이다.
NVIDIA의 104큐비트 프로토콜 기술 설명에 따르면, 최대 규모 실행에는 GH200 그래픽 프로세서, 즉 GPU 8,192개가 사용됐다. 이 모델에는 양자 진화 과정에서 누적되는 코히어런트 위상 오류와, 큐비트가 의도된 계산 수준을 벗어나는 누설 현상이 포함된다.
이에 따라 선택된 사이트에는 세 번째 에너지 준위가 포함된다. 시뮬레이터는 회로를 재구성하고 측정 이후 저장 공간을 재사용해, 전체 프로토콜이 더 작은 규모의 변화하는 표현을 사용하도록 한다. NVIDIA는 저장된 상태가 분산형 GPU 메모리 512TiB를 차지했다고 밝혔다.
이러한 세부 사항은 “104큐비트”를 단순한 메모리 용량 설명으로 해석해서는 안 되는 이유를 보여준다. 프로토콜의 전체 범위는 어느 한 시점에 저장되는 표현과 다르다. 실행 전략은 이 실험을 계산적으로 관리 가능한 수준으로 만드는 요소 중 하나다.
방법론적 의미는 저장 용량 수치보다 더 흥미롭다. 연구자들은 단순한 무작위 오류 모델로는 충분히 설명되지 않을 수 있는 결함을 조사할 수 있다. 이는 준비 루틴이 서로 다른 물리적 불완전성에 따라 다르게 반응하는지 시험할 기회를 만든다.
유용한 시뮬레이션은 이러한 가능성을 구분하는 데 도움이 되어야 한다. 한 설계가 특정 오류 메커니즘에는 견디지만 다른 메커니즘에는 취약하다면, 하드웨어 팀은 더 구체적인 연구 질문을 얻게 된다. 이후 엔지니어링 변경이 그 약점을 해결하는지 조사할 수 있다.
추가 세부 사항을 포함한다고 해서 모델이 물리적 장치의 완전한 복제본이 되는 것은 아니다. 연구자들은 여전히 어떤 메커니즘을 포함할지, 이를 어떻게 매개변수화할지, 어떤 회로를 실행할지를 선택한다. 모든 결과는 이러한 선택을 전제로 한다.
이 때문에 상세한 기준 모델과 단순화된 모델은 서로를 보완할 수 있다. 기준 모델은 까다로운 동작을 집중적으로 검증하는 데 유용하다. 단순화된 모델은 근사가 해당 질문에 적합한 경우 더 폭넓은 탐색을 지원할 수 있다.
까다로운 실험을 수행하는 것과 이를 일상적인 작업으로 만드는 것 사이에는 실질적인 차이도 있다. 대규모 슈퍼컴퓨터 실행은 모든 연구 그룹의 기본 워크플로가 되지 않더라도 가치 있는 질문에 답할 수 있다. 접근성은 이후에 마련되는 도구와 근사 기법에 달려 있다.
따라서 개발자에게 중요한 산출물은 성공적인 실행 그 이상이다. 유용한 후속 자료는 어떤 계산이 가장 큰 자원을 필요로 하는지, 어떤 계산이 더 작은 규모에서 재현될 수 있는지를 설명해야 한다. 또한 수치적 단축 기법이 어디에서 결론을 유지하는지도 보여줘야 한다.
연구 관리자의 경우 이 정보는 더 엄격한 자원 배분 결정을 뒷받침한다. 컴퓨팅 자원은 더 큰 실행의 매력보다는 과학적 불확실성에 맞춰 배정돼야 한다. 잘 선택된 소규모 실험이 야심차지만 통제가 부족한 비교보다 더 많은 정보를 제공할 수 있다.
더 넓게 보면, 시뮬레이션 엔지니어링은 이제 양자 아키텍처 연구에 직접 참여하고 있다. 그 가치는 접근 방식을 수정하거나 가정을 포기하는 결정을 포함해, 더 명확하게 해주는 의사결정에서 나온다.
이는 업계가 폭넓게 유용한 오류 내성 기계를 제공하기 전부터 NVIDIA의 역할이 전략적으로 중요하다는 의미다. 이 회사는 그러한 기계를 평가하는 데 쓰이는 고전적 시스템을 통해 연구 과정에 기여할 수 있다.
하드웨어 실험은 시뮬레이션 주장을 균형 있게 바라보게 한다
시뮬레이션 결과는 실험 간 차이를 유지하면서 독립적인 측정 결과와 연결될 때 더 설득력을 얻는다.
Google 연구진은 이미 초전도 매직 상태 배양에 관한 실험 연구를 보고했다. 이들의 초록은 시도의 8%를 유지하면서 오류를 40배 줄이고 상태 충실도 0.9999(1)를 달성했다고 설명한다. 충실도는 준비된 상태가 의도한 목표와 얼마나 가깝게 일치하는지를 측정한다.
이 수치는 단일 헤드라인 지표가 전체 엔지니어링 상충관계를 거의 포착하지 못하는 이유를 보여준다. 허용된 출력의 품질도 중요하며, 유용한 출력이 실제로 확보되는 비율도 중요하다. 애플리케이션에는 궁극적으로 신뢰할 수 있는 공급이 필요하다.
Google의 실험을 NVIDIA의 전체 시뮬레이션에 대한 독립 검증으로 제시해서는 안 된다. 두 연구는 환경과 목적이 다르다. 다만 이는 배양이 NVIDIA의 발표에만 등장하는 개념이 아니라 실험적 연구 방향임을 보여준다.
다음 분석 단계는 모델링된 동작과 측정된 동작을 어디에서 의미 있게 비교할 수 있는지 묻는 것이다. 조건이 일치하는 상황에서의 일치는 모델에 대한 신뢰를 높일 수 있다. 불일치는 추가 조사가 필요한 가정이나 메커니즘을 드러낼 것이다.
이 과정에는 헤드라인 충실도만 비교하는 것 이상이 필요하다. 연구자들은 호환되는 정의, 준비 단계, 오류 조건, 허용 기준을 갖춰야 한다. 그렇지 않으면 겉보기 일치는 실제 측정 대상의 차이를 숨길 수 있다.
중립적인 경쟁 비교는 양자 기업들이 서로 다른 아키텍처 계층을 다루고 있다는 점도 인정해야 한다. IBM의 오류 내성 아키텍처 로드맵은 Starling을 2029년까지 논리 큐비트 200개와 양자 게이트 1억 개를 목표로 하는 계획된 시스템으로 설명한다. 이는 JUPITER 작업으로 입증된 결과가 아니라 여전히 제시된 목표다.
IBM은 범용 명령어, 실시간 적응, 모듈성 등의 요구 사항도 제시한다. 범용 명령어는 일반적인 양자 계산에 필요한 연산을 제공한다. 모듈성은 교체 가능한 하드웨어 유닛을 더 큰 시스템으로 연결하는 문제와 관련된다.
이러한 더 넓은 시스템 관점은 준비에 초점을 맞춘 주장에 유용한 검증 기준이 된다. 더 나은 상태 준비 방법은 기계 작동에 필요한 모든 작업을 완성하지 않고도 설계를 강화할 수 있다. 하위 시스템 간 인터페이스는 추가적인 제약을 만들 수 있다.
따라서 신중하게 해석해야 할 부분은 추론의 범위다. NVIDIA의 시뮬레이션은 선택된 조건에서 특정 프로토콜을 조사하는 데 근거를 제공한다. 이는 애플리케이션 우위를 입증하거나, 모든 아키텍처 가정을 검증하거나, 업계 전반의 상용화 일정을 독립적으로 확인하지는 않는다.
마찬가지로 시뮬레이션이 개발 기간을 수년 단축할 수 있다는 발표의 시사점은 회사의 주장으로 귀속돼야 한다. 그러한 결과를 입증하려면 모델링 결정과 이후 엔지니어링 진전 사이를 연결하는 증거가 필요하다. 현재 결과는 그 전체 이력을 제공하지 않는다.
기업 독자에게 이러한 구분은 계획의 질을 보호한다. 연구 진전은 지속적인 기술 평가를 정당화할 수 있지만, 자동으로 배포 약속을 정당화하지는 않는다. 증거의 강도는 내려지는 결정에 부합해야 한다.
핵심 질문은 더 낮은 준비 오버헤드가 완전한 시스템과 맞닿았을 때도 유지되는지 여부다. 하드웨어 실험, 상세 모델, 아키텍처 수준의 추정은 각각 그 답을 향한 서로 다른 증거를 제공한다.
Jülich 발표 이후 주목할 세 가지 신호
가장 유익한 후속 조치는 재현 가능한 모델링, 하드웨어 측정, 애플리케이션 수준의 자원 추정을 연결할 것이다.
향후 몇 달 동안 가장 먼저 주목할 신호는 추가적인 재현성 세부 정보다. 여기에는 다른 연구자들이 결론을 평가할 수 있도록 충분히 명확한 회로, 오류 가정, 실행 방법, 검증 절차가 포함된다. 공개 기술 설명은 이 과정의 출발점이다.
유용한 후속 자료는 수치적 검증과 물리적 검증을 구분해야 한다. 수치적 검증은 계산이 의도대로 작동하는지를 묻는다. 물리적 검증은 그 가정이 연구 질문과 관련된 하드웨어 동작을 설명하는지를 묻는다.
까다로운 시뮬레이션을 해석하려면 둘 다 필요하다. 강력한 수치 검증은 실험이 정확히 실행됐다는 신뢰를 높일 것이다. 물리 모델의 명확한 한계는 독자가 결론이 적용되는 범위를 이해하는 데 도움이 된다.
두 번째 신호는 하드웨어 측정과의 더 긴밀한 연결이다. 유사한 준비 단계와 오류 메커니즘을 조사하는 실험은 설계 결정에 이러한 모델을 사용하는 근거를 강화할 것이다. 비교는 일치와 불일치 모두를 설명해야 한다.
불일치가 시뮬레이션의 가치를 자동으로 없애지는 않는다. 이는 누락된 메커니즘, 부정확한 매개변수, 또는 추가 연구가 필요한 실험 조건을 식별할 수 있다. 중요한 질문은 연구자들이 그 차이를 예측 정확도 향상에 활용하는지 여부다.
세 번째 신호는 완전한 워크로드에 대한 최신 자원 산정이다. 연구자들은 준비 개선이 정의된 계산에 필요한 자원에 어떤 영향을 주는지 보여줘야 한다. 이 분석에는 국소적 절감 효과를 시스템 수준의 이점으로 전환하기 위해 필요한 가정이 포함돼야 한다.
예를 들어 애플리케이션 추정치는 신뢰성 목표와 필요한 준비 상태의 공급량을 설명해야 한다. 또한 상태 준비 외부의 비용도 식별해야 한다. 이러한 경계가 없으면 독자는 백분율이 좁은 범위에 적용되는지, 넓은 범위에 적용되는지 판단할 수 없다.
이러한 신호는 또 하나의 고립된 큐비트 이정표보다 더 유용한 해석 틀을 제공한다. 재현성은 계산을 검증하고, 하드웨어 비교는 모델을 검증하며, 워크로드 산정은 실질적 중요성을 검증한다. 함께 보면 연구 주장을 엔지니어링 의사결정과 연결한다.
이러한 증거를 추적하는 팀은 논문, 가정, 변화하는 추정치를 검색 가능한 지식 베이스에 보관할 수 있다. 이후 발표가 다른 자원을 설명하기 위해 유사한 백분율을 사용할 때, 원래 조건을 보존하는 일은 중요하다.
현재로서는 NVIDIA의 양자 시뮬레이션을 특정 준비 과정과 하드웨어 민감형 설계 선택을 조사하는 방법에 관한 증거로 읽어야 한다. 향후 업데이트는 동일한 경계에 따라 비교하라. 어떤 회로가 실행됐는지, 어떤 오류가 모델링됐는지, 어떤 자원이 산정됐는지를 확인해야 한다. 후속 조치가 모델링된 성능과 측정된 하드웨어 동작 사이의 연결을 강화하는지 물어야 한다. سپس 이러한 결과를 완전한 계산까지 이어가는 애플리케이션 추정치를 찾아야 한다. 이 순서는 시뮬레이션 기록을 완성된 기계와 혼동하지 않으면서 양자 기술의 진전을 추적하는 실용적인 방법을 제공한다. 향후 어떤 결과가 평가를 가장 크게 바꿀 것인가? 독립 재현, 하드웨어 측정과의 일치, 아니면 자원 절감이 실제로 어디에 적용되는지를 보여주는 완전한 워크로드인가?
