Google Quantum AI·DeepMind·MIT, 모듈형 쌍곡 컬러 코드로 QEC 물리 큐비트 오버헤드 30배 이상 절감

배경: 표면 코드의 오버헤드 병목

결함 허용 양자컴퓨팅 실현의 가장 큰 걸림돌 중 하나는, 논리 큐비트 하나를 오류로부터 보호하기 위해 수천 개의 물리 큐비트가 필요하다는 점이다. 현재 가장 널리 연구되는 2D 유클리드 표면 코드는 논리 큐비트 1개당 물리 큐비트 1,000개 이상을 요구한다. 이를 대체할 후보로 양자 저밀도 패리티 체크(qLDPC) 코드가 주목받지만, 칩 내부에서 장거리 배선 교차를 실현해야 하는 하드웨어 제약이 상용화를 가로막아 왔다.

핵심 아이디어: 쌍곡 곡면을 평면 모듈로 분할

연구팀은 닫힌 쌍곡 곡면(종수 g ≥ 2)을 일정 크기의 유클리드 격자 조각으로 잘게 나누는 방식으로 이 딜레마를 우회했다. 전체 QEC 코드를 72큐비트 또는 116큐비트 규모의 독립 평면 모듈로 분할하고, 모듈 사이 경계를 드물고 정적인 모듈간 커플러로 연결하는 구조다. 이를 통해 칩 내부 복잡한 장거리 배선 없이도 qLDPC 코드 특유의 높은 인코딩률을 확보한다.

아키텍처별 성능을 비교하면, 표준 표면 코드가 논리 큐비트당 물리 큐비트 1,000개 이상을 소모하는 데 비해, 모듈형 쌍곡 표면 코드([[6000, 146, 20]])는 약 95개 수준(10~15배 절감)으로 줄어든다. 특히 72큐비트 평면 모듈 기반 쌍곡 컬러 코드([[6400, 104, 30]])는 논리 큐비트당 물리 큐비트 36개로 30배 이상의 절감을 달성했다. 칩 내 밀집 장거리 커플러를 요구하는 이변수 자전거 코드(Two-Gross Bivariate Bicycle Code, [[288, 12, 18]])가 약 48개(~20배 절감)에 그쳤던 것과 비교된다.

잡음 내성 및 디코딩

연구팀은 게이트 오류율 p = 0.1%를 적용한 SI1000 잡음 모델로 회로 수준 시뮬레이션을 진행했다. 모듈 사이 이음새 잡음이 칩 내부 게이트 오류율보다 10배 높은 조건(p_seam = 1%)에서도 논리 오류율이 낮게 유지됐다. 디코딩에는 Google DeepMind가 개발한 AlphaQubit 신경망과 상관 최소 무게 완전 매칭(MWPM)을 결합해 사용했다.

범용 결함 허용 논리 구현을 위해, 코드의 전역 타일링 치환을 활용하는 워킹 회로와 모듈 경계에 연결되는 닫힌 보조 큐비트 루프인 모듈 리본 추출기도 함께 고안했다. 리본 추출기의 크기는 메모리 자체 대비 약 4.5분의 1 수준이어서, 추가적인 공간 오버헤드 없이 유니버설 게이트 세트를 지원할 수 있다.

의미와 남은 과제

이번 연구는 대형 단일체 칩 대신 소형 모듈을 네트워크로 연결하는 분산 아키텍처가, 이론상으로만 유리하다고 여겨졌던 qLDPC 코드의 장점을 현실적인 하드웨어 제약 안에서 실현할 수 있음을 보여준다. 모듈간 연결 오류가 칩 내부 오류보다 상당히 크더라도 전체 오류율이 허용 범위 안에 머문다는 결과는 실용적 관점에서 의미가 있다. 다만 현 단계는 수치 시뮬레이션이며, 초전도 혹은 중성원자 플랫폼에서 실제로 이 구조를 제작·검증하는 실험적 작업과 모듈간 경계 커플러의 공정 난이도 해결이 남아 있다.