Google: RL 알고리즘이 Willow 양자 프로세서에 자체 오류 수정 학습, 안정성 3.5배 향상

양자 오류 수정이란 무엇이며 왜 RL이 필요한가?

양자 오류 수정(quantum error correction)은 양자 연산에 필연적으로 수반되는 노이즈로부터 보호하기 위해 하나의 논리적 정보 단위를 여러 물리적 큐비트에 분산시키는 기술입니다. Google은 이제 이 과정에 강화학습(reinforcement learning, RL), 즉 시행착오와 보상을 통해 최적의 행동을 학습하는 알고리즘을 통합하여, 연산 이전뿐 아니라 연산이 진행되는 도중에도 매개변수를 지속적으로 조정합니다.

Willow에서 기록적으로 낮은 오류율

Google의 최신 양자 칩인 Willow 프로세서에서 RL 접근법은 이전 보정 방식 대비 논리적 안정성을 3.5배 향상시킵니다. 이 시스템은 오늘날 표준적인 양자 오류 수정 방식인 surface code에서 1,000회의 수정 사이클당 1회 미만의 오류율을 달성하며, 큐비트 배치가 다른 대체 방식인 color code에서는 100사이클당 1회의 오류율을 기록합니다. 이 비교는 RL의 명확한 이점을 보여줍니다. 기존의 물리적 보정은 시스템이 변화함에 따라 빠르게 낡아지는 사전 측정된 노이즈 모델에 의존하는 반면, RL은 매개변수를 실시간으로 조정합니다.

재훈련 없이 수백 개의 큐비트로 확장

시뮬레이션에 따르면 이 접근법은 수백 개의 큐비트와 수만 개의 제어 매개변수를 가진 시스템으로 확장할 수 있으며, 훈련 과정이 시스템 크기와 무관해 새로운 칩마다 모델을 새로 구축할 필요가 없습니다. 이는 물리적 보정 모델에서 학습 기반 접근법으로의 전환을 의미하며, 이전에는 엔지니어가 수동으로 조정하던 작업을 이제 AI가 대신 수행합니다. Google은 시스템의 안정성이 결과를 무효화하는 오류가 누적되지 않고 복잡한 알고리즘을 얼마나 오래 실행할 수 있는지를 직접적으로 좌우하기 때문에, 이러한 접근법이 실용적인 양자 컴퓨터로 가는 길을 앞당길 수 있다고 밝혔습니다.