구글 Quantum AI는 10월 15일 Willow 프로세서에서 매직 상태 배양을 구현한 연구를 소개하며 Science 게재 소식을 전했다. 매직 상태는 보편적인 오류 정정 양자 계산에 필요한 특정 연산을 구현할 때 소비하는 자원이다. 표면 코드와 컬러 코드의 평면 구조는 오류 정정에 유리하지만, 보편적인 계산에 필요한 비클리퍼드 연산을 기본적으로 제공하지 않는다. 매직 상태는 이 빈자리를 메우는 수단이다. 상태를 한 번 만들었다고 계속 재사용할 수 없으므로, 충분히 정확한 상태를 반복해서 생산하는 비용이 계산 장치의 중요한 부담이 된다. 이번 발표의 중심은 그 자원 준비 과정의 개선이다. 전체 양자 컴퓨터의 계산 속도가 40배 빨라졌다는 의미와는 구분된다.
약 40배 개선에는 약 8%를 남기는 조건이 있다
실험 논문은 배양하지 않고 상태를 주입한 경우와 비교해 상태의 부정확도를 약 40분의 1로 낮췄다고 보고한다. 논리 상태 준비와 측정 중 오류 신호가 나온 시도를 버린 뒤 얻은 결과이며, 이 조건에서 남은 데이터는 약 8%다. 여기에 측정을 위한 배양 두 차례와 양자 오류 정정 주기 세 차례가 포함된다. 연구진은 상태 오류의 상한을 불확실성과 함께 1(1)×10의 -4제곱으로 제시했다. 구글이 소개한 99.99% 충실도는 이처럼 선별한 상태의 품질을 가리키며, 모든 시도가 성공하거나 프로그램 전체가 같은 정확도를 낸다는 지표는 아니다. 여기서 선별은 측정 결과에 따라 해당 시도를 받아들이거나 버리는 절차다. 낮은 오류와 높은 유지율은 별개의 수치여서 두 값을 함께 제시해야 결과의 조건이 드러난다.
상태를 만드는 방법만큼 측정법도 바뀌었다
연구팀은 작은 컬러 코드에 잡음이 있는 상태를 넣고, 보조 큐비트를 이용한 측정으로 원하는 상태를 골랐다. 오류가 발견되면 해당 시도를 중단하고 다시 시작하는 방식이다. 구글의 설명에 따르면 장비 드리프트와 온도 변화에서 비롯된 잡음 때문에 기존 측정의 가정이 맞지 않는 문제도 드러났다. 연구진은 제어를 보완하고, 배양 회로 자체를 측정 도구로 쓰는 킥백 토모그래피를 개발했다. 논문은 이 방식이 서로 다른 축을 따로 측정할 때 생기는 불일치와 통계적 잡음을 줄여 작은 상태 오류의 상한을 추정하게 했다고 설명한다. 배양 단계 뒤에도 오류 정정 주기를 배치해 측정의 오류 검출 조건을 유지했다. 정제 회로만 떼어 놓고 얻은 성과가 아니라, 상태 준비와 검증 절차를 함께 구성한 결과다.
작은 부호에서 큰 부호로 옮기는 별도 단계
또 다른 실험은 거리 3 컬러 코드에서 준비한 상태를 거리 5 표면 코드와 연결되는 더 큰 부호로 접붙이는 과정이다. 배양하기에 알맞은 부호와 이후 계산을 이어갈 부호 사이의 호환성을 시험한 것이다. 이 단계에 앞선 99.99% 수치를 그대로 적용할 수는 없다. 논문은 접붙인 부호에서 대기 중 발생하는 오류가 상태 품질을 제한했고, 주기를 추가하면 상태가 더 손상됐다고 설명한다. 따라서 좋은 상태의 생성과 이동, 보관은 각각 확인해야 하는 과제로 남는다.
남겨 둔 표본의 품질과 생산량을 함께 계산하기
수율의 의미를 보기 위해 1,000번의 시도에서 8%를 남긴다는 단순 가정을 두면 채택 표본은 80개다. 남긴 상태의 오류가 낮아졌다는 수치는 이 80개를 평가하는 조건이지, 버린 920번까지 모두 고품질 상태를 생산했다는 뜻은 아니다. 실제 장치 실행을 재현한 숫자가 아니라 논문 비율의 산술 예시다.
또한 수율만으로 초당 몇 개의 상태를 공급하는지 계산할 수는 없다. 각 시도의 주기와 다시 시작하는 비용, 이동·대기 과정이 함께 필요하다. 오류 개선의 배수와 상태 생산 속도의 배수는 단위가 달라 그대로 곱하거나 나눠 전체 프로그램의 가속률을 만들 수 없다.
| 지표 | 의미 |
|---|---|
| 오류 약 40분의 1 | 비교 조건에서 상태 오류 감소 |
| 충실도 0.9999(1) | 선별한 상태의 품질과 불확실성 |
| 약 8% 유지 | 오류 검출 조건 뒤 남긴 시도 비율 |
| 1,000회 중 80개 | 8%를 적용한 설명용 산술 가정 |
| 전체 계산 속도 | 위 값만으로 산출 불가 |
Willow 실험은 상태의 오류 감소와 선별 과정에서 남는 수율을 함께 제시했다. 작은 부호의 결과와 더 큰 부호로 옮긴 실험을 나눠 읽어야 개선 폭을 실용적 대규모 계산의 완성으로 확대하지 않을 수 있다.
ARCH.B 의견
매직 상태 배양은 이번에 갑자기 등장한 개념이 아니다. Gidney·Shutty·Jones의 2024년 논문은 가정한 잡음 모델과 시뮬레이션을 바탕으로 필요한 자원을 줄일 가능성을 제시했다. 실험 연구의 공개 원고도 2025년 12월에 먼저 제출됐다. 이번 구글 발표는 이 계보 위에서 하드웨어 구현과 측정 결과를 설명한다. 이론의 자원 절감 추정치를 현재 장치가 달성한 규모로 읽기보다는, 이상적인 가정이 실제 제어·측정 과정에서 어디까지 성립하는지 보여 주는 검증으로 보는 편이 정확하다.
이번 결과는 양질의 상태를 만들 수 있는지에 대한 실험 근거를 보탰다. 동시에 실제 계산에 필요한 상태를 얼마나 자주 공급하고 더 큰 오류 정정 구조 안에서 얼마나 오래 유지할 수 있는지도 중요해졌다. 선별 후 충실도가 높아져도 폐기하는 시도가 많으면 생산에 시간과 장치 자원이 든다. 따라서 유지율과 처리량, 이동·보관 과정의 오류를 함께 비교해야 자원 절감 효과를 판단할 수 있다. 필요한 상태를 제때 공급하는 구조와 계산 회로의 연결도 뒤따라야 한다. 단일 자원의 품질 향상만으로 전체 프로그램에 필요한 물리 큐비트 수나 실행 시간을 곧바로 산출하기 어려운 이유다. 구글 역시 더 큰 규모의 배양 실증과 기술 과제가 남았다고 밝혔다. 현재 성과는 그 다음 실험을 설계할 기반이다.
