양자 컴퓨팅

Moth의 Tessa, 120큐비트 칩에서 1,568개 값 인코딩 및 복원

Quinn Aster
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트테사는 SWAP 게이트나 보조 큐비트 없이 전체 칩에 걸쳐 임의의 고전 데이터를 로드한다.
더 보기
  • 테사는 SWAP 게이트나 보조 큐비트 없이 전체 칩에 걸쳐 임의의 고전 데이터를 로드한다.
  • 페어 모드는 저장 밀도를 두 배로 높이지만 회로 깊이를 증가시키고 값 상관관계를 0.69로 떨어뜨린다.
  • 미해결 질문은 이후의 계산이 완전한 재구성 없이 인코딩된 상태를 사용할 수 있는지 여부이다.

2026년 11월 16일, Moth는 Tessa를 발표하며 이 방법으로 IBM의 Phoenix Nighthawk r2 프로세서에 있는 120개 큐비트 전체에 걸쳐 실수 값 1,568개를 인코딩하고 복원했다고 밝혔다. 이 연구는 양자 머신러닝의 지속적인 난제인, 연결이 드문 하드웨어의 불안정한 큐비트에 고전 데이터를 로드하는 문제를 다룬다.

Daniel Bultrini의 논문은 주장된 기록의 범위를 구체적으로 한정한다. 즉, 임의로 선택한 수치 목록을 물리적 양자 프로세서에 로드한 다음 개별 값을 가져온 실험을 대상으로 하며, 도출된 값만 반환한 실험은 제외한다. 이 정의에 따르면 이전에는 QCrank가 12개의 이온 트랩 큐비트에서 128개 값을 복원했다. 별도의 Fez 실험에서는 큐비트 13개로 픽셀 1,024개를 복원했지만, 임의의 실수 값 목록이 아니라 학습된 텐서 네트워크 근사를 사용했으므로 직접 비교할 수 없다. 따라서 논문은 이 정의에 따라 Tessa의 실행이 보고된 사례 중 가장 큰 규모라고 평가한다.

Tessa는 칩의 배선을 어떻게 활용하는가

Tessa는 Tessellated QPIXL의 약칭으로, 프로세서의 물리적 연결 위에 바둑판처럼 데이터 큐비트와 주소 큐비트를 번갈아 배치한다. 각 데이터 큐비트는 이웃한 주소 큐비트만으로 제어되며, 가까이 있는 데이터 큐비트끼리는 주소 큐비트를 공유할 수 있다. 주소 큐비트 이웃이 하나 늘 때마다 데이터 큐비트의 저장 용량은 두 배가 되므로, 이웃이 네 개인 내부 큐비트에는 값 16개를 저장할 수 있다.

이 구성은 모든 커플러가 데이터 큐비트와 주소 큐비트를 연결하는 이분 결합 그래프라면 어떤 그래프에서도 작동한다. 장치 자체의 배치를 활용하므로 SWAP 게이트와 라우팅이 필요 없으며, 보조 큐비트도 필요하지 않다. 논문은 제어를 공유하더라도 각 데이터 큐비트의 값을 서로 독립적으로 복원할 수 있음을 증명한다.

하나의 기저에 저장된 모든 값은 칩 전체에서 계산 기저 측정을 한 차례 수행해 디코딩할 수 있다. Tessa는 각 슬롯의 위상에도 두 번째 수를 저장할 수 있다. Phoenix 실행에서는 이미지의 밝기 값과 색조를 저장하는 데 이 쌍 모드를 사용해 사용 슬롯 784개마다 값 두 개를 넣었다. 남는 슬롯에는 0을 저장해 모든 큐비트가 참여하도록 했다.

이러한 높은 밀도에는 두 가지 비용이 따른다. 쌍 모드를 사용하면 측정 기저가 추가되고 회로 깊이가 두 배로 늘어난다. 더 일반적으로는 샷을 국소 주소 구성별로 나누므로, 같은 정확도를 얻는 데 필요한 샷 수가 국소 결합 차수에 따라 지수적으로 증가한다. 다만 실험에서는 그 차수를 낮게 유지했다.

하드웨어가 복원한 결과

단일 기저 테스트에서는 기저마다 8,192샷을 사용해 Phoenix의 슬롯 792개 중 784개를 활용한 28×28 QCAT 이미지와 Fez의 슬롯 448개 중 441개를 활용한 21×21 이미지를 복원했다. 논문에 따르면 하드웨어에서 직접 얻은 값의 상관계수는 Phoenix에서 0.96, Fez에서 0.95였고, 평균 절대 오차는 각각 0.130과 0.131이었다. 입력값 자체가 아니라 입력값의 요약 통계를 사용하는 동적 범위 복원으로 오차를 각각 0.075와 0.078까지 줄였다. 실험에서는 오류 완화를 사용하지 않았다.

값 1,568개를 복원한 쌍 모드 실행의 정확도는 더 낮았다. 논문에 따르면 Phoenix에서 값의 상관계수는 0.69, 값의 평균 절대 오차는 0.152, 색조의 평균 절대 오차는 0.092였다. 이 회로에는 2큐비트 CZ 게이트 1,456개가 사용됐다. 단일 기저를 사용한 Phoenix 실행에서는 728개가 사용됐다. 따라서 전체 칩에서 값을 복원하는 작업은 두 가지 결합 그래프에서 가능했지만, 두 번째 위상 값을 얻으려면 회로 요구량이 늘고 복원 품질은 낮아졌다.

생물학적 데이터 테스트와 공개 코드

픽셀 아트 외에도 실험에는 오디오, MIDI, DNA 및 단백질 아미노산 서열이 포함됐으며, p53도 다뤘다. 생물학적 서열은 생물학적 특성이 아니라 길이나 이름을 기준으로 선정했으므로, 이 테스트는 생물학적 분석이 아닌 데이터 처리 성능을 평가한 것이다.

측정당 32,768샷을 사용했을 때 Phoenix는 길이 784뉴클레오타이드인 MT-CO3 서열을 후처리 없이 92.1%의 뉴클레오타이드가 정확하도록 복원했고, 실제 서열을 기준으로 선택한 테스트 중 최상의 동적 범위 복원을 적용하면 정확도가 92.3%였다고 논문은 보고한다. 단백질 서열을 촘촘하게 배치한 경우에는 복원 성능이 더 낮았다. 논문은 뉴클레오타이드나 아미노산이 하나만 틀려도 생물학적으로 심각한 결과를 초래할 수 있다고 경고한다.

Moth는 Atlas 플랫폼에서 이미지 처리 실험에 Tessa를 사용할 수 있다고 밝혔다. 저장소의 문서에는 라이브러리, 하드웨어에서 얻은 원시 계수, 작업 기록, 시뮬레이션 결과, 그리고 IBM 계정 없이도 논문의 그림과 표를 재생성할 수 있는 노트북이 제공된다. 실행 기록에 따르면 주요 Phoenix 및 Fez QCAT 실험은 2026년 9월 26일에 진행됐고, 이후 유전 데이터 및 픽셀 아트 실험은 2026년 10월에 수행됐다. 이 기록은 하드웨어 실험과 11월 발표를 구분해 보여 준다.

Tessa의 당면한 기여는 프로세서 전체에 걸쳐 고전 데이터를 로드하고 검증하는 하드웨어 인식 방식이다. 양자 머신러닝에서 핵심적인 미해결 과제는 이후 연산이 전체 복원 비용을 들이지 않고도 인코딩된 상태를 활용할 수 있는지, 그리고 샷 수의 증가와 더 조밀한 쌍 인코딩에서 발생하는 오류를 제어할 수 있는지 여부다.

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.