마법 상태 배양, 양자 오류 병목을 줄이다

초전도 프로세서 실험 · 검수 중인 비공개 작업본. 오류가 적은 양자 상태를 골라 남기는 실험이다. 완성 양자컴퓨터의 성능이 아니며, 최종 출판본과의 대조는 아직 남아 있다.

#1. 한 문장 결론

Google Quantum AI는 Willow 초전도 프로세서에서 마법 상태 배양(magic state cultivation)을 실제로 구동해 주입 상태보다 논리 오류를 약 40배 줄였지만, 시도의 8%만 남겼고 실용 알고리즘이 요구하는 더 낮은 오류와 큰 코드로의 확장은 아직 남았다.

#2. 왜 어려운가

먼저 물리 큐비트는 장치 안의 실제 양자 소자이고, 논리 큐비트는 여러 물리 큐비트를 묶어 오류를 확인하며 정보를 지키는 계산 단위다. 오류정정은 소자를 완벽하게 만드는 것이 아니라, 오류의 흔적을 측정해 논리 정보를 보호하는 방법이다. 아래의 ‘상태 주입’은 준비한 상태를 논리 큐비트에 넣는 단계, ‘사후선택’은 검사에 실패한 실행을 버리고 남은 것만 사용하는 절차를 뜻한다.

표면 코드(surface code)는 오류를 견디는 논리 큐비트를 만들기 좋지만, 보편 계산에 필요한 비-Clifford 연산을 값싸게 직접 수행하지 못한다. 그래서 고순도 마법 상태를 만들어 gate teleportation에 소모한다. 문제는 이 상태를 여러 번 증류(distillation)하는 공장이 물리 큐비트와 시간을 크게 먹는다는 점이다. 논문은 RSA-2048 인수분해에 약 $10^{-10}$의 상태 오류가, 일부 양자 시뮬레이션·최적화에는 $10^{-6}\sim10^{-8}$이 필요하다고 정리한다.

#3. 기초 개념

이번 실험의 목표 상태는 Y축 회전으로 만든 논리 T 상태다. 상태를 나타내는 세로선과 꺾쇠는 양자 상태 표기이며, 아래 식은 준비한 기준 상태에 회전 연산을 적용한다는 뜻이다.

여기서 $|0\rangle$는 기준 상태, $i$는 허수 단위, $\hat\sigma_y$는 Y축 방향의 파울리 연산자다. 지수의 각도와 연산자는 무차원이다. 논문은 이 Y축 회전 규약을 쓴다. 다른 교재의 Z축 회전으로 정의한 T 게이트와 표기를 섞지 않아야 한다(arXiv v1 §II).

배양은 논리 Hadamard 관측량 $\hat H_L$을 측정해 원하는 고유상태만 통과시키는 필터다. 오류가 감지된 실행은 버린다. 따라서 fidelity가 올라가는 대신 성공 확률이 떨어진다. 상태의 비충실도(infidelity)와 실행 보존율(retainment rate)은 구분해야 한다. 아래에서는 설명용 표기로 $\epsilon=1-F$를 쓰지만, 이 정의가 KT 전체 회로의 측정 오류와 곧바로 같은 값이라는 뜻은 아니다.

충실도(fidelity) $F$는 목표 상태와 얼마나 가까운지 나타내는 무차원 지표이고, 보존율(retainment rate)은 전체 시도 중 선별 뒤 남은 비율이다. 둘은 분모가 다르다. 계산만을 위한 가상 예시로 1,000번에 보존율 8%를 적용하면 약 80번이 남는다. 남긴 상태의 품질이 높다는 것이 1,000번 모두 성공했다는 뜻은 아니다.

#4. 기존 방식의 한계

기존 주류는 낮은 품질의 마법 상태 여러 개를 논리 회로로 결합해 더 좋은 상태 하나를 얻는 증류다. 강력하지만 반복 라운드와 큰 공장이 필요하다. 단순 state injection은 싸지만 한 물리 오류가 곧 논리 오류로 번질 수 있다. 2024년 배양 이론은 주입 뒤 검사·코드 성장·안정화를 반복하고, 준비한 상태를 계산용 코드로 옮기는 탈출 단계를 제안했다. 따라서 배양 일반을 고정된 작은 코드의 필터로만 이해하면 안 된다. 이번 하드웨어 실험은 그중 distance-3 색상 코드에서 배양하고 distance-5 표면 코드로 옮기는 구체적인 구성을 시험했다.

#5. 새 방법의 세 단계

첫째, 물리 큐비트 한 개의 잡음 섞인 상태를 distance-3 color code의 논리 상태로 주입한다. 둘째, helper qubit의 phase kickback으로 $\hat H_L$을 두 번 확인하고, stabilizer·flag detector에서 이벤트가 없는 실행만 보존한다. 시간 역순 회로는 color-code stabilizer를 되돌리면서 추가 오류를 잡는다. 셋째, 살아남은 상태를 distance-5 surface code와 호환되는 더 큰 격자로 graft하고 QEC cycle을 수행한다.

#6. 핵심 수식과 시스템

관측량을 측정하는 일과 게이트를 적용하는 일은 다르다. 여기서 H_L은 위상 되먹임으로 고유값을 읽는 논리 관측량이고, 원하는 +1 결과와 오류 검사를 통과한 실행을 남긴다. 아래 H는 그 측정 회로를 구현할 때 쓰는 단일 큐비트 게이트의 분해다. 같은 기호 계열이지만 측정 절차 전체를 이 항등식 하나로 대체할 수는 없다.

이는 새 지배 방정식이 아니라 논문이 쓰는 연산자 분해 항등식이다(공개본 §I, PDF 2쪽). 식은 오른쪽부터 읽는다. $\hat T$로 회전하고, 비트 반전 연산자 $\hat X$를 적용하고, 역연산 $\hat T^{\dagger}$로 되돌린 결과가 Hadamard 연산자 $\hat H$와 같다는 뜻이다. 위의 목표 상태 정의, 이 회로 분해, 오류 평가식은 각각 역할이 다르다.

낮은 distance color code는 이 단일 큐비트 Clifford 연산을 transversal하게 적용해 오류 전파를 제한한다. 성공한 상태는 idle error가 더 낮은 surface code로 탈출한다. 시스템 경계는 state injection → cultivation/flag checks → QEC → kickback tomography → grafting이다.

#7. 실험과 수치

Kickback tomography에서 injection-only 논리 오류는 $4.4(2)\times10^{-3}$였다. 배양을 추가하면 전체 회로 오류가 약 $1\sim2\times10^{-4}$로 내려가 약 40배 개선됐고, 초록은 state fidelity를 0.9999(1)로 보고한다. 이 회로에는 216개의 물리 two-qubit gate와 54개의 측정이 들어갔다. 다만 이 수치 평가에 사용한 Fig. 3 KT 회로에서는 목표 각도 θ=π/4 부근에서 약 8%가 남았다. 추가 배양 두 라운드와 오류정정 세 주기를 포함한 회로의 선별 비율이지, 모든 배양 설계의 생산 수율이 아니다.

QEC cycle을 제거한 대조군은 오류가 약 100배 나빠졌다. 네 번의 color-code QEC cycle은 각 30개의 two-qubit gate와 6개 측정을 추가하면서도 논리 성능을 약 100배 개선했다. Figure 4는 54개 큐비트를 사용한 grafting에서 배양된 상태를 distance-5 code로 옮길 수 있음을 보였지만, 한 cycle을 더 돌리면 유한한 cycle error 때문에 Bloch vector가 원점 쪽으로 이동했다.

#8. 반대 증거

위 8%는 T 상태 주입 부근에서 추가 배양 두 라운드와 오류정정 세 주기를 포함한 전체 KT 특성평가 회로의 선별 비율이다(공개본 §II). 생산 공장 전체의 보편적 수율은 아니다. 전체 KT 회로의 오류는 준비된 상태의 오류 상한을 평가하는 데 쓰이므로, 측정기까지 포함한 회로 지표와 상태 자체의 오류를 같은 값이라고 단정하지 않는다.

작은 오류의 측정 자체에도 불확실성이 있다. 공개본 §II는 kickback tomography가 추정하는 오류 상한의 규모와 추정 불확실성이 모두 약 $10^{-4}$라고 설명한다. 따라서 0.9999를 오차 없는 확정 성능이나 완성 양자컴퓨터 전체의 성공 확률로 읽으면 안 된다.

“99.99% fidelity”는 유용한 대규모 알고리즘을 실행했다는 뜻이 아니다. 연구진은 표준 transversal tomography가 coherent noise에서 순도를 과대평가할 수 있음을 발견했고, 그래서 배양 회로 자체를 측정기로 쓰는 kickback tomography를 도입했다. 또한 약 40배는 injection-only와의 비교이며, 동일한 최종 오류 목표에서 완전한 distillation factory의 총 공간·시간 비용과 직접 비교한 수치는 아니다.

#왜 측정 횟수만 늘려서는 해결되지 않을까?

토모그래피(tomography)는 서로 다른 방향에서 얻은 측정값을 모아 양자 상태를 추정하는 방법이다. 여기서는 X·Y·Z 방향의 결과를 합친다. 그런데 오류가 감지된 실행을 버릴 때, 방향마다 남는 실행 집단이 달라질 수 있다. 서로 다른 집단에서 얻은 성분을 한 상태의 좌표처럼 합치면 편향이 생긴다. 단순히 측정 횟수가 부족한 통계적 흔들림과는 다른 문제다.

공개본 보충 §IX의 이론적 반례에서는 X 방향 측정의 약 82.0%, Y 방향의 약 94.7%, Z 방향의 약 100.0%가 남는다. 이때 남은 측정값을 합쳐 얻은 상태 좌표가 물리적으로 허용되는 범위를 벗어난다. 이 숫자는 Willow 실험의 8% 보존율이나 새로운 성능 결과가 아니다. 선별 규칙이 측정 방향에 따라 달라지는 문제를 보여주는 반례다.

확인 질문: 같은 편향된 선별을 유지한 채 측정을 더 하면 해결될까? 해설: 우연한 오차는 줄어도 방향별로 다른 집단을 합치는 문제는 남는다. 연구진이 배양 회로를 활용한 하나의 자기일관적 측정을 택한 이유다. 이 설명은 공개본 보충 §IX–X에 근거하며, 최종 Science 판과의 일치 확인은 아직 남아 있다.

#공개 회로 파일도 모두 같은 회로는 아니다

데이터 저장소 README는 실험에 사용한 Cirq 회로와 분석용 Stim 회로를 구분한다. Stim 쪽은 검출 영역·오류 모형 분석을 위해 비-Clifford 연산 등을 바꾼 표현이다. 따라서 파일이 공개됐다는 이유만으로 어느 파일이든 그대로 실행하면 같은 실험을 재현한다고 볼 수 없다.

원시 관측량과 디코딩·사후선택 뒤의 관측량도 별도 파일이다. 선택 뒤의 결과만 읽으면 얼마나 많은 시도를 버렸는지 되살릴 수 없으므로, 오류율과 보존율을 함께 확인하려면 측정 기록·검출 이벤트·처리 규칙을 연결해야 한다.

공개 Example_usage.ipynb의 예제도 그림에 따라 선별 규칙이 다르다. Fig. 2 예제(셀 9)는 실행별 검출 이벤트 중 하나라도 있으면 그 실행을 제외한다. Fig. 4 예제(셀 16)는 Stim 회로의 검출기 좌표가 네 성분인 항목을 배양 검출기로 골라, 그 항목에서 이벤트가 없는 실행만 남긴다. 모든 오류 검출을 같은 범위로 적용했다는 뜻이 아니다. 셀 17의 결과 설명도 ‘사후선택은 했지만 디코딩하지 않은’ 결과로 구분한다.

확인 질문: 두 그래프 모두 사후선택 뒤의 결과라면 품질을 바로 비교해도 될까? 아니다. 무엇을 기준으로 버렸는지와 디코딩 적용 여부부터 맞춰야 한다. 이번에는 공개 노트북 19개 셀의 소스를 읽었으며, 저장된 출력의 재현이나 대용량 원자료 분석은 실행하지 않았다.

확인 질문: 분석용 회로에서 같은 값을 계산했다면 물리 실험을 재현했을까? 아니다. 파일이 표현하는 단계와 변환을 먼저 확인해야 한다. 이번 검토는 README의 설명을 읽은 것이며, 대용량 원자료나 회로를 실행해 성능을 재분석한 결과가 아니다.

#9. 한계

해당 KT 특성평가 구성에서는 약 92%의 실행을 선별 과정에서 버린다. 이 비용을 다른 배양 회로나 완성된 생산 공장의 보편적 폐기율로 확대할 수는 없다. 논문은 장치 drift가 약 한 시간 동안 $10^{-4}$ 규모의 논리 오류 변동을 만들고, grafting 실험의 retainment가 cycle 수에 따라 약 10% 차이 났다고 적는다. 실험은 Google의 105-qubit Willow 한 아키텍처에서 수행됐다. 독립 하드웨어 재현, 실시간 T gate 소비, 더 큰 code distance, matching decoder, 실제 응용 규모의 magic-state 공급률은 확인되지 않았다. Google이 장치를 만들고 연구를 후원·수행한 이해관계도 분명하다.

#10. 실제 변화

배양은 이론적 자원 절감안에서 실제 초전도 하드웨어의 작동 가능한 파이프라인으로 이동했다. 특히 color code에서 만든 상태를 surface code로 옮기고, 통상적인 tomography의 함정을 대조 실험으로 드러낸 점이 중요하다. 그러나 “양자컴퓨터가 곧 실용화된다”는 결론은 데이터가 지지하지 않는다.

#11. 다음 트리거

독립 프로세서 재현, 보존율을 포함한 논리 T-state 처리량, 더 큰 distance로의 grafting, 실시간 gate teleportation, 같은 목표 fidelity에서 cultivation과 distillation의 전체 큐비트-시간 비교, Science 최종판과 공개 데이터의 독립 분석이 나오면 평가를 갱신해야 한다.

#12. 출처

• Science 정식 논문 — 2026-10-15, DOI 10.1126/science.aee7961; 최종 초록과 게재 정보 확인, 최종 본문 PDF는 미확인.
• arXiv 공개본 — 2512.13908v1, 2025-12-15; 28쪽 본문·Supplementary·Figure 1~4와 결론·데이터 위치 확인.
• Google 공식 해설 — 2026-10-15; 회사 자체 설명과 확장 한계 확인.
• Zenodo 데이터 — 논문이 지정한 데이터 위치. 이번 실행에서 재분석하지 않음.