Quantum X Labs, 합성 데이터 훈련 AI 디코더로 Google 표면 코드 벤치마크 초과

성과의 핵심: 제로샷 일반화

이번 결과에서 가장 주목할 기술적 포인트는 '제로샷 실제 하드웨어 일반화'다. Quantum X Labs의 AI 디코더는 훈련 과정에서 Google 실제 양자 하드웨어가 생성한 측정 데이터(실제 하드웨어 샷)를 단 한 건도 학습하지 않았다. 오직 합성 시뮬레이션 샘플만으로 모델을 구성한 뒤, Google이 공개한 표면 코드 실험 데이터셋에 적용해 검증을 진행했다.

결과적으로 최소 가중치 완전 매칭(MWPM) 계열의 대표적 구현체인 PyMatching과 Google이 자체 발표한 상관 매칭 수치 모두를 웃도는 디코딩 정확도를 기록했다. 이는 합성-실제 간 일반화가 양자 오류 정정 영역에서 실용적 수준으로 작동할 수 있음을 시사한다.

기술 구조: NVIDIA CUDA-Q와 GPU 가속

해당 디코더는 NVIDIA CUDA-Q 프레임워크와 GPU 가속 컴퓨팅 아키텍처를 기반으로 설계됐다. 표면 코드의 위상적 구조를 AI 기반 오류 가중치 산정과 결합하는 방식으로, 저지연 실시간 디코딩 경로를 지향한다. 내결함성 양자 컴퓨팅에서 오류 정정 디코더는 오류 발생 속도보다 빠르게 신드롬 데이터를 처리해야 하므로, 계산 지연 최소화는 상용화의 핵심 요건 중 하나다.

기술적 맥락과 의의

표면 코드 기반 양자 오류 정정에서 MWPM 계열 디코더는 이론적 최적성과 구현 효율성 덕분에 사실상 업계 표준으로 자리 잡아 왔다. PyMatching은 그 대표적 오픈소스 구현체다. AI 디코더가 이 기준선을 합성 훈련만으로 넘어선 것은 의미 있지만, 단일 데이터셋에서의 결과라는 점에서 확증이라기보다 가능성의 입증에 가깝다.

최고양자기술과학자(Chief Quantum Technology Scientist) Nir Sharon 교수 주도 하에 Quantum X Labs는 향후 추가 물리 하드웨어 백엔드, 다양한 코드 위상, 복수의 디바이스 센터로 동일한 합성-실제 파이프라인을 확장·복제할 계획이다.

한계와 과제

이번 발표는 자사 보도자료를 통해 공개된 결과로, 동료 검토(peer review)를 거친 학술 논문이 아니다. 또한 테스트에 사용된 데이터셋이 Google이 이미 공개한 단일 표면 코드 구성으로 한정되어 있어, 코드 거리 변화나 상이한 노이즈 환경에서의 성능은 별도 검증이 필요하다. 실시간 디코딩 지연 수치나 구체적 충실도(fidelity) 개선폭에 대한 정량적 세부 정보도 현재 공개된 범위에서는 확인되지 않는다.