🔬 materials science

Scaling active spaces in simulations of surface reactions through sample-based quantum diagonalization

이 논문은 샘플 기반 양자 대각화(SQD)와 그 확장 변형(Ext-SQD)이 IBM 양자 프로세서에서 활성 공간 시뮬레이션을 최대 32개 오비탈까지 확장함으로써 리튬 배터리의 산소 환원 반응을 정확하게 모델링할 수 있는 잠재력을 보여주며, 더 큰 규모에서는 고전적 참조 방법보다 뛰어난 성능을 발휘함을 입증한다.

원저자: Marco Antonio Barroca, Tanvi Gujarati, Vidushi Sharma, Rodrigo Neumann Barros Ferreira, Young-Hye Na, Maxwell Giammona, Antonio Mezzacapo, Benjamin Wunsch, Mathias Steiner

게시일 2026-07-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Marco Antonio Barroca, Tanvi Gujarati, Vidushi Sharma, Rodrigo Neumann Barros Ferreira, Young-Hye Na, Maxwell Giammona, Antonio Mezzacapo, Benjamin Wunsch, Mathias Steiner

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신은 원자들이 화학 반응 중에 어떻게 함께 춤을 추는지에 대한 거대한 3D 퍼즐을 풀려고 노력하고 있다고 상상해 보십시오. 이 퍼즐은 너무 거대해서 세계에서 가장 강력한 슈퍼컴퓨터조차 모든 조각을 한꺼번에 파악하려고 하면 어지러움을 느낄 정도입니다. 이것이 과학자들이 리튬과 산소가 만날 때 발생하는 리튬 배터리 내부의 반응과 같은 에너지 변화를 예측할 때 직면하는 문제입니다.

이 연구에서 연구원들은 새로운 기술을 시도했습니다. 그들은 양자 컴퓨터에게 가장 중요한 퍼즐 조각들을 골라내도록 요청한 다음, 영리한 수학적 지름길을 사용하여 나머지를 해결하는 방식을 사용했습니다.

"건초더미에서 바늘 찾기" 문제
화학 반응을 붐비는 댄스 플로어라고 생각해 보십시오. 그곳에는 수천 개의 전자(무용수들)가 움직이고 있습니다. 반응의 에너지(춤이 어떻게 끝날지)를 정확히 예측하려면 이론적으로는 모든 무용수를 추적해야 합니다. 하지만 그것은 불가능합니다. 그래서 과학자들은 보통 "활성" 무용수들, 즉 실제로 파트너를 바꾸고 있는 무용수들에게만 집중하려고 노력합니다.

이 논문은 기존의 방식(표준 컴퓨터 시뮬레이션)으로 이 활성 무용수들을 선택하는 것이 미묘한 움직임을 놓치거나, 컴퓨터가 길을 잃고 아무리 노력해도 정답을 찾을 수 없는 상태인 "배런 플래토(barren plateau)"에 빠질 수 있다고 주장합니다. 저자들은 단순히 더 많은 고전적 컴퓨팅 파워를 이 특정 유형의 문제에 쏟아붓는다고 해서 완벽한 해결책을 기대할 수 있다는 생각을 명시적으로 거부합니다. 수학적 무게가 너무 빠르게 커지기 때문입니다.

양자 "스포트라이트"
연구팀은 댄스 플로스 전체를 보려고 하는 대신, 양자 컴퓨터를 초강력 스포트라이트로 사용했습니다. 그들은 **샘플 기반 양자 대각화(Sample-based Quantum Diagonalization, SQD)**라고 불리는 방법을 사용했습니다.

이것이 어떻게 작동하는지 비유를 들어보겠습니다. 당신이 당첨 번호를 맞추려고 한다고 가정해 봅시다. 모든 가능한 조합을 일일이 확인하는 대신(그러려면 영원히 걸릴 것입니다), 게임의 규칙에 따라 "그럴듯한" 티켓 몇 장을 빠르게 생성하도록 양자 컴퓨터에게 요청합니다. 그런 다음, 그 특정 티켓들을 가져와서 초고속 계산기로 돌려 어떤 것이 당첨되는지 확인합니다.

여기서 "티켓"은 전자 배치(전자들이 자신을 배열하는 방식)입니다. 연구진은 **국소 유니터리 클러스터 자스트로프(Local Unitary Cluster Jastrow, LUCJ)**라는 특정 회로 설계를 사용하여 이러한 구성을 샘플링했습니다. 연구진은 (시간을 절약하고 오류를 줄이기 위해 마지막 단계를 잘라낸) "절단된(truncated)" 버전의 이 회로를 사용함으로써, 양자 컴퓨터가 너무 노이즈가 심해지지 않으면서도 좋은 티켓 조합을 얻을 수 있다는 것을 발견했습니다.

"슈퍼차지" 업그레이드
연구팀은 여기서 멈추지 않았습니다. 그들은 Ext-SQD라고 불리는 업그레이드된 버전을 도입했습니다. 이것은 양자 컴퓨터가 준 로또 티켓을 가지고 "이것들을 아주 조금만 수정하면 어떻게 될까?"라고 묻는 것과 같습니다. 그들은 "흥분 연산자(excitation operators)"를 적용했는데, 이는 전자 배치에 가하는 작고 계산된 자극과 같습니다. 이를 통해 티켓 목록을 더욱 정교하게 다듬어 최종 답변을 훨씬 더 날카롭게 만들 수 있었습니다.

그들이 발견한 것 (그리고 발견하지 못한 것)
연구진은 이 방법을 배터리 성능 향상에 필수적인 리튬-산소 반응에 테스트했습니다. 그들은 작은 그룹의 궤도(댄스 동작)에서 시작하여 점진적으로 늘려가며 최대 32개의 궤도까지 확장했습니다.

좋은 소식: 업그레이드된 Ext-SQD 방법을 사용했을 때 결과는 믿을 수 없을 정도로 정확했습니다. 12개의 궤도까지의 활성 공간에 대해서는, 양자 지원 결과가 최고의 성능을 가진 기존 고전적 방법들과 완벽하게 일치했습니다. 더욱 인상적인 것은, 27개의 궤도까지 규모를 키웠을 때 Ext-SQD 방법이 일반적으로 골드 스탠다드로 간주되는 표준 고전적 방법(예: CCSD)보다 실제 반응 에너지를 더 잘 예측했다는 점입니다.
현실적인 점검: 논문은 이 문제가 모든 화학 분야의 문제를 해결했다고 부르지 않도록 매우 주의를 기울였습니다. 저자들은 32개의 궤도를 넘어설 때 양자 컴퓨터의 노이즈(오류)가 결과를 망치기 시작한다는 점을 명시했습니다. 34개의 궤도에서는 그들의 방대한 샘플인 6 × 10⁶번의 시도 중 단 하나의 유효한 결과도 양자 컴퓨터가 만들어내지 못했습니다. "노이즈"가 신호를 집어삼킨 것입니다.

"스위트 스폿(최적의 지점)"
저자들은 현재 "스위트 스폿"이 존재한다고 제안합니다. 만약 당신이 문제를 해결하기 위해 약 20~32개의 궤도가 필요한 상황이라면, 이 하이브리드 방식(양자 샘플링 + 고전 수학)이 현재 가장 좋은 도구입니다. 이 방식은 특정 규모 범위 내에서 기존의 고전적 슈퍼컴퓨터보다 정확도 면에서 앞섭니다.

하지만 그들은 한계에 대해서도 솔직합니다. 논문은 양자 부분이 샘플링이라는 힘든 일을 수행하고 있지만, "후처리(post-processing, 고전 수학 부분)"가 엄청나게 커지고 있다고 언급합니다. 궤도를 추가함에 따라 고전 컴퓨터가 대각화해야 하는 부분 공간이 매우 빠르게 성장하며, 그 자체가 병목 현상이 됩니다.

결론
이 연구는 모든 화학 문제를 해결했다고 주장하는 것이 아닙니다. 현재의 양자 하드웨어에서 도움 없이 이 거대한 시뮬레이션을 실행할 수 없다는 생각(노이즈가 여전히 너무 높음)을 명시적으로 배제합니다. 대신, 어떤 부분의 문제를 양자 컴퓨터로 보낼지 신중하게 선택하고 Ext-SQx 방법을 사용하여 답을 정교하게 다듬음으로써, 이전에는 모델링하기 어려웠던 반응들에 대해 매우 정확한 예측을 할 수 있다는 것을 보여줍니다.

연구진은 리튬-산소 반응에 대해, 더 큰 활성 공간에서 약 -4.3 eV(전자 볼트)의 반응 에너지를 예측했습니다. 이는 오래된 방식들보다 실제 실험에서 기대되는 값에 훨씬 더 가깝습니다. 그들은 우리가 아직 모든 화학 반응에 도달한 것은 아니지만, 양자 컴퓨터가 너무 시끄러워지지 않게 하고 고전 컴퓨터가 너무 압도당하지 않게 관리할 수 있다면, 이 하이브리드 접근 방식이 유망한 길이라고 결론지었습니다.

기술 요약: 샘플 기반 양자 대각화를 통한 표면 반응 시뮬레이션의 활성 공간 확장

문제 정의
정확한 화학 반응 에너지 예측을 위해서는 상관관계가 있는 전자 시스템에 대한 다체 슈뢰딩거 방정식을 풀어야 한다. 고전적 방법들은 상당한 한계에 직면해 있다: 밀도 범함수 이론(DFT)은 강한 전자-전자 상관관계를 포착하는 데 종종 실패하며, 완전 활성 공간 구성 상호작용(CASCI)과 같은 고정밀 파동 함수 방법은 활성 공간의 크기가 증가함에 따라 계산적으로 불가능해진다. 양자 컴퓨팅은 이러한 시스템을 효율적으로 시뮬레이션할 수 있는 경로를 제공하지만, 현재의 하드웨어 제한(노이즈, 큐비트 수)은 직접 시뮬레이션할 수 있는 화학 시스템의 크기를 제한한다. 구체적으로, 현재의 근미래 양자 장치에서 정확도를 유지하면서 클래식 대각화의 한계를 넘어 활성 공간을 확장할 수 있는 하이브리드 양자-고전 워크플로우가 필요하다.

방법론
저자들은 리튬 금속 배터리의 리튬 및 산소 표면 반응( $4 \text{Li} + \text{O}_2 \rightarrow 2 \text{Li}_2\text{O}$ )에 적용되는 하이브리드 양자-고전 프레임워크를 제안한다. 이 워크플로우는 네 가지 주요 단계로 구성된다:

기하 구조 최적화 및 DFT: 초기 구조는 GTH-DZV 기저 집합과 PBE 범함수를 사용하는 VASP 및 PySCF를 사용하여 DFT로 최적화된다. 반응 에너지는 생성물과 반응물 상태의 차이( $\Delta E = E_{\text{prod}} - E_{\text{reac}}$ )로 정의된다.
활성 공간 선택: 다음을 사용하여 관련 궤도(orbital)의 체계적인 선택이 수행된다:
- 밀도 차 분석(DDA): 전하 재분배에 관여하는 궤도를 식별하기 위해 생성물과 반응물 사이의 전자 밀도 차이를 계산한다.
- 자연 궤도(Natural Orbitals): 점유수(occupation numbers)에 따라 궤도를 순위 매기기 위해 결합 클러스터 단일 및 이중(CCSD) 계산을 사용하여 정교화된다. 활성 공간은 최고 점유 자연 궤도(HONO)와 최저 비점유 자연 궤도(LUNO)를 중심으로 구축된다.
양자 샘플링(SQD): 전자 해밀토니안은 조던-위그너 인코딩을 통해 큐비트로 매핑된다. 양자 상태를 준비하기 위해 **국소 유니터리 클러스터 자스트로(LUCJ) 안사츠(ansatz)**가 사용된다. 회로는 CCSD 계산으로부터 얻은 파라미터로 초기화된다.
- 상태 준비: 게이트 깊이와 정확도의 균형을 맞추기 위해 절단된 2층(two-layer) LUCJ 안사츠가 채택된다.
- 샘플링: 최대 80 큐비트까지 지원하는 IBM Heron R2 프로세서에서 구성(configurations)을 샘플링한다. 샘플링된 구성은 올바른 전자 수와 스핀 섹터를 보장하기 위해 사후 처리된다.
대각화 및 확장(Ext-SQD):
- SQD: 해밀토니안을 샘플링된 구성들의 부분 공간에 투영하고 이를 고전적으로 대각화한다.
- Ext-SQD: 샘플링된 구성들에 들뜸 연산자(excitation operators, singles and doubles)를 적용하여 구성 공간을 정교화하고, 양자 회로 깊이를 늘리지 않고도 정확도를 개선하는 확장 버전이다. 이는 "확장 열욕조 구성 상호작용(Ext-HCI)" 접근 방식을 모사한다.

주요 기여

반응 예측에 대한 첫 적용: 본 연구는 표면 반응의 화학 반응 에너지를 예측하기 위해 샘플 기반 양자 대각화(SQD) 및 그 확장 버전(Ext-SQD)을 적용한 첫 사례이다.
확장성 입증: 저자들은 최대 12개의 궤도를 가진 활성 공간에 대해 양자 계산된 반응 에너지를 CASCI와 성공적으로 벤치마킹하였다. 더 큰 활성 공간(최대 32개 궤도)에 대해서는 열욕조 구성 상호작용(HCI) 및 CCSD와 벤치마킹하였다.
하이브리드 워크플로우 통합: 이 연구는 궤도 선택을 위한 DDA, 효율적인 상태 준비를 위한 LUCJ, 그리고 정확도 향상을 위한 Ext-SQD를 통합하여, 현재의 하드웨어에서 양자 시뮬레이션을 확장할 수 있는 실행 가능한 경로를 보여준다.
성능 "스위트 스팟(Sweet Spot)": 본 연구는 양자 보조 Ext-SQD 방법이 노이즈 제한에도 불구하고 표준 고전 참조 방법(CCSD 및 HCI)보다 정확도 측면에서 우수한 성능을 보이는 특정 영역(20~32개 궤도 부근)을 식별하였다.

결과

고전적 방법과의 정확도 비교: 최대 12개 궤도의 활성 공간에 대해, Ext-SQD 결과는 CASCI 벤치마크와 일치한다. 더 큰 공간(최대 32개 궤도)에 대해, Ext-SQD 결과는 CCSD 및 HCI보다 더 빠르게 수렴한다.
화학적 정확도: 27개 궤도에서 Ext-SQD 결과는 해당 규모에서 계산적으로 실행 가능한 표준 양자 화학 참조 방법들보다 개선된 예측 정확도를 보여준다. 이 방법은 Ext-HCI와 비교하여 1.6 mHa의 화학적 정확도 경계 내의 결과를 달치한다.
하드웨어 제한: 본 연구는 궤도 수가 증가함에 따라(32개 초과), 노이즈(금지된 구성/잘못된 해밍 가중치의 높은 비율)로 인해 양자 샘플링된 구성의 품질이 저하됨을 강조한다. 34개 궤도에서는 $6 \times 10^6$ 개의 샘플 내에서 올바른 해밍 가중치를 가진 구성을 얻을 수 없었다.
고전적 병목 현상: 양자 샘플링은 약 32개 궤도까지 가능하지만, Ext-SQD의 고전적 사후 처리(확장된 부분 공간의 대각화)는 궤도 수가 증가함에 따라 단일 및 이중 들뜸의 이차 및 사차 성장으로 인해 계산적 병목 현상이 된다.

의의 및 주장
본 논문은 샘플 기반 양자 대각화, 특히 들뜸 연산자로 강화된 Ext-SQD가 화학 및 재료 과학의 고정밀 반응 모델링을 위한 유망한 경로를 제공한다고 주장한다. 결과는 하이브리드 양자-고전 방법이 고전적 접근 방식을 보완하고 확장할 수 있으며, 복잡한 전자 구조 문제에 대해 계산 효율성과 정확도 모두에서 개선을 제공할 수 있음을 시사한다.

저자들은 현재의 장치에서 이 방식이 실행 가능하지만, 노이즈 탄력성과 회로 깊이 제한이 여전히 주요 장애물임을 겸허히 언급한다. 그들은 이 방법의 "스위트 스팟"(20~32개 궤도)이 양자 하드웨어가 결함 허용(fault tolerance) 단계에 도달하기 전에도 양자 보조 시뮬레이션의 효용성을 입증한다고 본다. 40개 이상의 궤도로의 향후 확장성은 더 낮은 오류율을 가진 양자 프로세서와 최적화된 고전적 사후 처리 기술(예: 병렬화)에 달려 있다. 이 연구는 동적 상관관계(dynamic correlation)의 전체 문제를 활성 공간 외부에서 해결했다고 주장하는 것이 아니라, Ext-SQD 파동 함수가 CASPT2 또는 NEVPT2 전략과 유사하게 후속 섭동 이론(PT2) 수정을 위한 다중 참조 상태(multi-reference states)로 기능할 수 있음을 시사한다.

유사한 논문