표면 부호(Surface Code)의 구조와 오류 정정 원리

개념 소개

양자 정보는 환경과의 결합(decoherence) 및 게이트 불완전성으로 인해 필연적으로 오류를 동반한다. 고전 오류 정정이 비트를 단순 복사해 다수결로 복원하듯, 양자 오류 정정은 복사 불가 원리(no-cloning theorem) 의 제약 안에서 정보를 여러 물리 큐비트에 얽힘 형태로 분산 인코딩한다.

표면 부호(Surface Code)는 $d\times d$ 격자에 물리 큐비트를 배치하는 위상학적 안정자 부호다. 여기서 $d$는 부호 거리(code distance)이며, 정정 가능한 오류 수는 $t=\lfloor (d-1)/2\rfloor$개다. 즉 $d=5$이면 최대 2개의 독립 오류를 정정할 수 있다.

---

핵심 원리

격자 구조

표면 부호의 표준 구성은 다음과 같다.

• 데이터 큐비트(data qubit): 격자의 꼭짓점(vertex) 위치에 $d^2$개 배치
• 보조 큐비트(ancilla qubit): 격자 면(plaquette)과 꼭짓점 체크 위치에 배치되어 안정자를 측정

전체 물리 큐비트 수는 $2d^2-1$개이며, 논리 큐비트 1개를 인코딩한다. 인코딩 비율(encoding rate)은 $k/n=1/(2d^2-1)$로 낮지만, 높은 오류 임계값으로 이를 상쇄한다.

안정자 연산자

표면 부호의 안정자 군(stabilizer group) $\mathcal{S}$는 두 종류의 연산자로 구성된다.

꼭짓점 연산자 (Z-type / vertex stabilizer):

$$A_v=\underset{j\in \partial v}{⨂}{Z}_j$$

꼭짓점 $v$ 주변 4개(경계는 2~3개) 데이터 큐비트에 Pauli-$Z$를 작용한다.

면 연산자 (X-type / plaquette stabilizer):

$$B_p=\underset{j\in \partial p}{⨂}{X}_j$$

면 $p$ 주변 4개 데이터 큐비트에 Pauli-$X$를 작용한다.

임의의 $A_v$와 $B_p$는 공유 큐비트가 항상 짝수 개이므로 $[A_v,B_p]=0$이 보장된다. 논리 연산자는 격자를 가로지르는 비자명(non-trivial) 체인으로 정의된다.

$${\bar{Z}}_L=\prod _{j\in \text{vertical path}}{Z}_j,{\bar{X}}_L=\prod _{j\in \text{horizontal path}}{X}_j$$

오류 증후군(Syndrome) 추출

안정자 측정 결과 집합을 증후군이라 한다. 오류가 없으면 모든 $A_v,B_p$의 고유값은 $+1$이다. 단일 비트 플립($X$ 오류)이 데이터 큐비트 $j$에 발생하면, $j$를 공유하는 두 꼭짓점 안정자가 $-1$을 반환하여 오류의 끝점이 드러난다.

오류 체인은 증후군의 경계(boundary) 로 나타나므로, 최솟값 매칭(Minimum Weight Perfect Matching, MWPM) 알고리즘으로 가장 짧은 오류 경로를 추론해 정정한다.

import networkx as nx

def decode_syndrome_mwpm(syndrome_nodes: list[tuple[int,int]]) -> list[tuple]:
    """
    syndrome_nodes: 증후군이 -1인 안정자의 2D 좌표 리스트
    반환: 매칭된 (노드A, 노드B) 쌍 리스트 — 이 경로가 정정 연산 위치
    """
    G = nx.Graph()
    for i, u in enumerate(syndrome_nodes):
        for j, v in enumerate(syndrome_nodes):
            if i >= j:
                continue
            dist = abs(u[0] - v[0]) + abs(u[1] - v[1])  # Manhattan distance
            G.add_edge(i, j, weight=-dist)  # networkx는 최대 매칭 기준

    matching = nx.max_weight_matching(G, maxcardinality=True)
    return [(syndrome_nodes[a], syndrome_nodes[b]) for a, b in matching]

오류 임계값

오류 임계값 $p_{th}$는 물리 오류율 $p<p_{th}$이면 부호 거리 $d$를 늘릴수록 논리 오류율이 지수적으로 감소하는 임계점이다. 표면 부호는 독립 탈분극화 오류 모델 하에서

$$p_{th}\approx 1.1\%$$

로 계산되며, 이는 다른 주요 부호 대비 월등히 높은 수치다. 논리 오류율은 근사적으로

$$p_L\approx A{\left(\frac{p}{p_{th}}\right)}^{\lfloor d/2\rfloor +1}$$

로 스케일된다.

---

예시·응용

Google의 실험적 검증: 표면 부호 구조에서 $d=3$ 대비 $d=5$로 거리를 증가시킬 때 논리 오류율이 실제로 감소함을 초전도 큐비트 플랫폼에서 확인한 연구가 발표된 바 있다.

격자 수술(Lattice Surgery): 두 논리 큐비트를 얽히게 하는 대표적 방법으로, 격자 경계를 임시로 합병·분리하여 논리 $\bar{X}\bar{X}$ 또는 $\bar{Z}\bar{Z}$ 측정을 수행한다. 보조 게이트 없이 국소 연산만으로 구현되어 오버헤드가 낮다.

자원 추정 예시: 논리 오류율 $p_L=10^{-10}$을 목표로 할 때, 물리 오류율 $p=10^{-3}$이면 $d\approx 17$이 필요하며 물리 큐비트 수는 약 $2\times 17^2-1=577$개/논리 큐비트가 요구된다.

---

정리

표면 부호는 2차원 국소 상호작용만으로 결함 허용 양자 연산을 구현할 수 있는 가장 실용적인 오류 정정 구조다. 핵심은 데이터 큐비트를 직접 측정하지 않고 보조 큐비트로 안정자를 추출하는 비파괴 증후군 측정, 그리고 MWPM 기반 디코딩 알고리즘이다. 부호 거리 $d$를 늘리면 지수적으로 낮은 논리 오류율을 달성할 수 있으나, 이에 비례한 물리 큐비트 오버헤드가 따른다.