출시 배경: 고전 메모리 장벽과 인프라 관리 부담
양자 회로 시뮬레이션에서 큐비트 수가 늘어날수록 고전 컴퓨터의 메모리 요구량은 기하급수적으로 불어난다. 완전한 상태벡터 방식으로 64큐비트를 표현하려면 배정밀도 기준 약 295 엑사바이트의 RAM이 필요하다. 이를 우회하기 위해 텐서망(tensor-network) 기법이 활용되지만, 연구자가 Slurm 스케줄러·컨테이너·CUDA 드라이버를 직접 구성해야 한다는 현실적 장벽이 존재했다. Qoro Quantum의 이번 클라우드 티어는 그 인프라 설정 과정을 자동화하는 데 초점을 맞추고 있다.
Divi 프레임워크와 플랫폼 구조
이 서비스는 Qoro의 오픈소스 파이썬 패키지 Divi(qoro-divi)에 직접 연동된다. 개발자는 로컬 스크립트에서 단일 백엔드 선언만으로 원격 GPU 클러스터에 회로 작업을 전달할 수 있다. 플랫폼은 작업부하의 얽힘(entanglement) 프로파일을 분석해 자원 배분을 동적으로 결정하며, A10G와 T4 두 종류의 NVIDIA GPU를 운용한다.
주요 벤치마크 결과
공개된 세 가지 시뮬레이션 결과는 다음과 같다.
64큐비트 이징 퀀치(100개 시간점, 회로당 약 6만 게이트): 행렬 곱 상태(MPS) 방식, 결합 차원 χ=256 조건에서 GPU가 늦은 시간대 얽힘 회로를 처리하는 데 약 3분 소요된 반면, 16-vCPU 인스턴스는 11~15분이 걸려 약 5배의 속도 차가 발생했다.
고충실도 MPS 스케일링(χ=512): A10G·T4 클러스터에서 100개 회로 전체가 각각 9분 이내에 완료됐으며 총 GPU 사용 시간은 4.0 GPU-시간이었다. 반면 CPU 인스턴스는 20분 제한 시간 내에 처리를 마치지 못했다.
병렬 노이즈 스윕(8가지 2큐비트 오류율, 총 2,560개 회로): 병렬화된 16-vCPU 클라우드 노드에서 전체 배치를 43분에 완료했다. 순차 처리 예상 시간인 15.6시간과 비교하면 경과 시간 기준 약 22배의 단축 효과다.
접근성과 의미, 그리고 한계
무료 개발자 계정 가입 시 1,000 컴퓨트 크레딧을 제공해 소규모 하이브리드 워크플로 평가를 허용한다. 텐서망 기반 MPS는 얽힘이 낮거나 중간 수준인 회로에서 효율적이지만, 얽힘이 깊은 회로일수록 결합 차원 χ를 높여야 하고 계산 비용이 급증한다. 이번 플랫폼이 얼마나 넓은 범위의 양자 알고리즘 클래스를 감당할 수 있는지는 추가 검증이 필요하다. 또한 비용 구조 및 크레딧 단가에 대한 구체적 공시가 아직 없어, 대규모 연구 그룹의 실제 운용 비용을 가늠하기 어려운 상태다.
전문은 원문에서 읽으세요
이 글은 원문의 사실을 재구성한 편집 요약입니다. 원제: Qoro Quantum Opens Cloud GPU Simulation Tier to Accelerate Large-Scale Circuit Emulation
