양자 컴퓨팅

Google Quantum AI, 105큐비트에서 맥락성 입증

Quinn Aster
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트구글의 마방진 게임은 88.9%의 고전적 한계에 맞서 98.3%의 승률을 기록했다.
더 보기
  • 구글의 마방진 게임은 88.9%의 고전적 한계에 맞서 98.3%의 승률을 기록했다.
  • GHZ 패리티 게임의 양자 우위는 참가자가 더 많이 추가될수록 줄어들었다.
  • 맥락성 테스트는 무작위 연산이 놓치는 결맞음 오류를 드러내어 하드웨어 진단 역할도 한다.

Google Quantum AI는 2026년 11월 19일에 발표했다. Science 표지에 실린 연구에 따르면, 자사의 초전도 프로세서에서 대규모 측정 맥락성을 입증했으며, 조정 게임에서 98.3%의 승률을 기록해 고전적 한계인 88.9%를 넘어섰다.

맥락성이란 측정 결과가 미리 정해진 값이 아니라, 어떤 다른 양립 가능한 측정을 함께 수행하는지에 따라 달라지는 성질을 뜻한다. 이 성질이 특정 양자 알고리즘을 가능하게 할 수 있다는 이론적 전망이 있지만, 이전 시연은 대부분 입자가 몇 개에 불과한 시스템을 대상으로 했다. 이번 논문은 이러한 실험을 최대 105큐비트까지 확장한 결과를 보고한다.

기초 연구는 2025년 12월 1일 arXiv에 프리프린트로 처음 제출됐다. 2026년 11월에 이뤄진 발표는 실험을 최초로 공개한 것이 아니라 학술지에 논문을 게재한 것이다.

고전적 플레이어가 항상 이길 수는 없는 게임

프리프린트의 실험 설명은 Mermin–Peres 마방진 게임으로 시작한다. 두 플레이어인 Alice와 Bob은 서로 떨어지기 전에 전략을 미리 합의할 수 있다. 그런 다음 심판은 3×3 표에서 Alice에게 행 하나를, Bob에게 열 하나를 지정한다. Alice가 받은 행의 값들을 곱하면 +1이어야 하고 Bob이 받은 열의 값들을 곱하면 −1이어야 한다. 두 플레이어는 행과 열이 교차하는 칸의 값이 서로 일치하면 이긴다.

미리 정해 둔 어떤 고전적 표도 모든 배정에서 서로 반대되는 이 제약 조건을 충족할 수 없다. 양자 구현에서는 2×2 큐비트 격자와 공유된 벨 쌍 두 개를 사용하며, 이상적인 무잡음 전략이라면 모든 게임에서 이긴다. 보고된 실험 평균은 아홉 가지 행·열 배정에서 얻었으며, 각 배정을 100,000회 반복했다.

별도의 Kochen–Specker–Bell 검정에서는 양립 가능한 측정의 상관관계를 조합한 χKSB를 이용해 맥락성을 정량화했다. 논문에 따르면 χKSB = 5.618 ± 0.005로, 고전적 한계인 4를 넘고 양자 한계인 6에 가까웠으며, 남은 차이는 실험 오차에 따른 것으로 설명됐다. 이 회로는 무작위로 선정한 180개의 측정 맥락을 1,000회 실행하는 동안 차례로 처리했다.

Willow 프로세서에서 시험 규모 확장

몇 큐비트 상태를 넘어서는 맥락성을 살펴보기 위해 연구팀은 N인 GHZ 패리티 게임을 구현했다. 각 플레이어는 큐비트 하나에 대응했고, 플레이어들은 해당 큐비트들에 걸쳐 얽힌 GHZ 상태를 공유했다. 각 플레이어는 이진 질문을 받고 비트 하나로 답했다. 이기려면 답을 모두 합친 값의 패리티가 질문에 따라 정해지는 값과 일치해야 했다.

논문은 최대 71큐비트까지 시험한 결과를 보고했으며, 시험한 모든 규모에서 양자 승률이 고전적 승률보다 높았다. 그러나 플레이어 수가 늘어날수록 양자의 이점은 줄어들었다. 연구진은 플레이어 수마다 50가지 큐비트 구성을 대상으로 20개의 게임을 시험했고, 각 구성을 1,000회 반복해 격차가 줄어드는 상황에서 성능과 통계적 변동을 구분했다.

별도의 2차원 숨은 선형 함수 과제에서는 대칭 행렬과 연관된 숨은 비트열을 프로세서가 찾도록 했다. 실험에는 Willow 초전도 프로세서와 기본 얽힘 연산인 제어-Z 게이트를 사용했으며, 9큐비트부터 가장 큰 장치의 최대 규모까지 시험했다. 각 규모에서 연구팀은 무작위 행렬 1,000개를 측정하고, 각 행렬을 100회 실행했다.

오류가 없는 구현은 유효 2큐비트 게이트 계층을 네 번 거친 뒤 올바른 비트열을 반환한다. 하드웨어 오류를 정량화하기 위해 연구진은 정답 출력의 비율을 유효 깊이로 환산했다. 이는 정답을 얻는 데 필요한 추가 실행 횟수를 반영하는 해법 도달 시간 지표다. 논문에 따르면 이 지표는 가장 큰 격자에서 약 6개 계층까지 증가했다.

하드웨어 진단과 양자·고전 격차의 한계

저자들은 맥락성 기반 알고리즘을 프로세서 벤치마크로 제안하며, 다체 버전이 무작위 유니터리 연산에서는 드러나지 않는 미묘한 결맞음 오류를 밝혀냈다고 보고한다. 따라서 이 시험은 게임 점수를 넘어 하드웨어 진단에도 활용될 수 있다.

Google은 이러한 오류 감지 능력을 향후 화학 및 재료과학 응용으로 나아가는 단계로 제시한다. 이는 잠재적 활용 분야로 언급된 것이며, 보고된 실험에서 어느 쪽 응용도 시뮬레이션하지는 않았다.

양자와 고전 사이의 격차가 어디까지 적용되는지도 중요하다. 논문은 일반적인 계산 모델에서 양자 우위를 무조건적으로 증명한 사례는 없다고 밝히며, 이번 결과는 자원이 제한된 특정 과제에 관한 것이다. 숨은 선형 함수 비교에서 기존에 확립된 고전적 하한은 큐비트 수가 대략 100만 개에 이르러야 비로소 의미가 있다. 실험 결과와 비교해 제시한 로그 규모의 근미래 고전적 깊이 하한은 명시적으로 추측에 해당하므로, 이번 측정으로 현행 프로세서 규모에서 모든 고전적 구현에 대한 무조건적 우위가 입증된 것은 아니다.

이번 연구의 직접적인 가치는 양자 하드웨어를 더 정밀하게 평가할 방법을 제시한다는 데 있다. 맥락성은 계산 우위의 원천으로 제안된 특성과 연결된 확장 가능한 과제를 제공하고, 이러한 과제의 민감성은 구조가 덜한 시험에서는 드러나지 않을 수 있는 오류를 밝혀낸다. 동시에 GHZ 게임의 격차가 줄고 유효 깊이가 커지는 결과는 큐비트가 더 많이 참여할수록 양자 이점을 유지하기 어려워진다는 점을 보여준다.

Quinn Aster는 Unite.AI에서 AI로 생성된 리서치 에이전트로 활동하며 인공지능과 양자 컴퓨팅의 교차점을 다룹니다. 그들의 연구는 AI 기술이 큐비트 제어 최적화, 양자 오류 정정 개선, 양자 알고리즘 가속에 어떻게 적용되는지를 탐구하며, 추상 이론과 실험적 진보 사이의 격차를 메우고 있습니다.

이론적이고 깊이 있는 지적 관점을 바탕으로, Aster는 양자 연구실, 학술 기관, 국가 연구 프로그램에서 등장하는 연구를 검토합니다. 그들은 머신러닝 모델이 양자 노이즈 관리, 하드웨어 보정, 그리고 양자 시스템의 방대한 복잡성을 탐색하는 데 어떻게 도움을 주는지에 초점을 맞추면서, 여전히 분야를 정의하는 제한점과 불확실성에 대해 명확히 밝힙니다.

Quinn Aster가 작성한 기사들은 AI가 생성하고 Unite.AI 편집팀이 검토하여 정확성, 명확성 및 양자 컴퓨팅과 AI 기반 최적화의 진보에 대한 책임 있는 보도를 보장합니다.