Quantum X Labs, 합성 데이터 훈련 AI 디코더로 구글 실하드웨어 벤치마크 개선

실험 배경: 구글 공개 데이터셋 활용

양자 컴퓨터는 환경 잡음에 극도로 취약하여, 내결함성 양자 연산을 실현하려면 양자 오류 정정(QEC)이 필수적이다. QXL은 이 과정에서 핵심 병목인 디코더 성능을 AI로 끌어올리는 방향을 연구 중이다. 이번 실험에서 QXL은 Google이 공개한 실제 양자 하드웨어 기반 서피스 코드 데이터셋을 벤치마크 기준으로 삼았으며, Google이 자체 디코더 비교에 사용한 것과 동일한 교차 검증 방식을 적용했다.

핵심 성과: 합성 데이터에서 실험 데이터로의 일반화

이번 결과에서 가장 주목할 지점은 QXL의 디코더가 합성 샘플만으로 훈련됐다는 사실이다. Google 하드웨어에서 취득한 실제 측정 샘플은 훈련에 일절 사용되지 않았음에도, 동일 코드 구성에 대한 Google의 상관 매칭(correlated-matching) 및 PyMatching 벤치마크 결과 대비 향상된 성능을 보였다. 이는 합성 데이터로 훈련한 모델이 실험 환경의 시드롬 데이터에도 적용 가능하다는 이른바 '합성→실험 일반화' 가능성을 일정 수준 지지하는 결과다. 이 일반화 능력은 실용적인 QEC 워크플로우, 특히 저지연 및 실시간 디코딩을 향한 로드맵에서 중요한 전제 조건이다.

기술 구조와 가속 환경

QXL의 디코더는 양자 코드 구조, 시드롬 정보, AI 기반 오류 가중치 부여를 결합하는 방식으로 설계됐다. AI 구성 요소는 GPU 가속을 전제로 하며, NVIDIA의 가속 컴퓨팅 플랫폼 및 CUDA-Q와의 통합을 염두에 두고 있다. 이를 통해 QEC 워크플로우 내 저지연 구현 및 궁극적인 실시간 디코딩을 목표로 한다.

향후 계획과 한계

QXL은 이번 결과를 단일 코드 구성에 한정된 검증으로 명확히 규정했다. 다음 단계로는 추가 장치 중심과 다양한 코드 구성으로 실험을 확장하고, IQCC 시드롬 실험도 계획하고 있다. 단일 벤치마크에서의 개선이 다양한 하드웨어 환경과 코드 파라미터로 얼마나 재현될 수 있는지는 아직 확인되지 않은 과제로 남아 있다.