TU Delft 스핀오프 MagiQware, 강화학습 기반 매직 상태 팩토리 최적화로 €57.5만 프리시드 확보

투자 구조와 참여 기관

이번 라운드는 초기에 LUMO Labs가 TTT.AI 프로그램을 통해 €50만 규모로 선도 클로징을 완료했으며, 이후 Graduate Ventures와 Delft Enterprises B.V.의 공동 투자가 합류하면서 최종 €57만 5,000으로 확대됐다. 조달된 자본은 제품 개발 가속화, 자동화 소프트웨어 컴파일러 검증, 기술 엔지니어링 팀 확충 세 가지 방향에 배분된다.

매직 상태 팩토리가 왜 병목인가

내결함성 양자컴퓨팅(FTQC)에서는 양자 오류 정정이 연산을 위상 결어긋남으로부터 보호하지만, Clifford 게이트 집합 밖에 있는 비-Clifford 논리 게이트를 실행하려면 별도의 알고리즘 서브루틴이 필요하다. 이 서브루틴이 바로 매직 상태 팩토리로, 물리적 노이즈를 걸러내어 고충실도(high-fidelity) 매직 상태를 증류하는 역할을 한다. 문제는 이 증류 과정이 전체 양자 시스템의 물리 큐비트 및 회로 자원을 최대 90%까지 소비한다는 점이다. 이는 하드웨어 확장성 측면에서 현재 FTQC 개발의 핵심 장벽 중 하나로 꼽힌다.

MagiQware의 강화학습 기반 접근법

MagiQware는 양자 컴파일 및 소프트웨어 스택 내에 특화된 최적화 도구를 구축한다. 핵심 방법론은 강화학습 에이전트를 활용해 증류 회로 구조를 자동으로 탐색하고 최적화하는 것이다. 회사에 따르면 이 접근법으로 대상 팩토리의 회로 길이를 최대 40% 단축하는 성과를 달성했다. 이는 물리 하드웨어 계층을 수정하지 않고도 전체 시스템의 하드웨어 오버헤드를 줄일 수 있다는 점에서 주목된다.

경영진은 CEO Arash Ahmadi 박사와 CTO Shakeeb Majid가 이끌며, Head of Device Sahar Hejazi 박사, Head of Theory Ali Moghaddam 박사가 기술 부문을 담당한다.

기술적 의미와 한계

매직 상태 팩토리 최적화는 FTQC 실현을 앞당기는 소프트웨어 경로로서 현실적 접근법이나, 40% 회로 단축이라는 수치는 특정 대상 팩토리에 한정된 결과임에 유의해야 한다. 프리시드 단계인 만큼 실제 대규모 양자 시스템에서의 검증은 아직 진행 중이며, 상용화 로드맵의 실현 여부는 후속 개발 성과에 달려 있다.