Google Willow, RL로 quantum error correction 안정성 3.5배 끌어올린 실험

양자컴퓨터의 병목은 계산만이 아니라 계속 틀어지는 제어값입니다. Google Quantum AI와 Google Research가 2026년 7월 22일 공개한 연구는 reinforcement learning agent가 quantum error correction 신호를 읽고, 계산 중에도 수천 개 control parameter를 조정하는 방식을 실험했습니다.

기존 방식에서는 quantum processor가 drift를 보이면 calibration을 위해 계산을 멈춰야 합니다. useful quantum algorithm이 며칠 또는 몇 달 동안 이어져야 한다면, 이 정지-보정 구조는 큰 병목입니다. Google은 Nature에 실린 논문에서 error detection event를 단순히 복구용 decoder 입력으로 쓰는 데서 끝내지 않고, RL agent의 학습 신호로 다시 사용했습니다.

실험은 Google의 superconducting processor Willow에서 진행됐습니다. 연구팀은 control parameter drift를 인위적으로 주입했고, RL steering이 error-correcting code의 logical stability를 3.5배 높였다고 설명했습니다. 또 사람이 개입한 정밀 calibration 이후에도 RL fine-tuning은 logical error rate를 추가로 20% 낮췄습니다.

결과 숫자는 quantum memory 기준으로도 중요합니다. surface code에서는 error correction cycle 1,000회당 logical error가 1회 미만, color code에서는 100회당 1회 수준까지 낮췄다고 제시됐습니다. 이는 quantum error correction이 오류를 고치는 데서 더 나아가, 오류가 왜 생기는지 학습하는 제어 루프로 확장될 수 있다는 신호입니다.

다만 이 결과가 곧바로 범용 quantum computer의 완성을 뜻하지는 않습니다. 연구는 drift를 넣은 실험 환경에서 제어 안정성을 검증한 것입니다. 다음 확인 지점은 더 큰 qubit array, 더 긴 계산, 실제 algorithm workload에서 RL control이 같은 이득을 유지하는지입니다. 그래도 방향은 선명합니다. quantum hardware가 커질수록, 사람이 모든 calibration edge case를 직접 다루는 방식은 유지되기 어렵습니다.