스트리밍형 분산 디코더 “스노우플레이크”

초록

스노우플레이크는 서피스 코드의 회로‑레벨 잡음에 대해 기존 Union‑Find 디코더보다 약 25 % 높은 정확도와 코드 거리 d에 대해 O(d²) 이하의 평균 실행시간을 달성한다. 윈도우 겹침에 따른 연산 오버헤드를 없애는 새로운 “프루갈(Frugal) 메소드”를 도입해 스트리밍 디코딩을 실시간·분산으로 구현한다.

상세 분석

스노우플레이크는 기존 배치 디코딩을 스트리밍 환경에 그대로 적용하려는 포워드·샌드위치 방식의 한계를 정확히 짚어낸다. 포워드 메소드는 디코딩 윈도우를 c + b 층으로 잡고, 매 사이클마다 윈도우를 c층씩 위로 이동한다. 이때 버퍼 영역(b)에서 발생한 연산 결과를 버리고 버퍼에 포함된 결함을 다시 처리해야 하므로, 전체 연산량이 O(b·τ) 만큼 불필요하게 소모된다. 특히 정확도를 유지하려면 겹침 크기 b≥d가 필요해 메모리와 전력 소모가 크게 늘어난다.

프루갈 메소드는 “윈도우를 올리는 즉시 커밋 영역(C) 안에서만 최종 결정을 내리고, 버퍼 영역(B)의 중간 결과를 보존”한다. 구체적으로는 조건 1(“T는 커밋 영역 내 결함을 완전히 소멸한다”)을 만족하는 임시 교정 T를 찾고, T∩E_C만을 C에 합친다. B에 남은 연산 상태는 다음 사이클의 초기값으로 재사용되므로, 동일한 결함에 대해 두 번 이상 연산을 수행하지 않는다. 결과적으로 전체 연산량은 O(c·τ) 로 감소하고, 전력·면적 효율이 크게 개선된다.

알고리즘적 관점에서 스노우플레이크는 그래프 G를 3‑차원 격자 형태로 배치하고, 각 노드가 로컬 프로세서에 대응한다. 프로세서들은 인접 노드와만 통신하므로, 통신 지연과 배선 복잡도가 최소화된다. 또한 G가 R³에 임베드될 수 있는 모든 코드(예: 반복 코드, 서피스 코드)에서 적용 가능하므로 범용성이 높다.

성능 평가에서는 서피스 코드를 회로‑레벨 잡음 모델로 시뮬레이션했으며, 논문에 제시된 임계점(p_th)에서 UF(FM) 대비 24.9 % 절대 정확도 향상을 보였다. 실행 시간 측면에서는 코드 거리 d에 대해 평균 실행 시간이 O(d²) 수준으로, 기존 UF의 O(d³)보다 현저히 빠르다. 특히 대규모 메모리 실험에서 실시간 제약(하드 실시간) 하에 프루갈 메소드는 사이클당 연산 시간을 c · Δt 이하로 유지할 수 있음을 확인했다.

전반적으로 스노우플레이크는 스트리밍 디코딩의 핵심 과제인 “윈도우 겹침에 따른 연산 낭비”를 근본적으로 제거하고, 분산 로컬 구현을 통해 하드웨어 구현 가능성을 크게 높였다. 이는 향후 대규모 양자 메모리와 실시간 오류 정정이 요구되는 양자 컴퓨팅 시스템에 중요한 전진을 의미한다.