99.99%의 성과,
8%의 조건.
구글 윌로 매직 상태 배양의 99.99% 충실도와 약 8% 유지율, 오류 40배 개선의 조건을 공개 논문과 대조했다.
구글 윌로 매직 상태 배양의 99.99% 충실도와 약 8% 유지율, 오류 40배 개선의 조건을 공개 논문과 대조했다.
99.99%라는 숫자 옆에 8%를 함께 놓아야 하는 이유
구글 퀀텀 AI가 윌로(Willow) 프로세서에서 매직 상태 배양을 구현했다고 10월 15일 발표했다. 구글은 배양하지 않은 상태와 비교해 오류를 약 40분의 1로 줄였고, T 상태의 논리적 충실도 99.99%를 얻었다고 설명했다. 범용 오류내성 양자컴퓨터에 필요한 특수한 상태를 더 정밀하게 준비하는 실험이다. 완성된 양자컴퓨터가 모든 계산을 99.99% 정확도로 수행했다는 발표는 아니다. [1]
이 성과를 제대로 읽으려면 선택 조건도 같이 봐야 한다. 공개 연구 원고의 초록은 충실도를 0.9999(1)로 표기하면서, 해당 조건에서 전체 시도의 약 8%를 남겼다고 적는다. 오류 징후가 검출된 시도를 버리고 남은 결과를 평가하는 후선택이 포함돼 있다. 높은 충실도와 낮은 유지율은 같은 실험을 설명하는 두 숫자다. [2]
뉴진미디어는 구글의 최신 발표와 공개된 실험 원고, 앞선 배양 이론 논문을 나누어 대조했다. 사이언스 출판사 본문은 이번 확인 환경에서 열리지 않아 최종 게재본 전체를 읽었다고 주장하지 않는다. 구체적인 회로와 측정 조건은 공개 원고에 근거하며, 원고의 최초 공개일인 2025년 12월 15일과 이번 2026년 10월 학술지 게재 발표를 구분한다.
이번 연구는 양자 상태를 저장하는 문제에서 한 단계 더 나아간다
양자 오류정정은 여러 물리 큐비트를 묶어 하나의 논리 큐비트를 보호하는 방식으로 설명할 수 있다. 개별 부품에서 오류가 생기더라도 여러 측정 결과를 이용해 논리 정보의 손상을 줄이려는 것이다. 하지만 정보를 오래 보관하는 것과 다양한 계산 연산을 안정적으로 실행하는 것은 같은 과제가 아니다.
실험 원고는 범용 오류내성 양자계산에 비클리퍼드 연산이 필요하다고 설명한다. 표면 코드나 색 코드처럼 평면 구조에 적합한 오류정정 부호가 유용해도, 필요한 모든 연산이 그 안에서 똑같이 저렴하게 구현되는 것은 아니다. 매직 상태는 이 부족한 연산 자원을 공급하기 위한 특수한 양자 상태다. [2]
따라서 이번 결과의 질문은 ‘큐비트가 몇 개 늘었나’보다 ‘계산에 쓸 특수 상태를 어떤 오류와 비용으로 만들었나’에 가깝다. 같은 프로세서를 사용하더라도 메모리 실험과 상태 준비 실험은 측정 대상이 다르다. 이전에 논리 큐비트의 수명이 개선됐다는 결과를 이번 상태 충실도와 같은 지표로 이어 붙이면 연구가 해결한 문제를 놓치게 된다.
매직 상태는 한 번 만들어 계속 쓰는 소프트웨어가 아니다
매직 상태라는 이름은 신비한 물질을 뜻하지 않는다. 특정 양자 연산을 구현하는 데 쓰이는 자원 상태를 가리키는 기술 용어다. 공개 원고는 이 상태를 만들어 게이트 텔레포테이션 과정에서 소비하는 접근을 설명한다. 계산 중 필요한 때마다 공급해야 하므로, 품질뿐 아니라 생산 비용과 공급 속도도 중요해진다. [2]
이 점은 일반적인 프로그램 파일과 다르다. 같은 명령어를 저장해 반복 호출하는 것처럼 이미 소비한 매직 상태를 그대로 다시 쓰는 방식은 아니다. 연구자들이 상태를 만드는 장치를 ‘공장’에 비유하는 이유도 계산 장치에 필요한 자원을 지속적으로 공급해야 하기 때문이다. 공장은 실제 별도 건물을 뜻하는 것이 아니라 양자 회로 안에서 상태 생성에 배정하는 자원을 설명하는 말이다.
상태 하나의 품질이 좋아져도 그 상태를 만드는 데 지나치게 많은 큐비트와 시간이 들면 전체 계산 비용은 커질 수 있다. 반대로 생산 비용이 줄어도 오류가 너무 크면 긴 계산에는 쓰기 어렵다. 이번 연구의 의미는 두 조건을 함께 다룬다는 데 있으며, 충실도 한 숫자만으로 전체 양자컴퓨터의 성능 순위를 정할 수는 없다.
증류와 배양은 같은 목표를 다른 방식으로 좇는다
기존 매직 상태 증류는 여러 불완전한 상태를 이용해 더 좋은 상태를 얻는 방식으로 연구돼 왔다. 배양은 하나의 상태를 작은 논리 부호 안에서 준비한 뒤, 오류를 검사하는 측정과 선택을 거치며 품질을 높이고 더 큰 부호로 옮기는 접근이다. 목표는 고품질 상태 확보라는 점에서 연결되지만 자원을 쓰는 회로의 구성이 다르다. [2] [3]
2024년 이론 논문은 배양이 표면 코드 패치 안에 들어가며, 같은 수준의 신뢰도를 가진 격자 수술 CNOT 연산과 비슷한 물리 게이트 수를 사용할 수 있다고 분석했다. 제목에 등장하는 ‘CNOT만큼 저렴하게’는 이런 조건부 자원 비교를 뜻한다. 양자컴퓨터 전체 가격이 특정 비율로 떨어졌다는 뜻도, 실제 상용 장비의 견적을 제시한 것도 아니다. [3]
이번 하드웨어 연구는 그 이론적 접근이 실제 잡음이 있는 초전도 프로세서에서 작동하는지 시험한다. 이론에서 유리한 회로라도 장치의 제어 오차와 측정 편향, 시간에 따라 변하는 잡음이 들어오면 결과가 달라질 수 있다. 제안된 방법을 실제 회로로 옮기고 그 성능을 검증했다는 점이 이번 발표의 핵심이다.
작은 색 코드에서 시작하는 까닭
연구진은 거리 3의 색 코드에서 배양을 시작했다. 여기서 거리는 물리적인 길이가 아니라 오류정정 부호의 보호 특성을 나타내는 매개변수다. 공개 원고는 색 코드의 단일 큐비트 클리퍼드 연산을 각 물리 큐비트에 독립적으로 적용할 수 있는 성질이 배양 측정에 유리하다고 설명한다. [2]
작은 부호를 사용하면 처음부터 큰 부호 전체를 동원하는 것과 다른 자원 구성이 가능하다. 다만 작은 부호에서 상태를 잘 만들었다고 그곳에 계속 보관해도 된다는 뜻은 아니다. 연구진은 배양 뒤의 오류정정 주기에서 생기는 오류가 준비 단계의 개선을 덮어버릴 수 있어 더 큰 부호로 옮겨야 한다고 설명한다.
이 구조를 ‘작은 작업실에서 정밀한 부품을 만든 뒤 보호가 더 좋은 공간으로 이동한다’는 비유로 이해할 수는 있다. 그러나 실제로는 공간을 옮기는 것이 아니라 물리 큐비트의 측정 관계와 논리 부호를 바꾸는 과정이다. 비유는 순서를 이해하는 데만 쓰고, 부호 전환을 일반 파일 복사처럼 생각하지 않는 것이 중요하다.
후선택은 나쁜 계산 결과를 마음대로 지우는 일이 아니다
배양 실험은 회로의 검출기에서 오류 사건이 관측되지 않은 시도를 남기는 후선택을 사용한다. 공개 원고는 오류 검출 사건이나 원하는 매직 상태와 다른 측정 결과가 나오면 해당 시도를 중단하고 다시 시작하는 절차를 설명한다. 어떤 결과를 남길지에 관한 기준이 회로와 측정 과정에 들어가 있다. [2]
그렇다고 버린 시도의 비용이 사라지는 것은 아니다. 최종 품질이 높은 상태를 얻기 위해 여러 번 시도해야 한다면 그 시간과 물리 연산도 자원이다. 따라서 유지율을 공개하는 것이 중요하다. ‘99.99% 충실도’만 남기고 ‘약 8% 유지’라는 조건을 빼면, 독자는 모든 시도에서 같은 품질의 자원이 생성됐다고 오해할 수 있다.
8%를 단순한 확률로 놓으면 유지되는 결과 하나당 평균 시도 횟수의 역수는 12.5회다. 이는 1을 0.08로 나눈 설명용 계산일 뿐, 실제 장치의 초당 생산량이나 최종 공장의 비용을 측정한 값이 아니다. 실패를 언제 검출하는지, 회로 길이가 어떤지, 동시에 몇 개를 만들 수 있는지에 따라 실제 비용은 달라진다. 유지율과 처리량은 연결돼 있지만 같은 지표가 아니다.
40배 개선은 무엇과 비교한 수치인가
공개 원고는 배양 없이 상태 주입만 했을 때의 논리 오류 확률을 4.4(2)×10의 마이너스 3승으로 제시한다. 배양을 추가하면 관심 있는 T 상태 부근에서 전체 측정 회로의 오류 확률이 대략 10의 마이너스 4승 수준으로 내려가며, 이를 약 40배 개선으로 설명한다. 비교 대상은 해당 실험의 상태 주입 기준선이다. [2]
따라서 ‘기존 모든 양자컴퓨터보다 40배 빠르다’거나 ‘양자칩의 모든 오류가 40분의 1이 됐다’는 문장으로 바꿀 수 없다. 계산 속도, 물리 게이트 오류, 논리 상태 준비 오류는 서로 다른 양이다. 상대 개선율을 읽을 때는 무엇을 분모로 삼았는지와 어떤 측정 회로를 사용했는지가 함께 있어야 한다.
논문의 괄호 표기도 의미가 있다. 0.9999(1)이나 1(1)×10의 마이너스 4승처럼 불확실성을 함께 제시한 숫자를 소수점 이하까지 확정된 값으로 다루면 안 된다. 이번 결과는 매우 낮은 오류 영역을 측정하려는 실험이며, 정확히 0.0100%의 오류가 언제나 반복된다고 보장하는 자료가 아니다. 연구진이 상한과 측정 불확실성을 언급한 맥락을 유지해야 한다.
측정 자체가 결과를 과장할 수 있다는 문제
좋은 양자 상태를 만드는 것만큼 어려운 일이 그 상태가 얼마나 좋은지 측정하는 것이다. 공개 원고는 후선택을 결합한 통상적인 논리 상태 토모그래피가 결맞은 잡음이 있을 때 순도를 과대평가할 수 있다고 설명한다. 특정 조건에서는 물리적으로 가능한 범위를 넘어서는 것처럼 보이는 추정치가 나올 수 있다는 것이다. [2]
이런 결과는 양자역학의 한계를 깼다는 증거가 아니다. 측정과 분석에 들어간 가정이 실제 잡음과 맞지 않는지 점검해야 한다는 신호다. 구글의 발표 역시 장비의 드리프트와 온도 변화에서 비롯된 잡음이 기존 벤치마크의 타당성에 영향을 주었고, 이를 해결하기 위해 제어와 측정 방법을 바꿨다고 설명한다. [1]
여기서 독자가 주목할 부분은 기록적인 숫자보다 검증의 구조다. 성능을 주장하는 장치와 그 성능을 재는 절차가 모두 오류의 영향을 받는다면, 측정 결과를 별도로 검증해야 한다. 숫자가 예상보다 지나치게 좋을 때도 원인을 찾아야 한다는 점은 양자컴퓨터뿐 아니라 실험 과학 전반에 적용되는 원칙이다.
배양을 다시 측정 도구로 쓰는 킥백 토모그래피
연구진은 배양 과정 자체를 이용해 상태를 측정하는 킥백 토모그래피를 도입했다. 원하는 상태의 축을 따라 결함허용 측정을 수행하고, 후속 배양 단계와 오류정정 주기를 이용해 준비된 상태의 오류 상한을 추정하는 방식이다. 서로 다른 축을 별도로 측정해 조합할 때 생기는 일관성 문제를 줄이려는 접근이다. [2]
원고는 약 10의 마이너스 4승 수준의 오류를 비슷한 크기의 불확실성으로 구분할 때, 통상 토모그래피에는 대략 10의 8승 규모 측정이 필요할 수 있지만 킥백 방식에서는 10의 4승 규모로 접근할 수 있다고 설명한다. 이는 해당 측정 과제와 가정에서의 비교다. 모든 양자 실험의 측정 횟수가 항상 만 분의 1로 줄어든다는 일반 법칙은 아니다.
측정 비용이 줄면 연구자가 장치의 상태를 더 빠르게 점검하고 제어 조건을 조정하는 데 도움이 될 수 있다. 하지만 측정이 효율적이라는 것과 준비된 상태를 긴 계산에 바로 투입할 수 있다는 것은 별개다. 이번 연구에는 상태 생성 기술과 계측 기술이라는 두 층위의 성과가 함께 들어 있으며, 둘을 구분하면 결과의 범위를 더 정확하게 볼 수 있다.
오류정정 주기를 빼면 성능이 나빠진다는 비교
연구진은 배양 회로에서 오류정정 주기를 제거하는 비교도 수행했다. 공개 원고는 이 경우 오류가 약 100배 커졌다고 설명한다. 배양이라는 특정 측정만 잘하면 충분한 것이 아니라, 그 전후에서 색 코드의 안정자 측정이 결함허용 구조를 유지하는 데 중요하다는 결과다. [2]
원고에 제시된 한 비교에서는 오류정정 주기 네 번을 추가하고, 각 주기에 두 큐비트 게이트 30개와 측정 6개를 사용한다. 물리 연산을 더 수행하면 오류 기회도 늘어날 수 있지만, 적절하게 설계된 오류 검출 구조에서는 그 추가 연산이 논리적 성능을 개선할 수 있다. 연산 수가 적을수록 무조건 더 정확하다는 직관이 그대로 적용되지 않는 대목이다.
다만 이 비교를 앞서 나온 40배 개선과 서로 곱해서 ‘4천 배 향상’이라고 계산해서는 안 된다. 두 수치는 서로 다른 회로 비교와 기준선을 설명한다. 연구의 대조군을 유지하지 않고 큰 숫자끼리 곱하면 원문에 없는 성능 주장이 만들어진다. 각각의 비교가 무엇을 제거하거나 추가했는지 따로 읽어야 한다.
오류가 있는 부품으로 더 좋은 논리 결과를 얻었다는 의미
원고는 해당 회로에 물리적 두 큐비트 게이트 216개와 측정 54개가 들어 있으며, 관측된 낮은 논리 오류가 개별 물리 게이트의 오류보다 낮은 수준이라고 설명한다. 중요한 것은 오류가 전혀 없는 부품을 찾았다는 이야기가 아니라, 오류가 있는 부품과 측정 결과를 구조적으로 조합했다는 점이다. [2]
이런 결과는 물리 큐비트와 논리 큐비트를 구분해야 이해할 수 있다. 물리 큐비트는 장치에 구현된 실제 구성요소이고, 논리 큐비트는 여러 구성요소의 관계를 이용해 정보를 보호하는 단위다. 물리 큐비트의 수만 세는 방식으로는 회로의 오류 검출 능력이나 상태 준비 비용을 충분히 설명할 수 없다.
그렇다고 물리 성능이 중요하지 않다는 뜻도 아니다. 잡음이 너무 크면 보호를 위한 연산 자체가 더 많은 문제를 만들 수 있다. 이론과 실험 모두 물리 잡음 수준을 전제로 결과를 제시한다. 오류정정은 나쁜 하드웨어를 무제한으로 보완하는 마법이 아니라, 일정한 조건에서 설계와 장치 성능을 함께 개선하는 방법이다.
색 코드에서 표면 코드로 옮기는 접목 실험
배양된 상태를 실제 계산 구조에 연결하기 위해 연구진은 거리 3 색 코드에서 거리 5의 표면 코드와 호환되는 더 큰 부호로 상태를 접목했다. 공개 원고는 이를 비클리퍼드 상태가 유리한 부호로 빠져나가는 원리 검증으로 표현한다. 작은 부호에서 상태를 만든 뒤 더 넓은 보호 구조로 옮길 수 있는지 시험한 것이다. [2]
이 전환은 한 번의 단순 복사가 아니다. 원래 색 코드의 기하 구조를 바꾸고, 추가 큐비트를 준비하며, 새로운 영역의 안정자 측정을 형성하는 과정이 들어간다. 전환 중의 부호에는 색 코드와 표면 코드의 특성이 함께 남아 있어, 연구진은 테서랙트라는 탐색 기반 복호기를 사용해 측정 결과를 해석했다.
연구의 의미는 서로 다른 오류정정 방식 사이의 연결 가능성을 실험했다는 데 있다. 배양에 유리한 구조와 이후 계산·보호에 유리한 구조가 꼭 같을 필요는 없다. 다만 연결이 가능하다는 원리 검증을 이미 완성된 대규모 범용 연산 시스템이라고 부를 수는 없다. 접목 이후의 오류와 복호, 더 큰 부호에서의 동작이 별도 과제로 남는다.
접목 뒤에도 99.99%가 그대로 유지됐다고 쓰면 안 된다
공개 원고는 거리 5의 접목 부호에서 대기하는 동안 발생하는 오류가 상태 품질을 제한했다고 설명한다. 배양을 거친 경우와 주입만 한 경우가 모두 그 대기 오류의 영향을 받았으며, 접목 부호에서 주기를 하나 더 수행하면 상태가 이상적인 표면에서 더 멀어지는 관측도 제시했다. [2]
따라서 준비 단계의 99.99% 충실도를 접목·저장·사용을 모두 마친 최종 회로의 충실도로 그대로 옮겨 적어서는 안 된다. 상태를 만드는 성능과 상태를 옮긴 뒤 유지하는 성능은 다른 실험 결과다. 이 차이를 지우면 연구가 남겨둔 핵심 과제가 이미 해결된 것처럼 보이게 된다.
연구진은 일부 결과 차이가 누설이나 물리 큐비트 성능 변화, 시간 상관 잡음 등과 관련될 수 있다고 논의하지만, 모든 원인을 확정한 것은 아니다. 가능한 설명과 확인된 사실을 구분해야 한다. 이번 성과는 중요한 연결 단계를 보여주면서도, 그 연결을 더 높은 충실도로 확장해야 한다는 후속 과제를 드러낸다.
2024년 이론의 작은 오류 수치를 실측값으로 바꾸지 않는다
앞선 배양 이론 논문은 균일한 탈분극 회로 잡음을 가정한 시뮬레이션과 계산을 통해 자원 비용과 오류를 추정했다. 물리 잡음이 10의 마이너스 3승인 조건에서 논리 오류 약 2×10의 마이너스 9승, 잡음을 절반으로 줄인 조건에서는 약 4×10의 마이너스 11승까지 가능하다는 추정이 제시됐다. [3]
이 값들은 이번 윌로 실험에서 직접 측정한 10의 마이너스 4승 수준의 오류와 같은 종류의 관측값이 아니다. 이론이 다루는 부호 크기와 잡음 모델, 시뮬레이션 범위를 먼저 확인해야 한다. 작고 인상적인 수치라는 이유만으로 두 논문의 가장 좋은 값들을 한 표에 모아 현재 하드웨어 성능이라고 표시하면 안 된다.
이론은 앞으로 어떤 개선이 큰 효과를 낼 수 있는지 방향을 제시하고, 실험은 실제 장치에서 그 가정이 얼마나 맞는지 확인한다. 둘은 경쟁하는 숫자가 아니라 서로를 검증하는 자료다. 이번 하드웨어 연구가 의미 있는 이유도 단순히 이론의 숫자를 반복한 것이 아니라, 실제 잡음과 측정 문제를 다루며 가능한 부분과 남은 문제를 구체화했기 때문이다.
99.99%는 길고 복잡한 계산의 성공률과 같지 않다
상태 충실도는 준비된 양자 상태가 목표 상태에 얼마나 가까운지 설명하는 지표다. 완성된 알고리즘의 정답률이나 모든 게이트의 평균 성공률과 동일하지 않다. 긴 계산에서는 상태 준비뿐 아니라 연산, 저장, 이동, 측정과 복호 등 여러 단계가 영향을 준다. 한 단계의 높은 수치를 전체 시스템의 확정 성능으로 확대하지 않아야 한다.
공개 실험 원고는 일부 양자 시뮬레이션과 최적화 응용에서 필요한 매직 상태 오류가 10의 마이너스 6승에서 10의 마이너스 8승 수준일 수 있다고 언급한다. 이는 인용된 응용 가정에 따른 요구 수준이며 모든 문제의 공통 기준은 아니다. 그럼에도 이번 실험의 수치와 실용적 긴 계산 사이에 추가 개선이 필요하다는 점을 보여준다. [2]
한국 독자가 기술 뉴스를 읽을 때도 이 구분이 유용하다. ‘정확도 99.99%’라는 표현만으로 신약 개발이나 물류 최적화가 당장 기존 컴퓨터를 대체한다고 결론 내릴 수 없다. 어떤 상태를 어떤 조건에서 준비했는지, 그 상태를 실제 알고리즘에 얼마나 안정적으로 공급할 수 있는지가 다음 질문이다. 성과의 의미를 줄이는 것이 아니라 적용 범위를 정확히 정하는 일이다.
실험 데이터와 시뮬레이션의 차이는 어디서 오는가
연구진은 실험을 단순한 탈분극 잡음 모델을 넣은 상태 벡터 시뮬레이션과 비교했다. 일부 결과는 대체로 맞았지만, 모든 점이 동일하게 겹치지는 않았다. 공개 원고는 모델에 포함하지 않은 누설이나 장치 성능의 변동이 차이에 영향을 줄 수 있다고 설명한다. [2]
잡음 모델은 현실을 이해하기 위한 근사다. 특정 오류를 평균적인 확률로 표현하면 계산을 다루기 쉬워지지만, 시간에 따라 상관된 위상 변화나 제어 드리프트까지 모두 같은 방식으로 설명할 수 있는 것은 아니다. 모델과 관측의 차이를 무조건 실험 실패로 보거나, 반대로 모델이 맞는 부분만 골라 완벽한 예측이라고 부르는 태도 모두 적절하지 않다.
이번 원고는 제어 보정에 강화학습을 사용해 오류 검출 사건을 줄이는 방향으로 매개변수를 조정했다고 밝힌다. 이 사실은 AI가 양자 오류를 전부 없앴다는 의미가 아니라, 실험 장치의 보정 과정에 특정 최적화 방법을 사용했다는 뜻이다. 제어 기법, 오류정정 부호, 상태 측정은 함께 작동하지만 각각 맡는 역할이 다르다.
다음 과제는 더 큰 부호와 실제 연산의 연결이다
연구진이 제시한 후속 과제에는 T 게이트의 실시간 구현, 더 큰 거리의 부호로 접목해 높은 상태 충실도를 유지하는 일, 접목 부호에 맞는 복호기 연구, 이후의 표면 코드 처리로 연결하는 일이 포함된다. 최신 구글 발표도 더 큰 규모에서 배양을 입증해야 한다고 명시한다. [1] [2]
이는 단순히 큐비트 수를 늘리면 자동으로 해결되는 목록이 아니다. 상태 생성이 빨라져도 복호가 따라가지 못하거나, 생성한 상태를 기다리는 동안 오류가 커지면 전체 성능은 제한될 수 있다. 공급 속도와 소비 속도, 유지 시간과 오류 예산을 함께 맞추는 시스템 설계가 필요하다.
공개 원고는 물리 잡음 개선에 따라 배양의 오류가 강하게 줄어들 수 있다는 전망을 제시하지만, 이를 현재 달성한 수치와 분리해 읽어야 한다. 예상되는 개선과 완료된 실험은 같은 상태가 아니다. 앞으로의 발표에서는 상태 품질뿐 아니라 유지율, 소요 시간, 더 큰 부호에서의 성능, 실제 연산 연결 결과가 함께 나오는지 살펴볼 필요가 있다.
공개일과 게재일을 구분하면 연구의 진전이 더 선명해진다
이번 구글 블로그는 2026년 10월 15일 사이언스 게재를 알렸다. 그러나 같은 제목의 공개 원고는 arXiv에 2025년 12월 15일 처음 올라온 것으로 표시된다. 연구가 공개 원고, 학술지 심사와 게재, 기관의 대중 설명을 거치는 과정에서 날짜가 여러 개 생길 수 있다. [1] [2]
따라서 ‘오늘 처음 실험이 성공했다’는 식으로 발표일을 실험 수행일과 동일시하지 않는다. 이 기사에서 최신 뉴스는 학술지 게재와 공식 설명이며, 세부 검토에는 접근 가능한 공개 원고를 사용했다. 사이언스 최종 본문을 확인하지 못한 부분을 공개 원고와 완전히 동일하다고 단정하지 않는 것도 같은 이유다.
독자가 원문을 다시 확인할 때는 논문 제목, 저자, 버전과 공개일을 함께 보는 것이 좋다. 검색 결과에 같은 제목이 여러 사이트에 보인다고 서로 다른 독립 실험이 여러 번 재현된 것은 아니다. 원자료의 관계를 구분해야 성과가 어디서 나왔고 어떤 검증을 거쳤는지 정확히 파악할 수 있다.
공개 데이터는 그래프 뒤의 처리 과정을 살펴볼 출발점이다
연구진은 실험 자료를 제노도에 공개했다. 저장소에는 그림 2·3·4에 대응하는 압축 자료와 사용 예제 노트북, 설명 파일이 있으며 전체 파일 용량은 약 3.2기가바이트로 표시된다. 자료를 공개했다는 사실은 독립적인 검토가 가능하도록 근거를 제공한다는 의미이지, 다른 연구진의 재현이 이미 완료됐다는 뜻은 아니다. [4]
설명 파일은 실제 장치의 측정값, 검출 사건, 복호 또는 후선택 전후의 관측량을 구분한다. 같은 실험에서도 가공 전 자료와 오류를 해석한 뒤의 자료가 따로 존재한다는 점이 중요하다. 그래프의 최종 점 하나만 보면 보이지 않는 처리 과정을 원자료 구조에서 확인할 수 있다. 다만 이 기사는 수 기가바이트의 전체 데이터를 재계산해 논문의 통계 결과를 독립 재현한 것은 아니다.
자료를 검토하려는 연구자에게는 어떤 파일이 실제 측정이고 어떤 파일이 분석용 회로인지 구분하는 일이 먼저다. 설명 파일에 따르면 Stim 형식의 회로는 분석 목적에 맞게 일부 비클리퍼드 연산을 클리퍼드 연산으로 바꾸는 등 원래 Cirq 회로와 다른 부분이 있다. 형식만 다른 완전한 복사본으로 생각하면 잘못된 비교를 할 수 있다. 공개는 검증의 출발점이며, 파일의 의미와 변환 조건을 읽는 작업이 뒤따라야 한다. [5]
이론 코드 공개와 실제 하드웨어 실험은 다른 재현 경로다
2024년 배양 이론 논문의 코드 저장소도 공개돼 있다. 회로 생성, 통계 수집, 그림 재생성의 단계가 나뉘며, 저장소의 안내는 이미 수집한 통계가 포함돼 있고 전체 통계를 다시 모으는 데에는 긴 시간이 들 수 있다고 설명한다. 코드를 내려받는 것과 계산을 끝내 같은 결과를 얻는 것은 별개의 작업이다. [6]
이 저장소는 앞선 이론 연구의 계산을 위한 자료이며, 윌로 장치의 이번 실험 데이터를 제공하는 제노도 저장소와 동일하지 않다. 둘을 연결해 읽을 수는 있지만, 이론 시뮬레이션을 실행했다고 실제 초전도 하드웨어의 성능을 다시 측정한 것이 되지는 않는다. 실험 재현에는 장치와 제어 환경, 보정 조건이라는 다른 층위의 요구가 있다.
이 차이는 기술 검증의 수준을 표현할 때 중요하다. 원문을 읽었다, 데이터 파일의 구조를 확인했다, 분석 코드를 실행했다, 통계를 재현했다, 다른 하드웨어에서 독립적으로 재현했다는 문장은 각각 다른 증거를 요구한다. 이 기사에서 수행한 것은 공개 연구 자료와 최신 발표의 대조이며, 실행하지 않은 실험이나 재현을 완료했다고 표현하지 않는다. 독자도 성능 주장 옆에 어떤 검증 단계가 실제로 제시됐는지 확인할 수 있다.
성과를 읽는 네 가지 기준
이번 연구를 요약하는 첫 기준은 대상이다. 검증된 것은 매직 상태 준비와 관련 측정, 더 큰 부호로의 접목 원리이지 모든 양자 알고리즘의 완성도가 아니다. 두 번째는 조건이다. 99.99% 수준의 충실도는 약 8%의 데이터를 남기는 후선택 및 해당 회로의 측정 조건과 함께 제시된다.
세 번째는 연결이다. 작은 부호에서 잘 준비한 상태를 더 큰 부호로 옮길 수 있다는 결과와, 옮긴 뒤에도 최고 충실도가 그대로 유지된다는 주장은 다르다. 네 번째는 비용이다. 물리 큐비트 수만이 아니라 시도 유지율, 회로 길이, 보정과 측정, 복호에 쓰이는 자원이 전체 계산 가능성을 좌우한다.
이 네 기준으로 보면 이번 발표는 과장 없이도 의미가 크다. 이론으로 제시된 자원 절감 방법을 실제 초전도 하드웨어에서 시험했고, 그 성능을 제대로 재기 위해 측정법까지 발전시켰다. 동시에 긴 계산에 필요한 품질과 규모, 실제 연산 연결은 후속 과제로 남았다. ‘양자컴퓨터 완성’보다 정확한 결론은, 실용적인 오류내성 계산을 향한 중요한 구성요소가 실험의 영역으로 들어왔다는 것이다.
무엇을, 어떤 조건에서 검증했는가.
댓글
댓글 쓰기