Google Quantum AI가 2026년 10월 15일 Willow 프로세서에서 매직 스테이트 배양(magic state cultivation)을 실증했다고 발표했습니다. 약 40배라는 수치가 눈에 띄지만, 이것은 양자컴퓨터 전체의 속도나 비용이 40배 개선됐다는 뜻이 아닙니다. 결함허용 계산에 필요한 T 상태의 준비 오류를, 검사를 통과한 실험 시도에서 줄였다는 결과입니다.
이번 성과를 읽는 핵심은 서로 다른 분모를 분리하는 데 있습니다. 40배는 상태 준비 오류의 감소폭이고, 0.9999(1)는 보존된 T 상태의 논리 충실도이며, 약 8%는 평가 회로에서 시도를 받아들인 비율입니다. 셋을 한 문장에 섞으면 ‘거의 완벽한 양자컴퓨터’라는 결론에 도달하지만, 논문은 그렇게 말하지 않습니다.
XenoSpectrum클리퍼드 연산의 한계와 소모성 T 상태
표면 코드에서 Clifford 게이트만 쓰면 오류를 정정하면서도 비교적 다루기 쉽지만, 그것만으로는 범용 양자 계산을 만들 수 없습니다. 비-Clifford 연산인 T 게이트를 더해야 하고, 일반적인 결함허용 구조에서는 미리 준비한 매직 스테이트를 회로에 주입해 T 게이트를 구현합니다. 이 자원 상태는 사용할 때마다 소모되므로, 계산 규모가 커질수록 깨끗한 상태를 안정적으로 공급하는 일이 병목이 됩니다.
기존 매직 스테이트 증류는 여러 개의 불완전한 상태를 큰 회로에 넣어 더 깨끗한 소수의 상태를 얻습니다. 배양은 작은 오류 정정 코드 안에서 후보 상태를 만들고, 여러 라운드에 걸쳐 안정자 측정으로 오류 징후를 검사한 뒤, 통과한 상태만 더 큰 코드로 옮깁니다. 불량 후보를 고치는 것보다 일찍 버리는 사후선택이 중심입니다.
Phys.org주입에서 배양까지
실험은 먼저 거리 3 컬러 코드에 물리적 T 상태를 주입했습니다. 이 단계의 오류율은 4.4(2)×10⁻³이었습니다. 연구진은 플래그 큐비트와 안정자 측정을 이용해 오류 전파를 감시했고, 이상 신호가 나온 샷을 제외했습니다. 이어서 공간과 시간 방향으로 코드 거리를 늘리며 추가 검사를 수행했습니다.
Science 논문 기록과 실험 논문 프리프린트에 따르면, 선택된 상태의 오류는 주입 단계보다 약 40분의 1로 낮아졌고 논리 충실도는 0.9999(1)로 추정됐습니다. 괄호 속 1은 마지막 자리의 통계적 불확실성을 뜻합니다. 이 값은 54큐비트 회로의 고전 시뮬레이션과 비교해 검증됐지만, 전체 알고리즘의 성공 확률이나 장시간 계산의 누적 오류율을 나타내지는 않습니다.
| 지표 | 측정 대상 | 말할 수 있는 것 | 말할 수 없는 것 |
|---|---|---|---|
| 약 40배 | 주입 대비 배양 후 오류 | 선택된 T 상태 준비 오류가 크게 감소 | 컴퓨터 전체 속도·비용이 40배 개선 |
| 0.9999(1) | 보존된 논리 T 상태 | 측정 모델에서 약 99.99% 충실도 | 전체 알고리즘의 99.99% 성공률 |
| 약 8% | 평가 회로를 통과한 시도 | 대부분의 후보를 검사에서 폐기 | 프로세서 전체 가동률 8% |
| 54큐비트 | 고전 검증에 쓴 회로 규모 | 실험 분포와 시뮬레이션 비교 | 54개의 논리 큐비트 계산 |
낮은 오류율을 재는 법
10⁻⁴ 수준의 오류를 단순 표본추출로 정밀하게 확인하려면 대략 10⁸회의 측정이 필요할 수 있습니다. 연구진은 Clifford kickback tomography를 사용해 검증 부담을 약 10⁴회 수준으로 낮췄습니다. T 상태를 Clifford 연산과 결합해 관측 가능한 신호로 바꾸고, 여러 축의 측정값으로 상태를 역추정하는 방식입니다.
측정 횟수를 줄여도 추정 과정의 편향은 따로 다뤄야 합니다. 실험 초기에는 측정 방향에 따른 위상 드리프트와 사후선택이 겹치면서, 서로 다른 조건에서 남은 측정값을 하나의 상태로 합치는 문제가 생겼습니다. 그 결과 선형 역산에서는 블로흐 구의 물리적 범위를 벗어나거나 충실도가 1보다 크게 나오는 비물리적 추정이 나타날 수 있었습니다. 연구진은 물리 제약을 둔 베이지안 모델로 이를 다뤘습니다. 따라서 0.9999(1)는 측정 횟수 하나에서 바로 읽은 숫자가 아니라, 회로 모델과 통계 추론을 거친 추정치입니다.
컬러 코드에서 표면 코드로
배양에는 컬러 코드가 유리하지만 대규모 저장과 연산에는 표면 코드 생태계가 더 성숙해 있습니다. 연구진은 거리 3 컬러 코드에서 준비한 상태를 거리 5 표면 코드 패치로 접목했습니다. 서로 다른 안정자 구조의 경계를 재배치해 논리 정보를 옮기는 과정이며, 단순한 물리 큐비트 복사가 아닙니다.
이 접목은 서로 다른 코드의 장점을 한 파이프라인에 묶었다는 점에서 중요합니다. 그러나 논문은 상태가 표면 코드에 머무는 동안 생긴 유휴 오류가 T 상태를 사용할 단계에 이르러 배양의 이득을 거의 지웠다고 보고합니다. 준비가 성공해도 다음 연산이 늦으면, 어렵게 낮춘 오류가 대기 시간에 다시 쌓이는 셈입니다.
남은 세 병목
특히 실용 비용을 분석한 후속 연구는 최종 파괴 측정을 제거하고 상태를 실제 연산에 남기려면 더 큰 코드와 더 긴 탈출 단계가 필요할 수 있다고 지적합니다. 이는 실험 결과를 부정하는 반례가 아니라, 장치 데모의 수치를 공장형 처리량으로 환산할 때 추가해야 할 비용 항목입니다.
이번 실험은 인코딩, 오류 검출, 고속 고전 제어, 코드 간 접목, 논리 측정을 하나의 하드웨어 실험 흐름으로 연결했습니다. 99.99%라는 단일 수치뿐 아니라, 이 구성 요소들을 실제 하드웨어에서 함께 작동시킨 점도 이번 실험의 성과입니다. 다만 논문은 선별해 남긴 상태로 실시간 T 게이트를 실행하거나, 다수의 T 상태를 연속 공급하는 공장을 시연하지 않았습니다.
이번 실험은 결함허용 양자컴퓨터를 완성한 결과가 아니라, 매직 스테이트를 준비하고 더 큰 코드로 옮기는 과정을 실제 하드웨어에서 구현한 결과입니다. 다음 이정표는 충실도 기록을 한 번 더 올리는 일이 아니라, 수용률·저장 오류·고전 제어 지연을 함께 낮추면서 실제 T 게이트를 반복 공급하는 것입니다. 앞으로의 발표도 단일 최고값보다 상태 한 개당 총비용과 지속 처리량을 먼저 봐야 합니다.
확인한 자료
본문의 사실은 아래 자료를 바탕으로 확인했습니다. 이미지의 성격과 출처는 각 이미지 캡션에 표시했습니다.
