표면 부호의 구조: 위상학적 양자 오류 정정

개념 소개

양자 계산에서 오류는 피할 수 없다. 개별 큐비트는 환경과의 상호작용(결어긋남)이나 게이트 불완전성으로 인해 지속적으로 오류를 겪는다. 표면 부호(Surface Code)는 이 문제를 해결하기 위해 고안된 양자 오류 정정 부호로, $d\times d$ 2차원 격자에 물리 큐비트를 배치하여 단 하나의 논리 큐비트를 부호화한다.

표면 부호의 핵심 장점은 다음 세 가지로 요약된다:

1. 국소 연산만으로 안정자 측정 가능: 각 안정자는 인접한 4개 큐비트만을 포함하므로 물리적 구현이 용이하다.
2. 높은 오류 임계값: 이론적 임계값이 약 $1\%$ 내외로, 다른 부호에 비해 월등히 높다.
3. 평면 구조: 3차원 연결 없이 2D 칩 위에 구현 가능하다.

---

핵심 원리

격자 구조와 큐비트 배치

거리(distance) $d$의 표면 부호는 $d\times d$ 격자의 데이터 큐비트와 그 사이에 배치된 보조(ancilla) 큐비트로 구성된다. 데이터 큐비트 수는 $d^2$개이며, 보조 큐비트는 $(d^2-1)$개이다.

  D - A - D - A - D
  |   |   |   |   |
  A - D - A - D - A
  |   |   |   |   |
  D - A - D - A - D
  
D: 데이터 큐비트, A: 보조(안정자 측정용) 큐비트

안정자 연산자

표면 부호는 **안정자 형식(Stabilizer Formalism)**에 기반한다. 두 종류의 안정자가 정의된다:

• X형 안정자(플래킷, Plaquette): $$A_p=\prod _{i\in p}{X}_i$$
• Z형 안정자(꼭짓점, Vertex): $$B_v=\prod _{i\in v}{Z}_i$$

모든 안정자는 서로 교환(commute)하며, $[A_p,B_v]=0$이 성립한다. (공유 큐비트가 0개 또는 짝수 개이기 때문이다.)

부호 공간 $\mathcal{C}$는 모든 안정자의 공통 $+1$ 고유 상태로 정의된다: $$\mathcal{C}=\{|\psi ⟩:A_p|\psi ⟩=|\psi ⟩,B_v|\psi ⟩=|\psi ⟩\text{ for all }p,v\}$$

오류 증후군 측정

오류가 발생하면 일부 안정자의 고유값이 $+1$에서 $-1$로 바뀐다. 이 측정 결과 집합을 **증후군(Syndrome)**이라 한다.

• 비트 반전 오류($X$ 오류): 인접한 $Z$형 안정자 쌍에서 $-1$ 결과 발생
• 위상 반전 오류($Z$ 오류): 인접한 $X$형 안정자 쌍에서 $-1$ 결과 발생

오류는 격자 위의 **체인(chain)**으로 표현된다. 비트 반전 오류 체인의 끝점(endpoint)이 증후군 결함(defect)을 생성한다.

논리 연산자

논리 큐비트의 $\bar{X}$, $\bar{Z}$ 연산자는 격자를 가로지르는 **끈 연산자(string operator)**로 표현된다:

$$\bar{X}=\prod _{i\in \text{horizontal path}}{X}_i,\bar{Z}=\prod _{i\in \text{vertical path}}{Z}_i$$

부호 거리 $d$는 가능한 가장 짧은 논리 연산자의 길이로 정의되며, 이는 최소 $d$개의 오류가 발생해야 논리 오류가 일어남을 의미한다. 따라서 오류 정정 능력은 $\lfloor (d-1)/2\rfloor$개이다.

디코딩

증후군으로부터 실제 오류를 추정하는 과정을 **디코딩(Decoding)**이라 한다. 가장 대표적인 알고리즘은 **최소 중량 완전 매칭(Minimum Weight Perfect Matching, MWPM)**으로, 결함 쌍을 최소 거리로 매칭한다.

# pymatching 라이브러리를 활용한 MWPM 디코딩 예시
import numpy as np
import pymatching

# d=3 표면 부호의 패리티 검사 행렬 H 구성 (예시)
H = np.array([
    [1, 1, 0, 0, 0, 0, 0, 0, 0],
    [0, 1, 1, 0, 0, 0, 0, 0, 0],
    [0, 0, 0, 1, 1, 0, 0, 0, 0],
    [0, 0, 0, 0, 1, 1, 0, 0, 0],
])  # 단순화된 예시

matching = pymatching.Matching(H)
syndrome = np.array([1, 0, 0, 1])  # 증후군 벡터
correction = matching.decode(syndrome)
print("추정 정정:", correction)

---

예시·응용

d=3 표면 부호

가장 단순한 비자명(non-trivial) 표면 부호는 거리 3으로, 9개의 데이터 큐비트와 8개의 보조 큐비트를 사용한다. 이 부호는 임의의 단일 큐비트 오류를 정정할 수 있다.

Google의 Sycamore 프로세서를 활용한 실험에서는 거리 3에서 5로 부호 크기를 증가시켰을 때 논리 오류율이 감소하는 결과, 즉 **아래 임계값 동작(below-threshold behavior)**이 실증되었다.

임계값 정리

물리 오류율 $p$가 임계값 $p_{th}$보다 낮을 때, 부호 거리 $d$를 증가시키면 논리 오류율이 지수적으로 감소한다:

$$p_L\approx {\left(\frac{p}{p_{th}}\right)}^{\lfloor (d+1)/2\rfloor }$$

표면 부호의 $p_{th}\approx 0.3\sim 1\%$ (디코더 및 오류 모델에 따라 다름)이며, 이는 현재 초전도 큐비트 시스템의 오류율($0.1\%$ 내외)과 충분히 겹쳐 현실적 구현 가능성을 보여준다.

---

정리

표면 부호는 2차원 격자 구조, 국소 안정자 측정, 높은 오류 임계값이라는 세 가지 특성 덕분에 결함 허용 양자 계산의 핵심 후보로 자리잡고 있다. $d\times d$ 격자의 $X$형·$Z$형 안정자로 부호 공간을 정의하고, 증후군 측정과 MWPM 디코딩을 통해 오류를 능동적으로 정정한다. 부호 거리 $d$를 늘릴수록 논리 큐비트의 충실도가 지수적으로 향상되며, 이것이 확장 가능한 양자 컴퓨터 구현의 기반이 된다.