Quantum Machine Learning in Drug Discovery: Applications in Academia and Pharmaceutical Industries

핵심

어떤 책이든 과거에 쓰인 모든 책이 소장된 도서관에서 생명을 구할 특정 열쇠를 찾으려 한다고 상상해 보세요. 하지만 그 책들은 당신이 볼 때마다 언어가 바뀌어 있습니다. 이것이 바로 신약 개발의 도전과제입니다: 수십억 가지 가능성 중에서 질병을 치료할 올바른 분자를 찾아내는 것입니다.

이 논문은 이 퍼즐을 해결하기 위해 개발 중인 새로운 도구인 **양자 머신러닝 (QML)**을 검토합니다. 이는 단순히 책을 읽는 것을 넘어 양자 물리학의 기이한 규칙 덕분에 도서관 전체를 한 번에 이해할 수 있는 초능력의 사서라고 생각하세요.

간단한 비유를 사용하여 이 논문의 주요 아이디어를 살펴봅니다.

1. 두 명의 플레이어: 고전 컴퓨터 vs 양자 컴퓨터

• 고전 컴퓨터 (오래된 사서): 이들은 표준 전등 스위치처럼 작동합니다. 비트는 꺼짐 (0) 또는 켜짐 (1) 중 하나입니다. 특정 책을 찾으려면 사서는 책들을 하나씩, 혹은 작은 묶음으로 하나씩 확인해야 합니다.
• 양자 컴퓨터 (양자 사서): 이들은 큐비트를 사용합니다. 회전하는 동전을 상상해 보세요. 회전하는 동안에는 동시에 앞면과 뒷면 모두인 상태입니다 (이를 중첩이라고 합니다).
  • 마법: 만약 3 개의 회전하는 동전이 있다면, 그들은 동시에 8 가지 다른 조합을 나타낼 수 있습니다. 300 개의 동전이 있다면 우주에 있는 원자 수보다 더 많은 조합을 나타낼 수 있습니다. 이를 통해 양자 사서는 책 (분자) 들을 하나씩이 아니라 수백만 권을 한 번에 볼 수 있습니다.
  • 단점: 회전하는 동전은 깨지기 쉽습니다. 건드리면 회전이 멈추고 평평하게 떨어집니다 (이를 노이즈라고 합니다). 현재의 양자 컴퓨터는 매우 강한 바람이 부는 도서관과 같습니다. 놀라운 일을 할 수 있지만 실수를 쉽게 합니다.

2. 새로운 도구: 양자 신경망 (QNN)

이 논문은 새로운 양자 사서의 "두뇌"와 같은 양자 신경망에 초점을 맞춥니다. 이는 사진 속 고양이를 인식하는 법을 배우는 인간처럼 데이터의 패턴을 학습하도록 설계되었습니다.

이 논문은 이 양자 두뇌에 데이터를 입력하는 세 가지 방법을 설명합니다:

• 기저 인코딩 (Basis Encoding): 책에 "0" 또는 "1"이라고 라벨이 붙은 선반에 올려놓는 것과 같습니다. 간단하지만 제한적입니다.
• 각도 인코딩 (Angle Encoding): 다이얼을 돌리는 것과 같습니다. 숫자를 나타내기 위해 노브를 특정 각도로 회전시킵니다. 이는 온도나 무게와 같은 실세계 숫자에 적합합니다.
• 진폭 인코딩 (Amplitude Encoding): 이것이 "초능력" 방법입니다. 노브를 돌리는 대신 데이터를 파동의 높이에 인코딩합니다. 이를 통해 매우 적은 수의 큐비트에 막대한 양의 정보를 담을 수 있으며, 고전 컴퓨터가 따라올 수 없는 잠재적인 속도 향상을 제공합니다.

3. 신약 개발에 어떻게 도움이 되는가

이 논문은 화학 및 제약 분야에서 이 기술이 사용되는 두 가지 주요 방식을 강조합니다:

A. 미래를 예측하기 (예측형 QML)

새로운 화학 구조를 가지고 "이것이 바이러스를 죽일까요? 간을 독살할까요?"라고 알고 싶다고 상상해 보세요.

• 양자 그래프 신경망 (QGNN): 분자는 점 (원자) 과 선 (결합) 이 있는 지도처럼 보입니다. QGNN 은 이러한 지도를 양자 퍼즐처럼 처리합니다. 논문은 일부 테스트에서 이러한 양자 모델이 동일한 수의 "뇌 세포" (파라미터) 를 가졌음에도 고전 모델보다 분자 안정성을 더 잘 예측했다고 지적합니다.
• 양자 합성 신경망 (QCNN): 이들은 분자의 특정 부분을 확대하여 패턴을 찾는 카메라 렌즈와 같습니다. 논문은 약물 독성을 예측할 수 있는 하이브리드 버전 (HQCNN) 을 언급합니다. 무거운 작업을 양자 회로로 처리함으로써 순수 고전 컴퓨터보다 더 빠르고 적은 자원으로 모델을 훈련시킬 수 있음을 발견했습니다.

B. 미래를 발명하기 (생성형 QML)

단순히 추측하는 대신, 컴퓨터가 처음부터 새로운 분자를 발명할 수 있다면 어떨까요?

• 양자 오토인코더 (QAE): 이는 압축 도구라고 생각하세요. 복잡한 분자를 가져와 작은 "잠재" 요약 (zip 파일과 같은) 으로 압축한 다음 다시 재구성해 봅니다. 완벽하게 재구성할 수 있다면 분자의 본질을 이해한 것입니다. 이는 새로운 약물 후보를 생성하는 데 도움이 될 수 있습니다.
• 양자 GAN (생성적 적대 신경망): 이는 두 양자 AI 에이전트 간의 게임입니다. 하나는 가짜 분자를 만들고, 다른 하나는 그것이 진짜인지 탐지하려 합니다. 창작자가 진짜와 구별할 수 없을 정도로 가짜 분자를 만드는 데 능숙해질 때까지 이 게임을 반복합니다. 논문은 이러한 모델이 좋은 약물 특성을 가진 분자를 만드는 데 유망함을 보이지만, 때로는 유효한 실세계 분자를 만드는 데 어려움을 겪는다고 지적합니다.

4. "하이브리드" 접근법: 양쪽 세계의 최상

현재의 양자 컴퓨터는 여전히 "노이즈"가 많고 작기 때문에, 이 논문은 하이브리드 양자 - 고전 시스템을 강조합니다.

• 비유: 고전 컴퓨터는 강력한 트럭이고, 양자 컴퓨터는 작고 엄청나게 빠른 레이싱 카라고 상상해 보세요. 울퉁불퉁한 흙길 (너무 많은 노이즈) 에 레이싱 카를 타고 싶지는 않습니다. 대신 트럭으로 고속도로까지 이동한 다음, 빠른 구간에서는 레이싱 카로 전환했다가 다시 트럭으로 돌아옵니다.
• 현실: 이러한 시스템에서 고전 컴퓨터는 무거운 작업과 데이터 준비를 처리하고, 양자 컴퓨터는 우위를 점하는 특정 어려운 수학 계산을 수행합니다.

5. 하드웨어 부스트: NVIDIA 와 CUDA-Q

이 논문은 CUDA-Q라는 주요 실용 도구에 대해 논의합니다.

• 문제: 일반 노트북에서 양자 컴퓨터를 시뮬레이션하는 것은 느립니다. 복잡한 약물 분자를 시뮬레이션하려면 노트북이 멈출 수도 있습니다.
• 해결책: NVIDIA 는 강력한 그래픽 카드 (GPU) 를 사용하여 양자 컴퓨터를 시뮬레이션하는 시스템을 만들었습니다.
• 결과: 논문은 이러한 GPU 를 사용하면 연구자들이 표준 CPU 를 사용하는 것보다 수백 배 더 빠르게 양자 회로를 시뮬레이션할 수 있음을 보여줍니다. 여러 개의 GPU 를 연결하여 본래 모델링이 불가능했을 시스템까지 시뮬레이션할 수도 있습니다. 이를 통해 과학자들은 완벽한 양자 컴퓨터가 없어도 오늘날 양자 신약 개발 아이디어를 테스트할 수 있습니다.

6. 장애물 ("하지만...")

이 논문은 도전에 대해 매우 솔직합니다. 아직은 마법의 지팡이가 아닙니다.

• "황무지 평탄" (Barren Plateau): 계곡의 바닥을 찾으려 하지만 땅이 너무 평평해서 어느 방향이 아래인지 알 수 없다고 상상해 보세요. 양자 학습에서 때로는 수학이 너무 평평해져서 컴퓨터가 어떻게 개선할지 파악하지 못합니다. 이는 연구자들에게 큰 두통거리입니다.
• 데이터 로딩: 데이터를 양자 컴퓨터로 넣는 것은 어렵습니다. 데이터를 로드하는 데 시간이 너무 오래 걸리면 속도 이점이 사라집니다.
• 하드웨어 한계: 우리는 여전히 가장 큰 문제를 해결할 만큼 충분히 오랫동안 안정적으로 유지되는 "회전하는 동전" (큐비트) 이 충분하지 않습니다.

요약

이 논문은 로드맵입니다. 다음과 같이 말합니다: "양자 머신러닝은 고전 컴퓨터가 할 수 없는 방식으로 분자를 보고 생성하게 함으로써 신약 개발 방식을 혁신할 잠재력을 가지고 있습니다. 우리는 현재 이러한 아이디어를 테스트하기 위해 '하이브리드' 시스템 (고전과 양자의 혼합) 과 강력한 시뮬레이터 (NVIDIA 의 GPU 등) 를 사용하고 있습니다. 노이즈와 하드웨어 문제로 큰 도전에 직면해 있지만, 알고리즘 및 시뮬레이션 도구에서의 진전은 빠르게 진행되어 미래의 더 빠르고 나은 신약 개발에 희망을 제시하고 있습니다."

기술 요약

기술 요약: 약물 발견을 위한 양자 머신러닝

문제 제기
양자 컴퓨팅과 머신러닝의 교차점 (양자 머신러닝, QML) 은 화학과 약물 발견 분야에서 잠재적인 패러다임 전환을 제공합니다. 고전적 머신러닝 (ML) 은 단백질 구조 예측 (예: AlphaFold) 및 분자 특성 예측과 같은 분야에서 놀라운 성과를 거두었지만, 양자 시스템의 지수적 복잡성과 방대한 화학적 탐색 공간을 처리하는 데에는 한계가 있습니다. 반면, 현재의 양자 하드웨어는 잡음, 제한된 큐비트 수, 그리고 결어긋남 (NISQ 시대) 으로 인해 제약받고 있습니다. 본 리뷰가 다루는 핵심 문제는 약물 발견에서의 이러한 고전적 병목 현상을 극복하기 위해 게이트 기반 양자 컴퓨터, 특히 양자 신경망 (QNN) 을 어떻게 활용할 수 있는지, 그리고 동시에 근미래 하드웨어의 실용적 제약을 어떻게 극복할 수 있는지에 관한 것입니다. 본 논문은 이 분야에서 결정적인 양자 우위를 실현하는 것을 방해하는 이론적 기초, 현재 응용 분야, 그리고 중대한 과제들에 대해 균형 잡힌 관점을 제시하고자 합니다.

방법론 및 이론적 프레임워크
본 논문은 약물 발견 내의 예측 및 생성 작업에서 QNN 의 아키텍처와 구체적인 응용을 중심으로 분석을 구성합니다.

• QNN 아키텍처: 핵심 방법론은 변분 양자 회로 (VQC), 또는 파라미터화 양자 회로 (PQC) 를 포함합니다. 표준 QNN 워크플로우는 다음 세 단계로 구성됩니다:

  1. 데이터 인코딩: 고전적 데이터 (예: 분자 특성) 를 양자 상태로 변환합니다. 본 논문은 세 가지 주요 인코딩 전략을 상세히 설명합니다:
     • 기저 인코딩 (Basis Encoding): 이진 데이터를 큐비트 상태에 직접 매핑합니다.
     • 각도 인코딩 (Angle Encoding): 실수 값 데이터 입력에 기반하여 큐비트 상태를 회전시킵니다.
     • 진폭 인코딩 (Amplitude Encoding): 데이터를 양자 상태의 진폭에 인코딩하여 지수적 압축 ($N$개의 특성에 대해 $\log N$개의 큐비트) 을 제공하지만 복잡한 상태 준비가 필요합니다.
  2. 변분 처리: 학습 가능한 파라미터 $\theta$를 가진 학습 가능한 양자 회로 $U(\theta)$가 인코딩된 상태를 처리합니다.
  3. 판독 및 최적화: 측정은 기대값을 산출하며, 이는 고전적으로 처리되어 비용 함수 $C(\theta)$를 계산합니다. 고전적 최적화 알고리즘이 이 비용을 최소화하기 위해 $\theta$를 반복적으로 업데이트하여 하이브리드 양자 - 고전 루프를 형성합니다.

• 구체적 아키텍처:

  • 양자 그래프 신경망 (QGNNs): 분자의 그래프 표현 (노드는 원자, 엣지는 결합) 을 활용하여 HOMO-LUMO 갭 및 결합 친화도와 같은 특성을 예측합니다.
  • 양자 합성곱 신경망 (QCNNs): 위상 인식 및 분자 특성 예측에 적응된 QCNN 은 풀링 레이어를 사용하여 큐비트 수를 줄이고 ($O(\log N)$개의 파라미터), "황량한 평야 (barren plateaus, 기울기 소실)"를 피할 수 있습니다.
  • 생성 모델: 데이터 압축을 위한 양자 오토인코더 (QAE) 와 새로운 분자 구조 생성을 위한 양자 생성적 적대 신경망 (QGAN) 을 포함합니다.
  • 신흥 아키텍처: 본 논문은 자기 주의 메커니즘의 $O(n^2)$ 복잡도를 줄이려는 양자 트랜스포머의 신흥 분야를 논의하지만, 현재 구현은 대부분 이론적입니다.

• 하드웨어 및 시뮬레이션: 본 리뷰는 진동 스펙트럼 및 분자 인코딩에 더 큰 힐베르트 공간과 하드웨어 효율성을 제공하는 **보손 양자 프로세서 (qumodes)**와 큐비트의 결합 가능성을 강조합니다. 또한, 단일 CPU 처리의 한계를 넘어 회로 시뮬레이션을 확장하고 가상 다중 QPU 시스템에서 알고리즘을 테스트할 수 있도록 CUDA-Q 및 GPU 가속 시뮬레이터 (텐서 네트워크 방법 포함) 의 사용을 상세히 설명합니다.

주요 기여 및 결과
본 논문은 현재 연구를 종합하여 구체적인 발견 사항과 비교 성능을 강조합니다:

• 예측 성능:

  • QGNNs: 연구에 따르면 QGNN 은 분자 안정성 (HOMO-LUMO 갭) 및 형성 에너지 예측에서 동일한 수의 파라미터를 가진 고전적 GNN 보다 종종 우수한 성능을 보입니다. 하이브리드 QGNN 은 단백질 - 리간드 결합 친화도에 있어 최첨단 고전적 모델과 성능 동등성을 보였습니다.
  • QCNNs: 약물 독성 예측에서 하이브리드 QCNN(HQCNN) 은 성능을 유지하면서 모델 파라미터를 약 20% 줄일 수 있는 능력을 입증하여 훈련 시간을 크게 단축시켰습니다. 일부 HQCNN 구현은 특정 행렬 곱셈 작업에 대해 이차 양자 속도 향상을 주장합니다.
  • 일반화: 본 논문은 약물 발견에서 흔히 발생하는 훈련 데이터가 부족한 상황에서, 양자 모델이 고전적 대응 모델보다 적은 파라미터로 낮은 훈련 오차를 달성할 경우 QML 모델이 우수한 일반화 경계를 제공할 수 있다고 지적합니다.

• 생성 성능:

  • QGANs: QGAN 은 더 나은 약물 유사 특성을 가진 분자를 생성하고 적은 파라미터로 높은 표현력을 달성하는 데 (예: 50 개 파라미터 양자 판별기가 22,000 개 파라미터 고전적 판별기보다 우수함) 유망한 결과를 보였으나, 현재는 훈련 분포와 유사한 유효하고 고유한 분자를 생성하는 데 어려움을 겪고 있습니다.
  • 하이브리드 접근법: 하이브리드 양자 - 고전 생성 모델 (예: 노이즈 생성 또는 잠재 공간 처리를 위해 양자 회로 사용) 은 고유성, 유효성, 합성 가능성과 같은 지표에서 고전적 기준 대비 동등하거나 향상된 성능을 보였습니다.

• 시뮬레이션 능력:

  • CUDA-Q 를 사용하여 저자는 GPU 가속이 CPU 기반 상태 벡터 시뮬레이션에 비해 막대한 속도 향상 (예: 18 큐비트에서 150 배, 20 큐비트에서 530 배) 을 제공함을 입증했습니다.
  • 게이트 퓨전 및 NVLink 및 P2P 통신을 통한 멀티 GPU 병렬화와 같은 기법은 UCCSD 와 같은 복잡한 안사츠를 포함하여 최대 37 개 이상의 큐비트까지 더 큰 회로를 시뮬레이션할 수 있게 하여, 물리적 하드웨어 배포 전에 QML 알고리즘을 검증하는 데 필수적입니다.

의의 및 전망
본 논문은 "잠재적 이점"과 "해결해야 할 과제"를 균형 있게 다루는 종합적인 리뷰로서 자신을 위치시킵니다. 그 의의는 다음과 같습니다:

1. 현실적 평가: 현재 능력을 과장하지 않고, 많은 알고리즘 (쇼어 알고리즘 또는 HHL 등) 에 대한 지수적 속도 향상을 달성할 수 있는 오류 정정 양자 컴퓨터가 아직 존재하지 않음을 명시적으로 밝힙니다. 현재의 이점은 종종 하이브리드 접근법이나 데이터가 부족한 특정 작업에서 발견된다고 강조합니다.
2. 병목 현상 식별: 본 리뷰는 다음과 같은 중요한 장애물을 명확히 구분합니다:
   • 하드웨어: 확장 가능하고 고연결성 큐비트 및 긴 결어긋남 시간의 필요성.
   • 상태 준비: 계산적 이점을 무효화하지 않고 고전적 데이터 (진폭 인코딩) 를 양자 상태로 효율적으로 인코딩하는 어려움.
   • 학습 가능성: 황량한 평야의 만연과 양자 기울기 계산 (파라미터 이동 규칙) 의 높은 비용.
3. 미래 방향: 본 논문은 가장 유망한 근미래 응용 분야는 하이브리드 아키텍처 (HQCNN, HQAE) 와 고전적 데이터가 부족하거나 양자 표현이 자연스러운 적합성을 보이는 작업 (예: 진동 스펙트럼을 위한 보손 시스템) 에 있음을 제안합니다. 더 신뢰할 수 있는 QML 시스템의 선구자로서 양자 오류 정정 분야의 최근 돌파구를 강조합니다.

결론적으로, 본 논문은 약물 발견에서의 QML 이 초기 단계에 있지만, 양자 컴퓨팅과 머신러닝 간의 시너지는 변혁적 잠재력을 지니고 있다고 주장합니다. 그러나 이러한 잠재력을 실현하려면 상당한 하드웨어 및 알고리즘적 과제를 극복해야 하며, 당분간은 개발을 안내하기 위한 하이브리드 양자 - 고전 전략과 고급 시뮬레이션 도구에 의존해야 합니다.